發(fā)布時(shí)間：2025-01-05 23:16

　　為提高低信噪比且強(qiáng)噪聲干擾下的弱小目標(biāo)檢測(cè)與跟蹤能力,本文以序列圖像目標(biāo)的運(yùn)動(dòng)關(guān)聯(lián)性為基礎(chǔ),先采用預(yù)處理手段來(lái)抑制背景和增強(qiáng)目標(biāo)信號(hào),接著針對(duì)不同信噪比下的動(dòng)態(tài)場(chǎng)景提出了兩種不同的檢測(cè)算法,最后在檢測(cè)算法的基礎(chǔ)上,為了對(duì)前后多幀的目標(biāo)軌跡進(jìn)行運(yùn)動(dòng)關(guān)聯(lián),提出了改進(jìn)的弱小目標(biāo)跟蹤算法,以解決動(dòng)態(tài)場(chǎng)景下目標(biāo)受到強(qiáng)噪聲干擾的問(wèn)題。主要研究工作如下:(1)背景建模及能量增強(qiáng)方面。首先針對(duì)傳統(tǒng)背景建模在面臨非平穩(wěn)邊緣輪廓區(qū)域時(shí)建模效果不佳,提出了改進(jìn)的各向異性差分濾波的算法,該算法主要通過(guò)對(duì)比目標(biāo)和背景在鄰域內(nèi)八個(gè)方向的梯度差異,從中選取擴(kuò)散函數(shù)值最小的三個(gè)方向的均值對(duì)圖像進(jìn)行濾波,這樣將有效突顯出目標(biāo)和邊緣輪廓區(qū)的差異,從而在差分圖像中很好地保留目標(biāo)信號(hào);緊接著在獲取差分圖基礎(chǔ)上,提出了融合時(shí)空域運(yùn)動(dòng)特性的能量增強(qiáng)算法,該算法充分利用目標(biāo)在時(shí)間和空間域的運(yùn)動(dòng)信息,有效增強(qiáng)了目標(biāo)信號(hào)。實(shí)驗(yàn)表明:2個(gè)場(chǎng)景中不同信噪比的圖像改進(jìn)各向異性背景建模獲取的均方誤差均小于10.2,結(jié)構(gòu)相似性都大于0.951,局部信噪比增益都大于10.6。而融合時(shí)空域運(yùn)動(dòng)特性的能量增強(qiáng)算法獲取的目標(biāo)平均灰度和圖像局部信噪比達(dá)到2...

【文章頁(yè)數(shù)】：156 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究意義及背景
    1.2 檢測(cè)與跟蹤研究現(xiàn)狀
        1.2.1 基于單幀濾波的檢測(cè)跟蹤算法
        1.2.2 基于多幀關(guān)聯(lián)的檢測(cè)跟蹤算法
    1.3 面臨的主要問(wèn)題
    1.4 本文研究?jī)?nèi)容及技術(shù)路線
    1.5 本文組織結(jié)構(gòu)
第二章 高階累積量與粒子濾波理論基礎(chǔ)
    2.1 高階統(tǒng)計(jì)量
        2.1.1 累積量和矩的定義
        2.1.2 累積量和矩的特性
        2.1.3 累積量和矩的關(guān)系
    2.2 粒子濾波原理
        2.2.1 遞推貝葉斯估計(jì)
        2.2.2 蒙特卡羅法
        2.2.3 標(biāo)準(zhǔn)粒子濾波算法
        2.2.4 粒子濾波跟蹤流程
    2.3 小結(jié)
第三章 背景建模及融合時(shí)空運(yùn)動(dòng)特性的能量增強(qiáng)
    3.1 引言
    3.2 經(jīng)典背景建模法
        3.2.1 二維最小均方濾波
        3.2.2 自適應(yīng)Butterworth濾波
        3.2.3 改進(jìn)Top-Hat濾波
        3.2.4 改進(jìn)雙邊濾波
        3.2.5 改進(jìn)梯度倒數(shù)加權(quán)濾波
        3.2.6 各向異性濾波
    3.3 改進(jìn)的背景建模及能量增強(qiáng)
        3.3.1 改進(jìn)的各向異性背景建模
        3.3.2 融合時(shí)空域運(yùn)動(dòng)特性的能量增強(qiáng)算法
    3.4 評(píng)價(jià)指標(biāo)
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 改進(jìn)各向異性參數(shù)分析
        3.5.2 背景建模結(jié)果分析
        3.5.3 能量增強(qiáng)參數(shù)分析
        3.5.4 增強(qiáng)結(jié)果分析
    3.7 小結(jié)
第四章 自適應(yīng)搜索管徑的時(shí)空域?yàn)V波的弱小目標(biāo)檢測(cè)
    4.1 引言
    4.2 尺度空間理論
        4.2.1 理論基礎(chǔ)
        4.2.2 計(jì)算DOG極值點(diǎn)
        4.2.3 候選目標(biāo)精定位
    4.3 自適應(yīng)修改搜索管徑的時(shí)空域?yàn)V波的弱小目標(biāo)檢測(cè)
    4.4 結(jié)果與分析
        4.4.1 DOG檢測(cè)結(jié)果與分析
        4.4.2 檢測(cè)結(jié)果與分析
    4.5 小結(jié)
第五章 基于運(yùn)動(dòng)方向估計(jì)的高階累積量弱小目標(biāo)檢測(cè)
    5.1 引言
    5.2 環(huán)形擾動(dòng)非均勻性校正
        5.2.1 非均勻性成因及模型表述
        5.2.2 兩點(diǎn)校正原理
        5.2.3 環(huán)形擾動(dòng)校正算法
    5.3 基于運(yùn)動(dòng)方向估計(jì)的高階累積量弱小目標(biāo)檢測(cè)
        5.3.1 多幀累加研究
        5.3.2 泊松分布提取候選目標(biāo)點(diǎn)
        5.3.3 高階累積量目標(biāo)檢測(cè)理論
        5.3.4 提出的算法
        5.3.5 算法總結(jié)
    5.4 結(jié)果與分析
        5.4.1 校正參數(shù)分析
        5.4.2 校正結(jié)果分析
        5.4.3 累加結(jié)果分析
        5.4.4 檢測(cè)結(jié)果分析
    5.5 小結(jié)
第六章 改進(jìn)免疫遺傳粒子濾波弱小目標(biāo)跟蹤
    6.1 引言
    6.2 免疫遺傳粒子濾波算法
        6.2.1 基本原理
        6.2.2 算法流程
    6.3 改進(jìn)免疫遺傳粒子濾波跟蹤算法
        6.3.1 存在問(wèn)題及解決辦法
        6.3.2 提取包含空間位置信息的灰度特征
        6.3.3 提取運(yùn)動(dòng)特征
        6.3.4 融合灰度和運(yùn)動(dòng)特征的聯(lián)合觀測(cè)模型
        6.3.5 自適應(yīng)更新參考模型
        6.3.6 KLD自適應(yīng)采樣
        6.3.7 算法總結(jié)
    6.4 實(shí)驗(yàn)結(jié)果與分析
        6.4.1 仿真結(jié)果與分析
        6.4.2 運(yùn)動(dòng)特性結(jié)果與分析
        6.4.3 強(qiáng)噪聲干擾場(chǎng)景
        6.4.4 遮擋場(chǎng)景
        6.4.5 交叉運(yùn)動(dòng)場(chǎng)景
        6.4.6 精度和時(shí)間
    6.5 小結(jié)
第七章 總結(jié)與展望
    7.1 論文總結(jié)
    7.2 論文創(chuàng)新工作
    7.3 不足與展望
致謝
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的成果



本文編號(hào)：4023424