基于交叉耦合控制的复杂场景下.docx

基于交叉耦合控制的复杂场景下.docx

《基于交叉耦合控制的复杂场景下.docx》由会员分享，可在线阅读，更多相关《基于交叉耦合控制的复杂场景下.docx（66页珍藏版）》请在冰豆网上搜索。

基于交叉耦合控制的复杂场景下

论文题目基于交叉耦合控制的复杂场景下

运动目标跟踪算法研究

学科专业检测技术与自动化装置

学号201021070416

作者姓名张荣华

指导教师陈勇副教授

分类号密级

UDC注1

学位论文

基于交叉耦合控制的复杂场景下运动目标跟踪算法研究

（题名和副题名）

张荣华

（作者姓名）

指导教师陈勇副教授

电子科技大学成都

（姓名、职称、单位名称）

申请学位级别硕士学科专业检测技术与自动化装置

提交论文日期论文答辩日期

学位授予单位和日期电子科技大学年月日

答辩委员会主席

评阅人

注1：

注明《国际十进分类法UDC》的类号。

RESEARCHONMOVINGTARGETTRACKINGALGORITHMBASEDONTHECROSS-COUPLEDCONTROLOFCOMPLEXSCENES

AMasterThesisSubmittedto

UniversityofElectronicScienceandTechnologyofChina

Major:

DetectionTechnologyandAutomaticEngineering

Author:

ZhangRonghua

Advisor:

AssociateProfessorChenYong

School:

SchoolofEnergyScienceandEngineering

独创性声明

本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。

据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。

与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。

作者签名：

日期：

年月日

论文使用授权

本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。

本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。

（保密的学位论文在解密后应遵守此规定）

作者签名：

导师签名：

日期：

年月日

摘要

运动目标检测与跟踪作为人工智能领域一个重要的研究方向，在过去十年得到了足够的关注以及非常广泛的应用，比如智能视频监控技术、武器的精确制导技术等。

上述研究和应用是基于静止摄像机的情况，对于移动摄像机下的目标检测，由于摄像机的运动引起背景变化增加了检测与跟踪的复杂度，使其成为一个难点。

在众多实际应用中，摄像机都是处于运动状态，因此移动背景下的目标检测与跟踪就显得非常重要。

本文对移动背景下的目标检测算法进行了研究，重点研究了基于特征点的检测算法和基于图像匹配和耦合的检测算法，并将检测算法与跟踪滤波器结合进行了性能的对比，将最优算法进行进一步的验证。

本论文主要包括了以下几部分的工作：

（1）本文从特征点出发进行移动背景下的目标检测，首先比较几种常见的特征点提取算法，随后确定最优算法提取移动背景下的视频序列的特征点。

在此基础上利用K-Means聚类实现特征点的分类，完成了移动背景下的目标检测工作。

（2）将视频序列两帧之间的特征点进行精确匹配，随后计算特征点之间的运动向量，并对于运动向量进行统计建立运动向量直方图，在此基础上实现了移动背景下的目标检测。

（3）根据视频序列精确匹配的特征点对并结合反射参数模型求取摄像机的运动参数，利用运动参数截取子区域图像完成帧间匹配工作；同时为了充分利用帧间的相关性和提高检测算法的性能，将耦合思想融入其中实现了基于图像匹配和耦合的移动背景下目标检测。

（4）为了验证本文所研究的检测算法，将粒子滤波器与其相结合，实现了移动背景下的目标跟踪；为了增强跟踪的鲁棒性，将运动区域直方图与区域特征点结合生成多特征状态向量。

为了验证本文所研究的检测算法的有效性，将算法在网络下载的战斗机数据集以及UCSD的landing数据集上进行了测试，其中基于图像匹配和耦合的运动目标检测算法能够更完整提取运动目标区域，实验结果很好的论证了本文所研究的检测算法的可行性和鲁棒性。

关键词：

移动背景、SURF、运动向量直方图、耦合、K-Means聚类

ABSTRACT

Targetdetectionandtrackingisanimportantpartofartificialintelligence.Ithasbeenbroadlyresearchedandhasmadeawiderangeofapplicationsinallaspectsoflife,suchasintelligentvideosurveillancetechnologyandprecisionguidedweapon.Allofthemarebasedonstaticcamera,motiondetectionindynamicvideoscenesisinherentlydifficult,asthemovingcamerainduces2Dmotionforeachpixel,butthecamerasareinthestateofmovinginmanyapplications,sotheresearchofmotiondetectionindynamicvideoscenesisofgreatimportance.

Thispaperfocusonthetechnologyoftargetdetectionandtracking,especiallyforthetargetinmovingbackgroundandthetargetdetectionalgorithmswhicharebaseonfeaturepointsandimagematchingandcouplingarein-depthstudied.Andthenthetargetdetectionalgorithmscombinewithtrackingfilter,theoptimalwillbefurtherverified.Thispaperfocusonthefollowingworks:

（1）Targetdetectionisbasedonfeaturepoints.First,thecommonfeaturepointisstudied,thentheoptimalfeaturepointisusedtoextractthefeatureofthevideoindynamicbackground.AndthefeaturesareclassifiedbyK-Meansclustering,fromthatwecanobtainthetargetdetection.

（2）Throughmatchingthefeaturepointsbetweentwoframeswecangetseveralpairsofcorrespondingpoints,themotionvectorscanbeobtainedthroughsubbingthelocationofthecorrespondingpoints,atlastbycountingupthemotionvectorswecangetthemotionvectorhistogram,inturnwecangettheresultofthetargetdetection.

（3）Thematchingpointbetweentwoframesareusedtosolvetheparametersofcamera,thentheparametersareusedtocropthesub-regionimagewhichisusedtomatchingsearchinfollow-upframes.Atthesametime,inordertoimprovetheperformanceofdetectionalgorithm,weintegratethethinkingofcouplingwithobjectdetection,atlastwecanachieveobjectdetectionbyimagematchingandcoupling.

（4）Inordertoverifyseveralstudieddetectionalgorithms,wecombineparticlefilterwiththemtoachievethetrackingresult.Atthesametime,wecanimprovetheperformanceofthetrackingalgorithmbyintegratethefeaturepointswithstatevector.Inordertoevaluatethevalidityofouralgorithms,themaretestedindatasetswhicharedownloadedfrominternetandthelandingdatasetoftheUCSDlaboratory.Amongthealgorithms,thealgorithmofimagematchingandcouplingcangetaccurateregionsoftarget.Andalsothepromisingresultsondatasetsdemonstratetheeffectivenessandrobustnessofourmethods.

Keywords:

movingbackground,SURF,motionvectorhistogram,coupling,K-Meansclustering

目录

第一章绪论1

1.1课题背景及研究意义1

1.2国内外目标检测研究现状2

1.2.1静态背景下的目标检测3

1.2.2移动背景下目标检测方法4

1.3目标跟踪技术研究现状7

1.4本文研究难点8

1.5本文主要内容以及结构安排8

1.5.1本文主要内容8

1.5.2本论文的结构安排10

第二章移动背景下运动目标跟踪方法12

2.1引言12

2.2基于角点的检测与跟踪13

2.2.1几种角点介绍13

2.2.2基于角点的跟踪15

2.3基于尺度不变换特征的跟踪17

2.3.1SIF