發(fā)布時(shí)間：2020-12-09 10:47

　　目標(biāo)跟蹤是在缺乏目標(biāo)先驗(yàn)信息的情況下,對(duì)連續(xù)時(shí)間內(nèi)的目標(biāo)位置進(jìn)行估計(jì)。針對(duì)一般性目標(biāo)的跟蹤算法近些年來(lái)在準(zhǔn)確性方面取得了顯著進(jìn)步。然而,關(guān)于無(wú)人機(jī)動(dòng)態(tài)場(chǎng)景目標(biāo)跟蹤的文獻(xiàn)還很少。無(wú)人機(jī)跟蹤旨在估計(jì)搭載的相機(jī)捕獲的視頻序列中的航空視角下的目標(biāo)的位置。與一般性跟蹤算法相比,無(wú)人機(jī)跟蹤的主要挑戰(zhàn)集中在快速運(yùn)動(dòng),尺度變化以及長(zhǎng)寬比變化等因素導(dǎo)致的顯著外觀變化。本文利用局部特征點(diǎn)能夠提取圖像局部結(jié)構(gòu)信息的能力,從特征檢測(cè)和目標(biāo)搜索兩個(gè)方面對(duì)無(wú)人機(jī)跟蹤算法進(jìn)行改進(jìn)。傳統(tǒng)的手工設(shè)計(jì)的特征檢測(cè)器往往只適用于特定類型的目標(biāo)（如人臉、行人等）,而不適用于無(wú)人機(jī)航空視角下目標(biāo)外觀顯著變化的情況。為此,本文提出了一種基于稀疏編碼的稀疏特征學(xué)習(xí)算法,來(lái)改善目標(biāo)跟蹤的魯棒性。其基本思想是,對(duì)前幾幀采樣的訓(xùn)練樣本進(jìn)行字典學(xué)習(xí)得到字典,然后對(duì)當(dāng)前幀的測(cè)試樣本進(jìn)行稀疏特征表示。首先對(duì)圖像塊進(jìn)行局部閾值自適應(yīng)FAST特征點(diǎn)檢測(cè),然后以特征點(diǎn)為中心采集圖像塊得到訓(xùn)練樣本。通過(guò)計(jì)算圖像塊的局部梯度方向,對(duì)字典的元素進(jìn)行分組訓(xùn)練,以描述不同圖像塊的局部方向信息。最后,將圖像塊劃分為小方塊,將稀疏特征投影到這些塊中,再構(gòu)造塊的特征... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

無(wú)人機(jī)應(yīng)用場(chǎng)景

而將具有弱響應(yīng)值的特征點(diǎn)濾除。圖像中的每個(gè)圓圈代表一個(gè) FAST 特征點(diǎn)。在圖4-3 的實(shí)驗(yàn)中，兩組圖像“Baboon”和“Fruits”都顯示了 250 個(gè)強(qiáng)特征點(diǎn)。由圖4-3a)可以看出，固定閾值方案主要檢測(cè)眼睛和毛發(fā)處的特征點(diǎn)，而鼻子處產(chǎn)生的特征點(diǎn)很。與之相反的是，基于局部自適應(yīng)閾值的檢測(cè)器可以檢測(cè)出眼睛，毛發(fā)以及鼻子處的特征點(diǎn)，如圖 4-3b)所示。所提出的局部閾值算法具有更好的性能的原因是，自適應(yīng)閾值是根據(jù)待檢測(cè)點(diǎn)的鄰域內(nèi)像素值的分布計(jì)算得到的，而固定閾值在整幅圖像中是全局的，所以固定閾值檢測(cè)器難以檢測(cè)出局部區(qū)域的特征點(diǎn)。在圖4-3c)和圖 4-3d)中，基于局部閾值的檢測(cè)器能夠檢測(cè)出弱光條件下的背景中的特征點(diǎn)，而固定閾值的檢測(cè)器卻忽略了橘子以外的特征點(diǎn)。因此，以上實(shí)驗(yàn)結(jié)果表明，局部自適應(yīng)閾值的 FAST 特征點(diǎn)檢測(cè)器能夠檢測(cè)出遍布整幅圖像的特征點(diǎn)。相比于固定閾值的方案，由于利用了待檢測(cè)點(diǎn)的鄰域內(nèi)像素值的分布，因而具有更好的檢測(cè)性能。a) Baboon (固定閾值) b) Baboon (局部閾值)c) Fruits (固定閾值) d) Fruits (局部閾值)圖 4-3 局部自適應(yīng)閾值的 FAST 與固定閾值的 FAST 對(duì)比結(jié)果


本文編號(hào)：2906750