论文题目: 动态场景下多运动目标检测及跟踪方法研究
论文类型: 博士论文
论文专业: 模式识别与智能系统
作者: 曾鹏鑫
导师: 徐心和
关键词: 动态图像分析,运动目标检测,目标跟踪,运动模型,图像分割,特征提取,主动轮廓线模型,分形特征,图像增强
文献来源: 东北大学
发表年度: 2005
论文摘要: 动态图像分析是图像处理与计算机视觉领域一个十分活跃的分支和备受关注的前沿课题，它融合了计算机科学、机器视觉、图像工程、模式识别、人工智能等先进技术，对它的研究已经受到国内外学者的普遍关注。动态图像分析的基本任务是从图像序列中检测出运动信息，构建目标运动的动态模型，识别与跟踪运动目标。 运动目标检测、建模和跟踪技术的复杂性，以及当前视频技术发展水平的限制，使得动态图像分析在理论和实现上仍存在着很多难题。固内外大批学者对该领域进行了深入的研究和探索，并取得了大量成果。本文在这些成果的基础上，对动态图像分析中运动目标检测、动态建模、实时跟踪等关键技术进行了深入研究。主要贡献概括如下： 首先，对图像预处理技术进行了研究，提出一种基于小波变换的图像增强算法。该算法结合小波变换中相关系数理论区分小波域中由细节及噪声产生的高频系数，对由细节产生的信息进行增强，对噪声进行抑制。解决了通常算法中增强细节信号的同时也放大了噪声这个问题。 其次，对动态场景下运动目标检测技术进行了研究，结合目标运动、边缘、区域特征，提出一种动态场景下多运动目标检测新方法。该方法融合基于帧间图像差值的运动分割技术及区域生长法获得各运动目标的初始轮廓，再利用主动轮廓线模型进行优化，从而得到各运动目标的最优轮廓。在检测环节中做了以下三方面工作：提出逆分水岭算法对图像三帧差结果进行空间聚类，从而计算出场景中运动目标数目及位置；结合目标运动信息，提出一致性判别准则；提出自适应阈值计算方法。 然后，对目标特征提取技术进行了研究，提取目标的几何特征、运动特征、不变矩特征及分形特征。前三类特征用于作为目标跟踪中的同一目标匹配的依据；分形特征用于剔除检测到的自然物体。 最后，对基于目标运动模型的滤波器跟踪方法进行了研究，构造一种融合了滤波器的目标运动模型，并开发了相应的跟踪算法。该算法提取已检测出的目标轮廓上的角点作为训练样本，采用神经网络构造目标运动模型，将此模型预测结果作为主动轮廓线的初始控制点，以检测目标准确轮廓，同时将量测误
论文目录:
独创性声明
摘要
Abstract
第一章 绪论
1.1 引言
1.2 研究现状
1.2.1 检测常用技术
1.2.1.1 基于区域的分割技术
1.2.1.2 基于边缘的分割技术
1.2.1.3 基于特定理论的图像分割技术
1.2.1.4 基于序列图像中运动信息的检测技术
1.2.2 跟踪常用技术
1.2.2.1 波门跟踪
1.2.2.2 相关跟踪
1.2.2.3 基于目标运动模型的滤波器跟踪
1.2.3 目标检测和跟踪所面临的问题
1.2.3.1 影响运动目标检测和跟踪性能的因素
1.2.3.2 运动目标特征选取的难点
1.2.3.3 运动目标跟踪实时性要求
1.3 本文主要工作
1.3.1 论文的研究背景
1.3.2 论文的研究主线
1.3.3 论文的结构
1.3.4 论文的主要工作
第二章 相关理论基础
2.1 小波变换
2.1.1 小波变换的基本概念
2.1.2 连续小波
2.1.3 二进小波
2.1.4 离散小波变换的设计
2.2 主动轮廓线模型
2.2.1 能量模型的定义
2.2.2 基于变分法的能量极小法算法
2.2.3 基于动态规划的求解算法
2.3 分形与分形维数
2.3.1 分形的基本概念
2.3.2 分形维数
2.4 神经网络
2.4.1 BP神经网络的结构
2.4.2 BP神经网络的算法
2.5 小结
第三章 图像预处理
3.1 引言
3.2 图像去噪、增强技术概述
3.2.1 图像去噪
3.2.1.1 基于中值滤波的方法
3.2.1.2 基于维纳滤波的方法
3.2.1.3 基于神经网络的方法
3.2.1.4 基于数学形态学的方法
3.2.1.5 基于模糊技术的方法
3.2.1.6 基于小波分析的方法
3.2.2 图像增强
3.2.2.1 点运算
3.2.2.2 空间运算
3.2.2.3 变换域运算
3.3 基于小波变换的自适应图像增强算法研究
3.3.1 基于小波变换的图像增强技术
3.3.1.1 单阈值技术
3.3.1.2 双阈值技术
3.3.2 问题描述
3.3.3 基本原理
3.3.4 图像去噪
3.3.5 图像增强
3.3.6 图像增强效果评价参数
3.3.7 实验结果及分析
3.3.7.1 ‘Circuit’实验
3.3.7.2 X线胸片实验
3.4 小结
第四章 运动目标检测技术研究
4.1 引言
4.2 运动目标检测技术概述
4.2.1 分割的步骤及方法
4.2.1.1 预处理
4.2.1.2 特征提取
4.2.1.3 决策
4.2.2 常用检测方法的优缺点
4.2.2.1 基于颜色的方法
4.2.2.2 基于边缘的方法
4.2.2.3 光流法
4.2.2.4 图像差法
4.2.2.5 主动轮廓线
4.2.2.6 混合算法
4.3 新算法原理
4.4 目标初始轮廓的提取
4.4.1 三帧图像差法
4.4.2 运动基点的获得
4.4.2.1 分水岭算法
4.4.2.2 具体算法
4.4.3 区域生长法
4.4.4 区域生长法中种子的投放准则
4.4.5 一致性判别准则
4.4.6 新种子点的生成
4.4.7 区域合并
4.5 结果优化
4.5.1 Snake算法的设计与实现
4.5.2 记忆模板更新
4.6 实验结果及分析
4.6.1 场景1
4.6.2 场景2
4.6.3 场景3
4.6.4 检测准确率及耗时分析
4.7 小结
第五章 特征提取
5.1 引言
5.2 特征提取与选择
5.2.1 特征提取与选择的步骤
5.2.1.1 特征的形成
5.2.1.2 特征的提取
5.2.1.3 特征选择
5.3 目标多种特征的分析与描述
5.3.1 不变矩特征
5.3.1.1 原点矩和中心矩
5.3.1.2 标准化中心矩
5.3.2 几何特征
5.3.3 运动特征
5.3.4 分形特征
5.3.4.1 问题描述
5.3.4.2 Mandelbrot求曲线分形维数方法原理
5.3.4.3 Peleg算法计算原理
5.3.5 实验结果及分析
5.4 小结
第六章 基于目标运动模型的跟踪方法
6.1 引言
6.2 机动目标模型综述
6.2.1 CV和CA模型
6.2.2 时间相关模型(Singer模型)
6.2.3 半马尔可夫模型
6.2.4 Noval统计模型
6.2.5 机动目标当前统计模型
6.2.6 机动目标的坐标转弯模型
6.2.7 高度机动目标的Jerk模型
6.2.8 交互式多模型
6.3 基于目标运动模型的滤波器跟踪所面临的问题
6.3.1 目标实际运动规律
6.3.2 目标形心轨迹的确定
6.3.3 目标运动过程真实形变的计算
6.3.4 检测结果的非继承性
6.4 基于目标运动模型的跟踪方法
6.4.1 问题描述
6.4.2 目标运动模型建立
6.4.2.1 角点检测
6.4.2.2 仿射变换
6.4.2.3 常用的相似性度量标准
6.4.2.4 多重相关判据
6.4.2.5 缩放因子s求取
6.4.2.6 旋转角度a求取
6.4.2.7 特征点配准
6.4.2.8 删除误匹配点对
6.4.2.9 神经网络构造运动模型
6.4.3 模型预测误差
6.4.3.1 目标真实轮廓检测
6.4.3.2 模型误差修正
6.4.4 实验结果及分析
6.5 小结
第七章 总结与展望
7.1 工作总结
7.2 未来工作展望
参考文献
攻读博士学位期间已发表的学术论文、参加完成的科研工作
已发表的学术论文
参加的科研项目
致谢
作者简介
发布时间: 2006-10-25
标签：动态图像分析论文; 运动目标检测论文; 目标跟踪论文; 运动模型论文; 图像分割论文; 特征提取论文; 主动轮廓线模型论文; 分形特征论文; 图像增强论文;