基于线流场的移动目标识别研究

论文摘要

依照人类视觉系统原理,针对目前自主式移动机器人在目标检测与识别算法上的局限性,研究基于特征线流的目标检测与识别算法。区别于传统光流法,该算法首先提取表征数字图像序列目标的曲线（含直线）,进行兴趣区域的分离;然后计算兴趣区域中的特征线流,并根据延伸焦点区分出动态目标和静态目标;最后,经主分量分析抽取目标特征值,采用距离法进行相似度测量,并与事先得到的先验知识进行比对,从而实现目标识别。由于只对表征目标特征值、曲线（或兴趣区域）的像素进行光流计算,对非兴趣区域并不进行额外处理,从而避免了传统光流运算量大的缺陷,减少了系统处理时间,提高了实时性。为进一步提高系统的识别率,又融合了基于特征法的目标识别算法,作为一种辅助的目标识别手段。具体作法是:在主分量分析的基础上,对表征目标的各种特征进行基于Rough Set/Vague Set处理的约简,提取出对目标对象进行分类的唯一标识--目标特征核;然后,用该核进行目标的识别。将上述两种方法整合后,能够发挥它们各自的优点,使整个算法具有较高的运算效率,又具有较强的目标识别能力,从而提高了整个移动机器人视觉伺服系统的可靠性,可以满足实际应用的需要。实验结果证明该算法是可行的。无论从时间复杂度还是精确度来看,效果都较为理想,达到了预期的目的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 智能体及计算机视觉概述
• 1.2.1 基本概念
• 1.2.2 发展概况
• 1.3 国内外研究现状
• 1.4 课题的来源及研究内容
• 1.4.1 课题来源
• 1.4.2 课题研究内容
• 第2章 特征线流场
• 2.1 光流的基本概念
• 2.1.1 目标检测的方法
• 2.1.2 光流法
• 2.2 光流的计算方法
• 2.2.1 光流法的基本步骤
• 2.2.2 Horn-Schunck 法
• 2.2.3 Lucas-Kanade 法
• 2.2.4 Nagel 法
• 2.2.5 其它方法
• 2.3 直线流场的计算
• 2.3.1 Radon 变换
• 2.3.2 计算线流场
• 2.4 本章小结
• 第3章 曲线流场的计算
• 3.1 引言
• 3.2 提取目标轮廓曲线
• 3.3 计算曲线光流场
• 3.4 本章小结
• 第4章 移动目标的识别
• 4.1 引言
• 4.2 基于PCA 的线流场分析的目标识别
• 4.2.1 PCA
• 4.2.2 特征直线流场的目标识别
• 4.2.3 特征曲线流的目标识别
• 4.3 遮挡问题的处理
• 4.3.1 直线流场中的遮挡问题
• 4.3.2 曲线流场中的遮挡问题
• 4.4 本章小结
• 第5章 实验结果及分析
• 5.1 实验环境、内容及方案
• 5.1.1 实验环境
• 5.1.2 实验内容
• 5.1.3 实验数据
• 5.1.4 实验方案设计
• 5.2 直线流场算法的性能
• 5.2.1 算法效率
• 5.2.2 抗噪性
• 5.3 曲线流场算法的性能
• 5.3.1 算法的效率
• 5.3.2 算法的高峰信号-噪音比
• 5.4 移动目标识别算法的性能分析
• 5.4.1 基于直线流场算法
• 5.4.2 基于曲线流场算法
• 5.5 本章小结
• 结论
• 参考文献
• 附录
• 攻读硕士学位期间发表的学术论文
• 致谢