沉降顆粒激光散射像點跟蹤算法研究.pdf

1、沉降顆粒跟蹤是指跟蹤在沉降裝置中做沉降運動的沉降顆粒。通過跟蹤沉降顆粒，可實現(xiàn)對沉降顆粒粒度的檢測，進而控制材料在生產(chǎn)、加工或使用過程中的粒徑大小，在材料粒度分析領域有極大的研究與應用價值。
　　本文研究中存在大量沉降顆粒與背景區(qū)分度小，難以識別；且沉降顆粒在沉降過程中，會出現(xiàn)消失、聚合以及分散現(xiàn)象。而現(xiàn)有的沉降顆粒追蹤算法都是針對于特定沉降顆粒問題的特定解決方案，不能解決本文所述問題，因此本文根據(jù)沉降顆粒特征，給出基于粒子概率的

2、沉降顆粒識別算法，并根據(jù)沉降顆粒運動特征給出基于Kalman濾波的沉降顆粒跟蹤算法，主要研究內(nèi)容如下：
　　(1)沉降顆粒的特征提取及表示。本文通過觀測顆粒沉降視頻，將沉降顆粒特征從灰度、形態(tài)和運動三方面呈現(xiàn)，根據(jù)沉降顆?；叶鹊淖兓?，沉降顆粒的質(zhì)心、面積以及沉降顆粒在水平、垂直方向上的位移、速度提取沉降顆粒的特征，并給出相應的形式化描述。所提取的沉降顆粒特征能準確描述不同顆粒之間的特征，進而將與背景相似的沉降顆粒從中區(qū)分出來，并能

3、在沉降過程中，跟蹤消失、聚合以及分散的沉降顆粒。
　　(2)給出了基于Haar特征以及粒子概率的沉降顆粒識別算法。該算法分為Haar特征轉換和粒子概率轉換兩步：第一步借助三個Haar特征將灰度值轉換為Haar特征值來增強難以識別的沉降顆粒；第二步，在Haar特征的基礎上，結合沉降顆粒的形態(tài)特征來計算像素點屬于沉降顆粒的概率大小，最后通過概率加權得到顆粒識別結果。Haar特征能夠突顯難以識別的沉降顆粒，但是容易產(chǎn)生更多噪音，而粒子概

4、率則能基于概率，篩除噪音，從而提高識別的準確率。
　　(3)提出了基于灰度變化運動向量的沉降顆粒跟蹤算法。根據(jù)沉降顆粒識別結果，本文結合沉降顆粒特征建立了基于灰度變化的運動向量，通過Kalman濾波來預測顆粒沉降位置，采用匈牙利算法來解決預測沉降顆粒與實際沉降顆粒的匹配問題。并對未能匹配的軌跡或者沉降顆粒，借助沉降顆粒灰度變化趨勢，判斷沉降顆粒的聚合、分散和消失狀態(tài)以修正匹配結果，獲得沉降顆粒軌跡。對沉降顆粒聚合等狀態(tài)的判斷增強了

5、沉降顆粒跟蹤的可靠性。
　　(4)沉降顆粒識別與跟蹤算法的實驗和分析。本文通過實驗，并與其他算法進行對比來驗證本文提出的識別和跟蹤算法的有效性。首先將識別算法與Lei Yang的算法、高斯混合模型識別算法和Ostu閾值分割法進行對比，結果表明，本文算法略差于Lei Yang的算法，但是好于高斯混合模型識別算法和Ostu閾值分割法；之后，將跟蹤算法與一般Kalman濾波算法以及最臨近匹配法進行對比，實驗結果表明，本文方法優(yōu)于以上兩者