基于智能学习的多传感器目标识别与跟踪系统研究

论文摘要

视频目标识别与跟踪是一个具有挑战性的课题,多传感器协同探测技术在目标识别与跟踪领域受到越来越广泛的关注,单传感器提供的信息具有局限性,而多传感器协同能够综合利用各传感器的信息。本文研究红外与可见光传感器协同的目标识别与跟踪系统,充分利用红外与可见光传感器的互补信息和冗余信息,实现对感兴趣目标持续、精确和鲁棒的识别与跟踪,具有重要的理论意义和实际的应用价值。本文在理论研究的基础上,针对传统可见光单传感器进行目标识别与跟踪,在有干扰的环境下存在明显的失跟问题,提出了基于红外与可见光传感器协同的目标识别与跟踪系统。在此基础上,建立了软件实验仿真平台。本文作了以下几方面研究:首先,分析了目标识别与跟踪的基础理论,重点研究了粒子滤波算法。在此基础上,建立了基于单传感器的目标识别与跟踪系统,研究了加权颜色直方图的目标特征,结合Bhattacharya距离准则判断识别优劣,接着研究了目标运动状态预测及跟踪的方法。实验结果表明,在理想环境下,系统具有较高的识别精度,较好的跟踪鲁棒性;但在有干扰的环境下,系统的鲁棒性较差,明显存在失跟现象。其次,在单传感器系统研究的基础上,提出基于智能学习的多传感器目标识别与跟踪系统,系统关键技术为基于可见光的粒子滤波算法与基于红外的混合高斯背景建模算法,结合在线学习及更新与基于策略的搜索处理,进行状态决策判断,利用红外与可见光两种传感器的结果进行协同识别与跟踪,根据协同准则进行交互。实验结果表明,在有干扰的环境下,基于多传感器的目标识别与跟踪系统同样具有较高的识别精度,较好的跟踪鲁棒性。最后,在前面理论研究的基础上,详述了系统的软件实现方法及结构,以DirectShow平台为基础,结合多线程编程技术,将多传感器目标识别与跟踪系统的算法在Visual C++上实现,建立了软件实验仿真平台,为后续的算法升级打下良好的基础。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的目的和意义
• 1.2 多传感器协同的目标识别与跟踪系统概述
• 1.3 论文所涉及关键技术的发展现状
• 1.3.1 目标识别技术的发展现状
• 1.3.2 目标跟踪技术的发展现状
• 1.3.3 多传感器协同探测技术的发展现状
• 1.4 论文主要研究内容及结构安排
• 第2章 基础理论分析
• 2.1 引言
• 2.2 贝叶斯滤波理论框架
• 2.3 蒙特卡罗方法基本原理
• 2.4 粒子滤波算法
• 2.4.1 贝叶斯重要性采样
• 2.4.2 序列重要性采样
• 2.4.3 粒子的退化问题
• 2.4.4 粒子滤波算法流程
• 2.5 本章小结
• 第3章 基于单传感器的目标识别与跟踪
• 3.1 引言
• 3.2 系统原理及框架
• 3.3 目标特征提取与识别
• 3.3.1 加权颜色直方图
• 3.3.2 目标识别准则
• 3.4 粒子滤波算法在跟踪中的应用
• 3.4.1 系统状态转移
• 3.4.2 系统观测
• 3.4.3 跟踪结果计算
• 3.4.4 粒子重采样
• 3.5 实验结果及分析
• 3.6 本章小结
• 第4章 基于多传感器协同的目标识别与跟踪
• 4.1 引言
• 4.2 系统原理及框架
• 4.3 传感器图像配准
• 4.4 在线学习及更新
• 4.5 运动目标检测
• 4.5.1 帧间差分法
• 4.5.2 混合高斯背景建模
• 4.6 基于策略的搜索处理方法
• 4.7 状态分析及协同
• 4.8 实验结果及分析
• 4.9 本章小结
• 第5章 软件仿真平台建立
• 5.1 引言
• 5.2 DirectShow 原理
• 5.3 多线程实现原理
• 5.4 本文软件结构
• 5.5 软件界面及功能展示
• 5.6 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢