学位论文 > 优秀研究生学位论文题录展示

面向视觉传感器网络的目标定位与追踪研究

作　者: 周良毅
导　师: 王智
学　校: 浙江大学
专　业: 控制理论与控制工程
关键词: 目标定位追踪特征融合贝叶斯估计粒子滤波稀疏表示动态模型
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 96次
引　用: 2次
阅　读: 论文下载

内容摘要

在计算机视觉领域中,运动目标的检测和定位追踪一直是研究和应用的热点之一。具体指的是通过图像处理的手段结合预测滤波、统计决策等信号处理方法寻找目标位置,获取目标移动轨迹实现目标定位和追踪。传统中的目标定位追踪算法是基于单一视角的。但是在复杂的追踪场景中存在大量干扰的信息,这些噪声会给目标的检测带来困难。同时单视角对应的视角范围有限,运动目标之间存在遮挡情况,会造成信息不准确、甚至丢失的情况。随着视觉传感器网络的发展,越来越多的目标定位追踪系统先融合多个视角提供的大量冗余信息,再进行目标定位追踪。在基于视觉传感器网络的多视角目标定位追踪系统中仍然存在许多需要解决的问题。包括：在目标移动过程中,目标特征量不稳定、目标的尺寸大小会变化、目标之间存在遮挡的问题等。为了保证目标定位追踪系统准确、高精度、实时地实现目标定位追踪,需要对目标定位和追踪算法进行设计,考虑目标在不同视角的融合方法。本文在这一背景下开展对基于视觉传感器网络的目标定位追踪算法的研究。主要内容如下：1)针对目标追踪中的特征融合问题,提出了一种基于遮挡变量的目标特征融合算法。该算法首次提出用遮挡变量来进行目标之间遮挡情况的描述。利用视觉传感器网络的标定信息和目标信息进行遮挡变量的计算,针对目标在公共平面不同位置的尺寸不同,提出动态阈值的方法进行遮挡变量的判断和更新。结合遮挡变量,提出目标在公共平面的有效融合算法,得到目标在公共平面的融合特征,该融合特征具有较高的鲁棒性。在贝叶斯估计的框架下合理地将目标的遮挡变量和融合特征引入,采用粒子滤波实现基于遮挡变量和融合特征的目标追踪算法。从理论上分析该方法的可行性。并且通过实验验证了提出的目标特征融合算法和追踪算法结果,结果显示能够成功解决目标尺寸变化、特征量不稳定和目标之间的遮挡问题,实现目标的准确追踪。2)针对目标定位中存在的信息交互量大的问题,本文提出了一种基于稀疏性的目标定位算法。采用稀疏性字典表征目标在图像平面中的特征,通过对公共平面进行划分把目标在公共平面的位置转化成稀疏性表示。利用稀疏表示的方法建立目标位置与字典分量之间的对应关系,有效解决了传统利用测向角的目标定位算法中的“鬼影”现象。针对存在的遮挡难题,通过对稀疏字典分量中重叠部分进行量化,消除遮挡引起的错误信息。通过融合多视角提供的信息弥补遮挡造成的信息丢失,把目标定位问题转化成具有稀疏性的优化问题。提出结合稀疏性和颜色的方法实现目标追踪的算法。结合目标的运动特性,提出基于动态模型的方法进行优化问题的求解,实现目标的定位追踪。通过实验验证了提出的基于稀疏性的目标定位追踪算法,结果显示能够成功解决目标之间的遮挡问题,实现目标的定位追踪。

全文目录

致谢  5-6
摘要  6-8
Abstract  8-10
目录  10-12
第一章绪论  12-22
  1.1 课题背景  12-14
  1.2 国内外研究现状  14-19
    1.2.1 视觉传感器网络研究现状  14-15
    1.2.2 目标检测的研究现状  15-16
    1.2.3 基于单视角的目标定位追踪研究现状  16-18
    1.2.4 基于多视角的目标定位追踪研究现状  18-19
    1.2.5 基于多视角的目标定位追踪技术的难点  19
  1.3 本文的研究内容及主要工作  19-21
  1.4 论文组织结构  21-22
第二章面向视觉传感器网络的目标定位追踪  22-34
  2.1 基于视觉传感器网络的目标定位追踪系统  22-23
  2.2 图像预处理模块  23-25
    2.2.1 均值滤波  23-24
    2.2.2 中值滤波  24
    2.2.3 维纳滤波  24-25
    2.2.4 高斯滤波  25
  2.3 目标检测模块  25-29
    2.3.1 背景差法  26
    2.3.2 帧差法  26-28
    2.3.3 光流法  28-29
  2.4 信息融合模块  29
  2.5 目标位置估计模块  29-33
    2.5.1 目标定位模块  29-31
    2.5.2 目标追踪模块  31-33
  2.6 本章小结  33-34
第三章基于遮挡变量的目标特征融合算法  34-46
  3.1 基于多视角的目标追踪场景  34-35
  3.2 目标在图像平面中的位置、大小  35-36
    3.2.1 单应性矩阵  35-36
    3.2.2 针孔成像模型  36
  3.3 遮挡变量  36-40
  3.4 判断遮挡变量的动态阈值  40-42
  3.5 基于遮挡变量的融合目标模型  42-45
    3.5.1 颜色直方图  42
    3.5.2 基于遮挡变量的目标特征融合算法  42-45
  3.6 本章小结  45-46
第四章基于遮挡变量和融合观测模型的粒子滤波追踪算法  46-62
  4.1 在贝叶斯框架下的追踪问题描述  46-49
  4.2 基于遮挡变量和融合观测模型的贝叶斯估计过程  49-50
  4.3 贝叶斯估计的蒙特卡罗实现  50-53
    4.3.1 蒙特卡罗采样  50-51
    4.3.2 重要性采样  51-52
    4.3.3 贯序重要性采样  52-53
    4.3.4 贯序重要性采样算法的退化和重采样  53
  4.4 基于遮挡变量的粒子滤波追踪过程  53-55
  4.5 实验结果及分析  55-60
  4.6 本章小结  60-62
第五章基于稀疏性的目标定位追踪算法  62-90
  5.1 目标定位的问题描述  62-64
  5.2 稀疏性表示  64-71
    5.2.1 目标在公共平面上位置的稀疏表示  64-66
    5.2.2 目标在图像平面中的稀疏表示  66-67
    5.2.3 稀疏字典的获取  67-71
  5.3 基于稀疏性的目标定位问题描述  71-72
  5.4 基于稀疏性和目标颜色特征的目标追踪算法描述  72-73
  5.5 基于动态模型的定位、追踪问题求解  73-76
  5.6 实验结果分析  76-89
    5.6.1 基于稀疏性的目标定位结果  77-85
    5.6.2 基于稀疏性的目标追踪结果  85-88
    5.6.3 基于稀疏性算法的数据交互量  88-89
  5.7 本章小结  89-90
第六章总结与展望  90-94
  6.1 全文总结  90-91
  6.2 研究工作展望  91-94
参考文献  94-98
作者在攻读硕士学位期间参与的科研成果  98

面向视觉传感器网络的目标定位与追踪研究

内容摘要

全文目录

相似论文