基于视频检测的光电跟踪系统设计与实现

发布时间：2020-11-08 16:22

　　 近年来随着对低空空域管制的逐步放开和“低慢小”飞行器飞速发展,利用“低慢小”飞行器的违规飞行和恐怖袭击事件日益上升,此类事件扰乱了正常航空秩序,造成了较大的经济损失和负面影响。因此,对“低慢小”飞行器进行合理有效的检测跟踪已成为运动目标检测与跟踪领域的一个研究热点。本文设计实现了一个基于视频检测的光电跟踪系统,该系统能对“低慢小”无人机进行精确探测,探测距离最远可达到800米。首先梳理总结了经典的目标检测跟踪算法。检测算法包括背景差分法和帧间差分法,跟踪算法包括Mean-shift算法和粒子滤波器算法。将算法应用于低慢小无人机的检测识别跟踪,结果表明:背景差分法由于对背景的依赖性较高,会使运动目标检测准确率降低,造成判断错误;帧间差分法能够检测出运动目标的基本概貌,但是算法的二值化阈值选取较难,此外目标速度发生变化时会造成检测出现“重影”和“空洞”现象,造成目标的误检。Mean-shift跟踪算法形式简洁,可实现性高,在目标跟踪区域已知的情况下可以做到实时跟踪,但是该算法对环境变化适应性低;而粒子滤波跟踪算法使用限制条件苛刻,目标丢失概率高,缺乏广泛的适用性。然后提出基于9_7提升小波和区域生长相结合的目标检测跟踪算法,将图像信息从空间域变换到频率域来分析。先对图像进行9_7提升小波变换,增强目标和图像背景的高频、低频对比度,由于运动目标的阴影可能导致背景局部画面亮度发生变化,利用阈值化滤波去除这种变化造成的歧义目标,区域生长算法将阈值化之后的图像分割成不同的连通区域并对目标区域标记,依次根据每个区域的像素个数并结合本文要检测的“低慢小”无人机的几何特征进行目标判断,接着去除“光斑”和“山峰尖”引起的目标误判,确定单帧图像中的目标位置,最后关联几帧单帧图像来剔除多目标如“飞鸟”的错检,最终找到目标区域并输出位置。最后对光电跟踪系统进行了系统集成和测试,系统按照功能分成四个模块:1)视频图像采集模块,完成对目标的图像采集,利用网络传输到检测跟踪模块;2)检测跟踪算法处理模块,利用9_7提升小波和区域生长相结合的算法检测跟踪无人机;3)转台控制模块,根据算法检测到的目标位置,控制二维转台转动来实现对目标的实时跟踪;4)监控显示模块,在软件的视频窗口会看到场景中的目标运动轨迹,实现了用户对特定场景的监控。对系统进行了大量外场实测试验并进行了优化。系统符合课题研究目标。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：V355.1;TP391.41
【部分图文】：

的噪声干扰。如果 T 值太大，可能会掩盖差分图像中的目标像素。所以 T 值需要合理选取。本文可根据差分图像的灰度直方图来选取 T = 5。图2.8 相邻两帧图像的差分二 值 化 图 像200 400 600 800 1000 1200 1400 1600 18001002003004005006007008009001000图2.9 二值化差分图像

图2.15 Meanshift 示意图，外圈表示 区域，圈内的点表示落入 区域内基准点 ，箭头表示样本点相对于基准点的偏移围的相对于 点的 个偏移量样本求和后再平均。指向样本分布最多的区域，也就是概率密度函数an-shift出，对 区域内的任意采样点，无论离中心点 多样，，但是，合理的计算应该是距离 近的采样点基于此我们引入核函数，计算 ( )时，考虑采个权重系数。an-shift 形式可扩展为： ( ) ◎ ( )( ) ◎ ( )

a) 粒子滤波在目标跟踪中的应用根据上述步骤在 VisualStudio2010+OpenCV 平台进行测试，测试结果如下：图2.20 标记起始帧中待跟踪目标图2.21 目标被跟踪过程示意图
【参考文献】

相关期刊论文 前1条

1 朱莹,洪炳镕,阮玉峰;全自主足球机器人快速目标识别与定位方法[J];哈尔滨工业大学学报;2003年09期

相关硕士学位论文 前2条

1 狄晨旭;基于特征的运动目标视频检测与跟踪方法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2017年

2 曹彪;基于区域生长的OCT图像分割算法研究[D];北京理工大学;2015年

本文编号：2875026