| 【中文题名】 | 空间环境目标检测与跟踪算法研究 |
| 【英文题名】 | Research on Space Object Detection and Tracking Algorithm |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 运动目标检测,小目标,中值滤波,SSDA,光流,动态规划 |
| 【英关键词】 | moving object detection,small object,mean filtering method,SSDA,optical flow,dynamic programming, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>集中检测与巡回检测系统 |
| 【论文摘要】 |
随着现代科技的迅猛发展，对于空间目标(如卫星、飞船、空间碎片、宇宙星体等)的研究，包括空间目标识别、轨道确定以及位置速度估计等变得越来越重要，是空间攻防的必不可少的环节。
本文主要以空间目标识别和跟踪为背景展开研究，针对远距离发现目标的需要研究了小目标识别与跟踪中的基于动态规划的小目标检测算法；针对中远距离发现目标需要研究了目标检测算法中的基于帧差分算法的目标提取技术和光流算法；针对目标类型的判别研究了图像匹配与跟踪算法中的经典匹配算法和SSDA匹配算法。分析和比较了算法的优缺点，提出了均值滤波、光流算法和SSDA匹配算法的改进算法。
大量的程序仿真和平台实验说明本文采用的图像预处理算法和目标识别算法可以实现远距离发现目标、捕捉锁定运动目标及自动判别目标的目的，为智能视觉平台的实现打下了很好的理论基础。 |
| 【论文题纲】 |
|
摘要 |
6-7 |
|
ABSTRACT |
7-11 |
|
第1章 绪论 |
11-18 |
|
1.1 课题研究背景及意义 |
11-14 |
|
1.2 目标识别与跟踪算法研究现状 |
14-16 |
|
1.2.1 小目标识别方法 |
14-15 |
|
1.2.2 运动对象的检测与跟踪方法 |
15-16 |
|
1.3 本文研究内容及安排 |
16-18 |
|
第2章 小目标的识别与跟踪 |
18-32 |
|
2.1 小目标识别的概况 |
18-19 |
|
2.2 小目标检测与跟踪的典型应用 |
19-20 |
|
2.3 小目标检测算法回顾 |
20 |
|
2.4 图像序列预处理 |
20-25 |
|
2.4.1 点目标的增强与背景抑制 |
20-21 |
|
2.4.2 基于多通道方式的点目标识别预处理算法 |
21-25 |
|
2.5 基于多级假设的点目标检测算法 |
25-26 |
|
2.6 基于动态规划的点目标检测算法 |
26-30 |
|
2.6.1 动态规划法点目标检测步骤 |
27-29 |
|
2.6.2 实验结果及分析 |
29-30 |
|
2.7 本章小结 |
30-32 |
|
第3章 目标检测算法 |
32-59 |
|
3.1 图像预处理算法 |
32-39 |
|
3.1.1 频域中的平滑滤波 |
33 |
|
3.1.2 均值滤波法 |
33-35 |
|
3.1.3 中值滤波法 |
35-39 |
|
3.2 基于帧差分算法的目标提取技术 |
39-43 |
|
3.2.1 差分算法的基本原理 |
39-41 |
|
3.2.2 差分算法的具体实现 |
41 |
|
3.2.3 试验结果及分析 |
41-43 |
|
3.3 光流算法 |
43-58 |
|
3.3.1 光流的约束方程 |
45-47 |
|
3.3.2 基于一阶梯度的光流方法 |
47-51 |
|
3.3.3 四像素点共同约束估计光流场 |
51-54 |
|
3.3.4 多分辨率光流场计算 |
54-57 |
|
3.3.5 实验结果分析 |
57-58 |
|
3.4 本章小结 |
58-59 |
|
第4章 目标图像的匹配与跟踪 |
59-71 |
|
4.1 目标的识别与跟踪 |
59-60 |
|
4.2 模板匹配方法 |
60-61 |
|
4.3 经典 SSDA算法 |
61-62 |
|
4.4 SSDA算法的改进 |
62-66 |
|
4.4.1 特征点匹配 SSDA |
62-63 |
|
4.4.2 多分辨率匹配 SSDA |
63-65 |
|
4.4.3 提高 SSDA模板特征点的优先权，改善匹配效率 |
65-66 |
|
4.4.4 变化阈值 SSDA |
66 |
|
4.5 SSDA匹配算法单模板验证结果与分析 |
66-68 |
|
4.6 模板的预测和更新 |
68-70 |
|
4.6.1 相关置信度 MCD(Maximum Close Distance) |
69-70 |
|
4.6.2 基于 MCD距离的自适应模板更新策略 |
70 |
|
4.8 本章小结 |
70-71 |
|
第5章 视觉平台建立及算法验证 |
71-86 |
|
5.1 硬件平台组成 |
71-72 |
|
5.2 云台及采集卡的开发和使用 |
72-77 |
|
5.2.1 云台控制命令 |
72-75 |
|
5.2.2 视频采集卡性能与使用 |
75-77 |
|
5.3 软件算法说明 |
77-79 |
|
5.4 实验结果 |
79-84 |
|
5.4.1 单模板 SSDA匹配效果 |
79-81 |
|
5.4.2 多模板 SSDA目标判断 |
81-84 |
|
5.5 本章小结 |
84-86 |
|
结论 |
86-87 |
|
参考文献 |
87-93 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
93-94 |
|
致谢 |
94 |
|
| 【DOI】 | LunWen.ID:2.2008.384849 |
