基于單目視覺(jué)的運(yùn)動(dòng)目標(biāo)跟蹤定位技術(shù)研究.pdf

1、單目視覺(jué)跟蹤和定位技術(shù)通過(guò)一臺(tái)攝像機(jī)對(duì)運(yùn)動(dòng)目標(biāo)圖像序列進(jìn)行采集，利用景物中的一些自然或者人造的特征，運(yùn)用圖像處理等方法，完成對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤和定位，具有結(jié)構(gòu)簡(jiǎn)單、標(biāo)定步驟少等優(yōu)點(diǎn)，被大量應(yīng)用于運(yùn)動(dòng)目標(biāo)導(dǎo)航和定位領(lǐng)域的多個(gè)行業(yè)。單目視覺(jué)跟蹤和定位是計(jì)算機(jī)視覺(jué)研究的一個(gè)重要內(nèi)容，涉及計(jì)算機(jī)圖像處理、模式識(shí)別、人工智能及自動(dòng)控制等諸多學(xué)科。本論文以空中加油機(jī)加油管錐套和受油機(jī)受油口的自動(dòng)對(duì)準(zhǔn)系統(tǒng)研制項(xiàng)目實(shí)際需求為依托，運(yùn)用機(jī)器學(xué)習(xí)和模式分類(lèi)相

2、關(guān)理論，研究在單目觀測(cè)圖像序列下運(yùn)動(dòng)目標(biāo)的跟蹤和定位問(wèn)題。
　　構(gòu)建基于單目視覺(jué)的運(yùn)動(dòng)目標(biāo)跟蹤和定位系統(tǒng)需要目標(biāo)跟蹤和目標(biāo)定位兩大模塊，而目標(biāo)的識(shí)別、分類(lèi)和檢索構(gòu)成了這兩大模塊的基礎(chǔ)。針對(duì)目標(biāo)識(shí)別、分類(lèi)和檢索中，目標(biāo)識(shí)別率和檢索精度對(duì)光照敏感、易受遮擋等環(huán)境影響的缺點(diǎn)，本文用小圖像塊代替像素點(diǎn)來(lái)描述樣本圖像，研究了基于小圖像塊及其上下文小圖像塊組合的特征提取方法來(lái)提升分類(lèi)檢索算法的識(shí)別效率。此外，在目標(biāo)非合作情況下，由于圖像樣本數(shù)

3、據(jù)庫(kù)的規(guī)模隨著參數(shù)估計(jì)精度要求的提高呈指數(shù)級(jí)增長(zhǎng)，因此建立跟蹤和定位模型的訓(xùn)練圖像數(shù)據(jù)庫(kù)存在特征維數(shù)過(guò)大，即“維數(shù)災(zāi)”的問(wèn)題。針對(duì)該問(wèn)題，本文研究了基于特征降維和Anchor超圖排序的圖像分類(lèi)與檢索算法，并討論了圖像分類(lèi)檢索中的圖像相異性學(xué)習(xí)問(wèn)題。本文還討論了運(yùn)動(dòng)目標(biāo)跟蹤和空間定位問(wèn)題，提出了基于小圖像塊統(tǒng)計(jì)分析的目標(biāo)跟蹤方法和基于圖像分類(lèi)與檢索的目標(biāo)空間定位方法，并以戰(zhàn)斗機(jī)空中加油自動(dòng)對(duì)準(zhǔn)為背景進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了論文所提出的相

4、關(guān)結(jié)論。
　　論文的主要研究工作和相關(guān)成果有以下幾個(gè)方面：
　　第一，針對(duì)目標(biāo)跟蹤和定位中，目標(biāo)識(shí)別率易受目標(biāo)姿態(tài)轉(zhuǎn)動(dòng)、遮擋以及光線(xiàn)變化等環(huán)境因素影響的缺點(diǎn)，提出了 CLP局部特征學(xué)習(xí)方法。該方法利用Fisher判別準(zhǔn)則，能有效的提取目標(biāo)的局部特征，并通過(guò)實(shí)驗(yàn)證明基于CLP局部特征方法的分類(lèi)算法比其它局部特征方法有著更高的識(shí)別率。此外，圖像特征降維和相似性排序在圖像分類(lèi)與檢索中也起著重要的作用，本文融合NMF和PCA兩種方法

5、對(duì)高維圖像特征降維，之后結(jié)合基于Anchor超圖的圖像相似度學(xué)習(xí)算法，提出了一種新的降維分類(lèi)框架，提高了分類(lèi)與檢索的精度，并通過(guò)實(shí)驗(yàn)進(jìn)行了驗(yàn)證。
　　第二，針對(duì)目標(biāo)識(shí)別中的特征相似性及相異性問(wèn)題，提出了基于 AdaBoost的相異性學(xué)習(xí)算法。該算法結(jié)合特征提取和相似性排序，衡量了不同特征點(diǎn)的不同分布，通過(guò)使用不同的距離測(cè)量函數(shù)構(gòu)建一些候選距離量度，然后使用AdaBoost算法組合不同的距離量度。該方法可以使選擇的特征和最佳候選距離

6、相匹配，得到最佳的相似性估計(jì)，并通過(guò)實(shí)驗(yàn)對(duì)算法性能的優(yōu)越性進(jìn)行了驗(yàn)證。
　　第三，為了提高目標(biāo)跟蹤算法的實(shí)時(shí)性，論文提出了基于小圖像塊統(tǒng)計(jì)分析的目標(biāo)模型表達(dá)方法，該方法用小圖像塊代替像素，結(jié)合k-means聚類(lèi)算法以及SVM分類(lèi)機(jī)，把對(duì)圖像序列中像素點(diǎn)的顏色、灰度等的統(tǒng)計(jì)分析轉(zhuǎn)換成對(duì)量化小圖像塊的索引值的統(tǒng)計(jì)分析，降低了目標(biāo)跟蹤算法的計(jì)算時(shí)間，提高了系統(tǒng)的實(shí)時(shí)性。
　　第四，設(shè)計(jì)了一種基于圖像分類(lèi)與檢索的在線(xiàn)目標(biāo)跟蹤和定位系