近岸海域船只跟踪技术的研究与实现

论文摘要

目标跟踪技术是计算机视觉领域的一个研究热点,在很多领域有非常广泛的应用,例如军事、智能监控系统、智能人机交互系统、运动分析、交通检测、智能摄像头等等。但是在近岸海域环境下的船只跟踪还是一个比较新的课题,本课题首先充分考虑近岸海域的特殊环境状况,根据可能会出现的光照变化、遮挡、有目标干扰等多种复杂情况,对现有的多种目标跟踪算法,从准确性、实时性、鲁棒性三个方面,研究其对于近岸海域船只跟踪的适应性。并力求在准确性、实时性、鲁棒性三者之间追求一个平衡状态,即在提高系统准确性和鲁棒性的同时,尽可能保证系统的实时性的要求。然后,在充分分析实际应用环境和已有算法的基础上,提出了基于CamShift算法和Kalman滤波器融合的跟踪算法。CamShift算法利用区域内的颜色信息对目标进行跟踪,具备良好的实时性,但是没有充分利用目标的宏观运动信息,也即没有利用目标在空间中的运动方向和运动速度信息,在光照变化、有遮挡、有目标干扰等三种情况下,可能出现跟踪错误。基于以上原因,本课题提出了基于CamShift算法和Kalman滤波器融合的跟踪算法,Kalman滤波器能够较为精确的对目标的运动位置、速度和加速度做出预测。将CamShift算法和Kalman滤波器相结合,对目标受到的干扰进行检测,根据目标受到干扰的强弱,使用不同的比例因子将Kalman预测结果与CamShift算法得到的跟踪结果进行线性加权,得到目标的位置。干扰较弱的情况下CamShift算法的跟踪结果占较大比重,强干扰情况下增大Kalman滤波预测结果的比重,从而保证了跟踪效果的稳定性。最后,实现了基于CamShift和Kalman融合的跟踪算法,并将其与CamShift算法进行了比照试验,通过对试验数据的分析,验证了本算法在准确性和鲁棒性方面具有比较明显的优势,同时实时性仍然可以满足系统的需求。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 研究目的与意义
• 1.3 国内外研究现状
• 1.4 本文的主要研究内容及组织结构
• 1.4.1 本文的主要研究内容
• 1.4.2 本论文的组织结构
• 第2章 目标跟踪算法的分类及适应性分析
• 2.1 评价跟踪技术的几大指标
• 2.2 目标跟踪算法的适应性分析
• 2.2.1 基于区域的跟踪算法
• 2.2.2 基于主动轮廓的跟踪算法
• 2.2.3 基于特征的跟踪算法
• 2.2.4 基于运动估计的跟踪算法
• 2.2.5 基于三维模型的跟踪算法
• 2.3 本章小结
• 第3章 近岸海域船只跟踪技术的研究
• 3.1 CamShift 算法实现船只跟踪
• 3.1.1 核密度估计理论
• 3.1.2 MeanShift 算法
• 3.1.3 基于CamShift 算法实现目标跟踪
• 3.2 Kalman 滤波器实现目标位置预测
• 3.2.1 Kalman 滤波器基本原理
• 3.2.2 Kalman 滤波器实现目标位置预测
• 3.3 基于CamShift 和Kalman 融合的跟踪算法
• 3.3.1 基于CamShift 和Kalman 融合的跟踪算法的思想
• 3.3.2 跟踪算法流程
• 3.4 本章小结
• 第4章 近岸海域船只跟踪技术的实现
• 4.1 近岸海域船只跟踪系统组成与结构
• 4.1.1 系统硬件平台
• 4.1.2 软件开发环境
• 4.1.3 系统工作流程
• 4.2 核心系统实现
• 4.2.1 CamShift 算法实现
• 4.2.2 Kalman 滤波器实现
• 4.2.3 基于CamShift 与Kalman 融合的跟踪算法实现
• 4.3 本章小结
• 第5章 近岸海域船只跟踪系统试验
• 5.1 试验方法
• 5.2 试验样本
• 5.3 试验过程
• 5.4 试验数据
• 5.5 试验结果分析
• 5.6 本章小结
• 结论
• 参考文献
• 致谢