基于特征点的无人机视觉目标跟踪算法

发布时间：2020-12-09 10:47

　　目标跟踪是在缺乏目标先验信息的情况下,对连续时间内的目标位置进行估计。针对一般性目标的跟踪算法近些年来在准确性方面取得了显著进步。然而,关于无人机动态场景目标跟踪的文献还很少。无人机跟踪旨在估计搭载的相机捕获的视频序列中的航空视角下的目标的位置。与一般性跟踪算法相比,无人机跟踪的主要挑战集中在快速运动,尺度变化以及长宽比变化等因素导致的显著外观变化。本文利用局部特征点能够提取图像局部结构信息的能力,从特征检测和目标搜索两个方面对无人机跟踪算法进行改进。传统的手工设计的特征检测器往往只适用于特定类型的目标（如人脸、行人等）,而不适用于无人机航空视角下目标外观显著变化的情况。为此,本文提出了一种基于稀疏编码的稀疏特征学习算法,来改善目标跟踪的鲁棒性。其基本思想是,对前几帧采样的训练样本进行字典学习得到字典,然后对当前帧的测试样本进行稀疏特征表示。首先对图像块进行局部阈值自适应FAST特征点检测,然后以特征点为中心采集图像块得到训练样本。通过计算图像块的局部梯度方向,对字典的元素进行分组训练,以描述不同图像块的局部方向信息。最后,将图像块划分为小方块,将稀疏特征投影到这些块中,再构造块的特征... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

无人机应用场景

而将具有弱响应值的特征点滤除。图像中的每个圆圈代表一个 FAST 特征点。在图4-3 的实验中，两组图像“Baboon”和“Fruits”都显示了 250 个强特征点。由图4-3a)可以看出，固定阈值方案主要检测眼睛和毛发处的特征点，而鼻子处产生的特征点很。与之相反的是，基于局部自适应阈值的检测器可以检测出眼睛，毛发以及鼻子处的特征点，如图 4-3b)所示。所提出的局部阈值算法具有更好的性能的原因是，自适应阈值是根据待检测点的邻域内像素值的分布计算得到的，而固定阈值在整幅图像中是全局的，所以固定阈值检测器难以检测出局部区域的特征点。在图4-3c)和图 4-3d)中，基于局部阈值的检测器能够检测出弱光条件下的背景中的特征点，而固定阈值的检测器却忽略了橘子以外的特征点。因此，以上实验结果表明，局部自适应阈值的 FAST 特征点检测器能够检测出遍布整幅图像的特征点。相比于固定阈值的方案，由于利用了待检测点的邻域内像素值的分布，因而具有更好的检测性能。a) Baboon (固定阈值) b) Baboon (局部阈值)c) Fruits (固定阈值) d) Fruits (局部阈值)图 4-3 局部自适应阈值的 FAST 与固定阈值的 FAST 对比结果


本文编号：2906750