扩展目标特征提取与跟踪技术研究
发布时间：2023-04-03 20:21
在计算机视觉领域,扩展目标的识别和跟踪一直是非常活跃的研究方向。在扩展目标目标的识别和跟踪中,特征提取是一个至关重要的环节,直接决定后续识别和跟踪性能的好坏。因此,研究扩展目标的特征提取和跟踪技术对于实际工程有重要的应用价值。然而,由于扩展目标具有不同于普通目标的特性,使得普通的目标跟踪算法无法适用于扩展目标。同时,目标本身三维姿态变化、模糊、光照变化、旋转、遮挡及形状变形等因素的存在,给扩展目标的特征提取和跟踪算法带来了挑战。本课题就是在这种情况下提出的。本课题所研究的扩展目标为光电探测系统获得的图像。针对长焦距系统下的远距离成像扩展目标,其姿态变化不大,边缘模糊,无显著纹理信息,研究高精度定位算法;针对近距离成像扩展目标,其尺寸较大,有一定的纹理和形状信息,研究特征提取及稳定跟踪算法。主要包括以下五个方面:(1)针对远距离扩展目标,深入研究高精度定位算法。在基于目标的几何形状特征的基础上,提出一种基于广义Hough变换(GHT)的异型扩展目标高精度定位方法。通过模拟序列以及外场实验采集的序列测试验证了提出的算法具有定位精度高,定位精度达到亚像素级(小于0.6个像素),实时性好的特点...
【文章页数】：128 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 研究目的及意义
1.2 国内外研究现状和发展态势
1.2.1 特征提取研究现状及发展趋势
1.2.2 扩展目标跟踪研究现状及发展趋势
1.3 存在的问题
1.4 本文研究内容及结构安排
第二章 基于GHT的异型扩展目标高精度定位方法
2.1 引言
2.2 算法框架
2.2.1 边缘提取
2.2.2 粗定位：广义Hough变换（GHT）
2.2.3 精定位：松弛迭代法
2.3 实验结果及分析
2.3.1 实验设置
2.3.2 实验结果及分析
2.3.3 与传统算法比较
2.4 性能分析
2.4.1 遮挡分析
2.4.2 边缘模糊度分析
2.5 本章小结
第三章 扩展目标特征提取及定姿技术研究
3.1 引言
3.2 特征提取与描述方法分析比较
3.3 基于骨架的扩展目标特征提取
3.3.1 目标分割
3.3.2 直线拟合及轴线提取
3.4 结合骨架和轮廓的上下文描述子
3.4.1 边缘和骨架提取
3.4.2 直方图构建
3.4.3 直方图匹配
3.4.4 实验结果及分析
3.4.4.1 实验结果
3.4.4.2 性能分析
3.5 飞机三维姿态解算方法
3.5.2 三维姿态解算
3.5.2.1 坐标系及姿态角定义
3.5.2.2 姿态建模及解算
3.5.3 实验结果及分析
3.5.3.1 轴线提取
3.5.3.2 姿态角计算
3.5.3.3 稳定性评估
3.5.4 精度分析
3.5.4.1 偏航角与俯仰角误差分析
3.5.4.2 翻滚角误差分析
3.5.5 小结
3.6 本章总结
第四章 基于特征学习的飞机关键部位识别技术研究
4.1 引言
4.2 Haar-like特征
4.2.1 Haar-like特征值计算
4.2.2 弱分类器生成
4.3 Adaboost算法
4.3.1 Adaboost算法原理
4.3.2 Ada Boost算法分析
4.4 基于Haar-like特征的飞机关键部位识别算法
4.4.1 Ada Boost算法训练
4.4.1.1 训练样本选择
4.4.1.2 强分类器训练
4.4.2 Ada Boost算法识别
4.4.3 实验结果及分析
4.5 基于改进Haar-like特征的飞机机翼识别算法
4.5.1 Haar-like特征改进
4.5.2 改进的Haar-like特征训练
4.5.3 改进的Haar-like特征和原始Haar-like特征比较
4.5.3.1 稳定性
4.5.3.2 计算复杂度
4.6 基于改进Haar-like特征的飞机机头识别算法
4.6.1 Haar-like特征改进
4.6.2 特征性能比较
4.6.2.1 稳定性
4.6.2.2 计算复杂度
4.7 本章小结
第五章 基于骨架和改进分布场的扩展目标跟踪技术研究
5.1 引言
5.2 分布场描述子
5.2.1 分布场建立
5.2.2 模型更新
5.3 分布场性能分析
5.3.1 旋转适应性分析
5.3.2 尺度适应性分析
5.3.3 遮挡适应性分析
5.4 分布场改进
5.4.1 非均匀自适应分层
5.4.2 尺度和旋转自适应
5.4.2.1 BRISK特征点检测
5.4.2.2 BRISK特征点描述
5.4.2.3 RANSAC剔除错误匹配
5.4.2.4 关键点匹配稳定性分析
5.4.3 结合骨架和改进分布场的扩展目标跟踪算法
5.4.3.1 算法流程
5.4.3.2 变换参数计算
5.5 实验结果及分析
5.5.1 时间复杂度评估
5.5.2 性能评估
5.5.3 定量评估
5.5.4 融合性能比较
5.5.5 算法比较
5.6 本章小结
第六章 基于表观模型学习的目标跟踪技术研究
6.1 引言
6.2 稀疏联合模型
6.2.1 基于稀疏度的区分分类器
6.2.1.1 特征选择
6.2.1.2 置信度度量
6.2.2 基于稀疏度的生成模型
6.2.2.1 直方图生成
6.2.2.2 相似度函数
6.3 空时上下文模型
6.3.1 上下文重要性
6.3.2 问题描述
6.3.2.1 空间上下文模型
6.3.2.2 上下文先验模型
6.3.2.3 置信地图
6.3.2.4 空间上下文模型的快速学习
6.3.2.5 跟踪
6.4 空时上下文模型用于跟踪算法改进
6.4.1 算法流程
6.4.2 仿真结果及分析
6.5 本章小结
第七章 总结与展望
7.1 论文主要研究内容
7.2 论文主要创新点
7.3 进一步研究的问题和方向
参考文献
作者简介及在学期间发表的学术论文与研究成果
本文编号：3781086
【文章页数】：128 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 研究目的及意义
1.2 国内外研究现状和发展态势
1.2.1 特征提取研究现状及发展趋势
1.2.2 扩展目标跟踪研究现状及发展趋势
1.3 存在的问题
1.4 本文研究内容及结构安排
第二章 基于GHT的异型扩展目标高精度定位方法
2.1 引言
2.2 算法框架
2.2.1 边缘提取
2.2.2 粗定位：广义Hough变换（GHT）
2.2.3 精定位：松弛迭代法
2.3 实验结果及分析
2.3.1 实验设置
2.3.2 实验结果及分析
2.3.3 与传统算法比较
2.4 性能分析
2.4.1 遮挡分析
2.4.2 边缘模糊度分析
2.5 本章小结
第三章 扩展目标特征提取及定姿技术研究
3.1 引言
3.2 特征提取与描述方法分析比较
3.3 基于骨架的扩展目标特征提取
3.3.1 目标分割
3.3.2 直线拟合及轴线提取
3.4 结合骨架和轮廓的上下文描述子
3.4.1 边缘和骨架提取
3.4.2 直方图构建
3.4.3 直方图匹配
3.4.4 实验结果及分析
3.4.4.1 实验结果
3.4.4.2 性能分析
3.5 飞机三维姿态解算方法
3.5.2 三维姿态解算
3.5.2.1 坐标系及姿态角定义
3.5.2.2 姿态建模及解算
3.5.3 实验结果及分析
3.5.3.1 轴线提取
3.5.3.2 姿态角计算
3.5.3.3 稳定性评估
3.5.4 精度分析
3.5.4.1 偏航角与俯仰角误差分析
3.5.4.2 翻滚角误差分析
3.5.5 小结
3.6 本章总结
第四章 基于特征学习的飞机关键部位识别技术研究
4.1 引言
4.2 Haar-like特征
4.2.1 Haar-like特征值计算
4.2.2 弱分类器生成
4.3 Adaboost算法
4.3.1 Adaboost算法原理
4.3.2 Ada Boost算法分析
4.4 基于Haar-like特征的飞机关键部位识别算法
4.4.1 Ada Boost算法训练
4.4.1.1 训练样本选择
4.4.1.2 强分类器训练
4.4.2 Ada Boost算法识别
4.4.3 实验结果及分析
4.5 基于改进Haar-like特征的飞机机翼识别算法
4.5.1 Haar-like特征改进
4.5.2 改进的Haar-like特征训练
4.5.3 改进的Haar-like特征和原始Haar-like特征比较
4.5.3.1 稳定性
4.5.3.2 计算复杂度
4.6 基于改进Haar-like特征的飞机机头识别算法
4.6.1 Haar-like特征改进
4.6.2 特征性能比较
4.6.2.1 稳定性
4.6.2.2 计算复杂度
4.7 本章小结
第五章 基于骨架和改进分布场的扩展目标跟踪技术研究
5.1 引言
5.2 分布场描述子
5.2.1 分布场建立
5.2.2 模型更新
5.3 分布场性能分析
5.3.1 旋转适应性分析
5.3.2 尺度适应性分析
5.3.3 遮挡适应性分析
5.4 分布场改进
5.4.1 非均匀自适应分层
5.4.2 尺度和旋转自适应
5.4.2.1 BRISK特征点检测
5.4.2.2 BRISK特征点描述
5.4.2.3 RANSAC剔除错误匹配
5.4.2.4 关键点匹配稳定性分析
5.4.3 结合骨架和改进分布场的扩展目标跟踪算法
5.4.3.1 算法流程
5.4.3.2 变换参数计算
5.5 实验结果及分析
5.5.1 时间复杂度评估
5.5.2 性能评估
5.5.3 定量评估
5.5.4 融合性能比较
5.5.5 算法比较
5.6 本章小结
第六章 基于表观模型学习的目标跟踪技术研究
6.1 引言
6.2 稀疏联合模型
6.2.1 基于稀疏度的区分分类器
6.2.1.1 特征选择
6.2.1.2 置信度度量
6.2.2 基于稀疏度的生成模型
6.2.2.1 直方图生成
6.2.2.2 相似度函数
6.3 空时上下文模型
6.3.1 上下文重要性
6.3.2 问题描述
6.3.2.1 空间上下文模型
6.3.2.2 上下文先验模型
6.3.2.3 置信地图
6.3.2.4 空间上下文模型的快速学习
6.3.2.5 跟踪
6.4 空时上下文模型用于跟踪算法改进
6.4.1 算法流程
6.4.2 仿真结果及分析
6.5 本章小结
第七章 总结与展望
7.1 论文主要研究内容
7.2 论文主要创新点
7.3 进一步研究的问题和方向
参考文献
作者简介及在学期间发表的学术论文与研究成果
本文编号：3781086
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3781086.html