学位论文 > 优秀研究生学位论文题录展示

基于图像序列水上运动船舶识别跟踪技术研究

作　者: 朱城和
导　师: 许伦辉
学　校: 江西理工大学
专　业: 控制工程
关键词: 目标检测区间灰度模型目标跟踪粒子滤波
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 23次
引　用: 0次
阅　读: 论文下载

内容摘要

视频图像目标识别跟踪是计算机视觉的核心技术之一，广泛应用在许多智能控制行业。而水上运动船舶检测、识别与跟踪技术在海上安防、管理、调度等方面有着重要的用途。实现水上运动船舶的自动检测、识别和跟踪对于统计水面船舶信息、防止船舶相碰具有重要意义。本文主要研究水上运动船舶识别与跟踪技术。首先概述了水上运动目标检测和跟踪的研究现状；对目前图像预处理技术进行了简要的概述；采用了基于灰度区间分布模型的目标检测方法；利用HU不变特征矩作为图像的特征提取方法，选择SVM分类器达到识别效果；采用均值偏移以及粒子滤波跟踪算法实现对运动船舶的跟踪，并验证了方法的有效性。本文的主要研究工作内容包括以下几点：1.在深入研究了现有的视觉区间模型后，本文采用了一种基于灰度区间模型方法来检测图像序列中的船舶目标。利用背景更新方法抽取背景，通过阈值分割和背景扰动去除、形态学去噪等图像处理后快速提取出显著感兴趣的运动目标，为船舶目标的识别提供了良好的基础。2.在目标检测的基础上，本文深入研究了模式识别中诸如形状等目标特征。然后在模板匹配达不到理想情况下，采用不变矩提取目标的形状特征信息，归一化后组成模板信息库并训练目标模板特征。最终将待识别船舶目标特征输入SVM中，快速输出船舶目标类型，从而实现对船舶精确识别。3.对MeanShift方法和粒子滤波方法进行了深入的研究，并将其应用于水上船舶跟踪系统中。针对传统的卡尔曼滤波等在复杂场景中无法有效的跟踪运动目标，采用MeanShift方法和粒子滤波方法实现了遮挡情况下的船舶目标跟踪，并分析了两种方法在跟踪误差、处理时间等方面的优势。这样在达到相对效果的同时，提高船舶跟踪的实时性和鲁棒性。

全文目录

摘要  4-5
Abstract  5-9
第一章绪论  9-12
  1.1 研究背景及意义  9
  1.2 国内外研究现状  9-10
  1.3 本论文主要研究的内容和工作难题  10-11
  1.4 论文安排结构  11-12
第二章数字图像基础及预处理方法  12-24
  2.1 引言  12
  2.2 数字图像的基本概念  12-14
  2.3 几种常用增强图像的方法  14-19
    2.3.1 灰度变换处理方法  14-16
    2.3.2 直方均衡化处理方法  16-17
    2.3.3 邻域均值滤波处理方法  17
    2.3.4 自适应加权中值滤波处理方法  17-18
    2.3.5 滤波结果分析与比较  18-19
  2.4 图像分割和轮廓跟踪处理  19-23
    2.4.1 图像阈值分割算法  19-20
    2.4.2 自适应阈值分割法  20-21
    2.4.3 轮廓提取和轮廓跟踪  21-23
  2.5 本章小结  23-24
第三章运动船舶目标的检测  24-31
  3.1 引言  24
  3.2 基于区间灰度分布模型的目标检测  24-27
    3.2.1 灰度区间模型  24-25
    3.2.2 背景模型更新策略  25-26
    3.2.3 图像序列中前景判断  26-27
  3.3 船舶目标检测流程  27
  3.4 运动船舶检测后处理  27-29
    3.4.1 形态学降噪处理  27-28
    3.4.2 图像背景扰动消除  28-29
  3.5 船舶检测鲁棒性分析  29-30
  3.6 本章小结  30-31
第四章运动船舶目标的识别  31-46
  4.1 模式识别基础概述  31
  4.2 模式识别方法探讨  31-33
    4.2.1 模板匹配识别  31
    4.2.2 统计模式识别  31-32
    4.2.3 句法模式识别  32
    4.2.4 神经元网络模式识别  32-33
  4.3 基于模板匹配的船舶识别  33-35
    4.3.1 模板匹配算法描述  33-34
    4.3.2 模板匹配识别结果分析  34-35
  4.4 基于不变矩的船舶特征提取  35-40
    4.4.1 不变矩的基本理论  35-37
    4.4.2 HU不变矩特征量  37-39
    4.4.3 HU不变矩的归一化  39-40
  4.5 SVM在船舶识别中的应用  40-44
    4.5.1 SVM的相关理论  40-43
    4.5.2 SVM分类识别流程  43-44
  4.6 船舶识别结果与分析  44-45
  4.7 本章小结  45-46
第五章运动船舶目标的跟踪  46-61
  5.1 引言  46
  5.2 现有的运动目标跟踪方法  46-47
    5.2.1 基于特征的跟踪  46
    5.2.2 基于区域的跟踪  46-47
    5.2.3 基于轮廓的跟踪  47
    5.2.4 基于卡尔曼滤波的跟踪  47
  5.3 MeanShift算法在船舶跟踪中的应用  47-51
    5.3.1 MeanShift算法原理  47-49
    5.3.2 MeanShift算法流程及仿真  49-50
    5.3.3 均值偏移跟踪船舶实验效果  50-51
  5.4 粒子滤波算法在船舶跟踪中的应用  51-55
    5.4.1 粒子滤波器基本原理  51-53
    5.4.2 粒子滤波算法流程及仿真  53-55
    5.4.3 粒子滤波跟踪船舶实验效果  55
  5.5 两种算法对遮挡问题的处理  55-58
  5.6 误差和实时性分析  58-60
  5.7 本章小结  60-61
第六章总结与展望  61-63
  6.1 研究结论  61-62
  6.2 研究展望  62-63
参考文献  63-65
致谢  65-66
个人简历、在学期间发表的学术论文与研究成果  66

基于图像序列水上运动船舶识别跟踪技术研究

内容摘要

全文目录

相似论文