基于图像时空梯度的运动目标检测技术研究

论文摘要

本论文致力于研究序列图像中的运动目标检测技术，涉及到的相关技术主要有：运动估计技术；目标检测技术；虚警信号抑制技术；图像滤波技术等。论文对多项核心技术有深入的研究。由于对不同的应用而言，成像系统获得的图像差异极大，尝试找到一种广泛适用的目标检测技术或算法，在目前理论水平以及工程技术条件下，是很困难的。所以，论文按目标、背景与噪声特性，分为多种情况进行研究，目标特性包括大、小目标；背景特性分为静止与运动背景；噪声特性涵盖简单噪声(主要是指高斯白噪声)与复杂噪声。在大目标检测技术中，论文主要策略是分析图像运动场，对背景运动进行估计、补偿，通过时域差分得到运动目标。针对复杂全域运动的三种基本形式(平移、旋转、缩放)，引入了相应的四参数模型。论文研究了基于关联域的运动估计技术，以及基于光流方程的运动估计技术。在基于关联域的运动估计技术中，提出了梯度关联域。在基于光流方程的运动估计领域，分析了传统光流方程适用条件，并针对光流方程的空域、时域梯度要求，提出了一种改进光流方程算法。论文将改进光流方程算法应用于车辆测速，提出了一种基于单一摄像机的城市道路车辆测速系统。在微小运动目标检测技术中，论文对固定摄像机和运动摄像机采集的图像序列采用不同的检测策略。对静止背景中的微小目标采用背景杂波估计与抑制，和基于图像灰度的空时联合目标检测技术；对运动背景中的微小目标采用运动估计，和基于运动场的时域集成检测技术。对于静止背景，论文提出了两种基于梯度场的自适应杂波估计技术：一种采用邻域梯度差平方累积函数最小准则，另一种采用梯度最大相关准则。研究表明，两种技术在微小目标检测中，明显改善了目标与背景的对比度，简化了残差图像的灰度分布。然后对残差图像进行非线性集成，引入目标轨迹约束，极大地增强目标的能量累积，同时，利用慢速目标的重叠特性，显著改善系统的检测性能。对于运动背景，论文主要研究复杂噪声干扰下的微小目标检测，提出了两种自适应复杂噪声滤波技术。研究表明，两种技术性能优良，适合处理复杂噪声。抑制复杂噪声干扰后，论文采用运动估计技术检测微小目标。提出了两种运动场时域集成检测技术：一种是运动场分量聚类的检测技术；另一种是运动场轨迹跟踪检测技术。研究表明，在两种检测技术中，只要目标与背景运动矢量间有一定差异即可完成检测，对运动矢量自身估计精度的要求不高，该特点增强了论文所提技术的可靠性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 相关技术及其研究动态
• 1.2.1 运动估计技术
• 1.2.2 目标检测技术
• 1.2.3 虚警信号抑制技术
• 1.2.4 图像滤波技术
• 1.3 主要工作与研究成果
• 1.4 论文安排
• 第二章 运动场光流分析技术
• 2.1 光流方程及其传统求解技术
• 2.1.1 Lucas-Kanade算法
• 2.1.2 Uras&Barron算法
• 2.2 光流方程适用条件
• 2.2.1 光流方程的运动限制
• 2.2.2 光流方程的梯度限制
• 2.3 改进光流方程
• 2.3.1 高速运动的改进
• 2.3.2 空域梯度的改进
• 2.3.3 改进光流方程算法
• 2.4 改进光流方程算法试验仿真
• 2.5 本章小结
• 第三章 复杂全域运动分析技术
• 3.1 摄像机二维透视投影模型
• 3.2 二维运动场的参数模型
• 3.2.1 缩放运动参数方程
• 3.2.2 旋转运动参数方程
• 3.2.3 平移运动参数方程
• 3.2.4 复杂运动参数方程
• 3.3 基于关联域的复杂全域运动估计技术
• 3.3.1 关联域匹配法
• 3.3.2 复杂全域运动参数
• 3.4 基于光流方程的复杂全域运动估计技术
• 3.4.1 基于逼近的改进光流方程算法
• 3.4.2 基于LS的改进光流方程算法
• 3.4.3 全域运动参数的获取
• 3.5 仿真试验
• 3.5.1 基于关联域的运动估计算法
• 3.5.2 基于光流方程的运动估计算法
• 3.6 本章小结
• 第四章 基于摄像机的车辆测速仪
• 4.1 基于摄像机的车辆测速仪模型
• 4.2 图像空间与现实空间距离映射
• 4.2.1 立体视觉测距技术
• 4.2.2 基于车道线的空间距离估计算法
• 4.3 基于单摄像机的车辆测速仪
• 4.4 车辆检测及测速系统性能分析
• 4.5 实验结果
• 4.6 本章小结
• 第五章 自适应杂波估计技术
• 5.1 自适应杂波估计算法基本框架
• 5.2 杂波估计性能检验与评价方法
• 5.2.1 基于微小目标的信杂比定义
• 5.2.2 局域信杂比增益定义
• 5.2.3 残差图像的正态性检验
• 5.2.4 残差图像的相关函数检验
• 5.3 基于邻域梯度平方累积函数最小原则的杂波估计
• 5.3.1 像素空域梯度邻域误差平方累积函数分析
• 5.3.2 基于梯度MCSE的自适应杂波估计算法
• 5.4 基于邻域梯度相关性的背景杂波估计
• 5.4.1 图像杂波空域梯度归一化协方差函数分析
• 5.4.2 基于梯度MNCF的自适应杂波估计算法
• 5.5 仿真试验与性能评价
• 5.5.1 基于邻域梯度MCSE杂波估计性能
• 5.5.2 基于邻域梯度相关性的背景杂波估计
• 5.6 本章小结
• 第六章 固定背景微小目标检测技术
• 6.1 传统微小目标检测技术
• 6.1.1 单帧检测算法
• 6.1.2 多帧检测算法
• 6.2 空时联合集成检测算法及其性能分析
• 6.2.1 时域集成系统性能分析
• 6.2.2 轨迹约束集成系统及其性能分析
• 6.3 仿真试验
• 6.3.1 基于梯度MCSE的空时联合域检测系统性能分析
• 6.3.2 基于梯度MNCF的时空联合域检测系统性能分析
• 6.4 本章小结
• 第七章 自适应复杂噪声滤波技术
• 7.1 图像中主要噪声的概率密度函数
• 7.1.1 高斯噪声
• 7.1.2 约翰逊噪声
• 7.1.3 椒盐（脉冲）噪声
• 7.1.4 瑞利噪声
• 7.1.5 伽马（爱尔兰）噪声
• 7.1.6 指数分布噪声
• 7.1.7 均匀分布噪声
• 7.1.8 散粒噪声
• 7.1.9 产生─复合噪声
• 7.1.10 光子噪声
• 7.1.11 1/f噪声
• 7.1.12 复杂噪声
• 7.2 噪声抑制性能检验与评价方法
• 7.3 基于区域分割的复杂噪声滤波技术
• 7.3.1 复杂噪声对梯度CSE的影响
• 7.3.2 图像背景广义平稳区域分割
• 7.3.3 基于梯度MCSE的自适应滤波算法
• 7.4 基于梯度MNCF的复杂噪声滤波技术
• 7.4.1 复杂噪声对图像梯度NCF的影响
• 7.4.2 基于梯度MNCF的自适应滤波算法
• 7.5 仿真试验与性能评价
• 7.6 本章小结
• 第八章 运动背景微小目标检测技术
• 8.1 基于运动场特征矢量集的微小目标检测算法
• 8.2 基于运动场时域集成的微小目标检测算法
• 8.2.1 疑似目标运动场检测
• 8.2.2 目标运动场的集成检测
• 8.3 运动场时域集成及性能分析
• 8.4 仿真试验
• 8.4.1 基于轨迹跟踪的集成检测仿真
• 8.4.2 基于聚类的集成检测仿真
• 8.5 本章小结
• 全文总结
• 致谢
• 参考文献
• 攻博期间取得的研究成果
• 攻博期间参与的研究项目