序列图像弱小目标检测与跟踪算法研究
发布时间：2025-01-05 23:16
为提高低信噪比且强噪声干扰下的弱小目标检测与跟踪能力,本文以序列图像目标的运动关联性为基础,先采用预处理手段来抑制背景和增强目标信号,接着针对不同信噪比下的动态场景提出了两种不同的检测算法,最后在检测算法的基础上,为了对前后多帧的目标轨迹进行运动关联,提出了改进的弱小目标跟踪算法,以解决动态场景下目标受到强噪声干扰的问题。主要研究工作如下:(1)背景建模及能量增强方面。首先针对传统背景建模在面临非平稳边缘轮廓区域时建模效果不佳,提出了改进的各向异性差分滤波的算法,该算法主要通过对比目标和背景在邻域内八个方向的梯度差异,从中选取扩散函数值最小的三个方向的均值对图像进行滤波,这样将有效突显出目标和边缘轮廓区的差异,从而在差分图像中很好地保留目标信号;紧接着在获取差分图基础上,提出了融合时空域运动特性的能量增强算法,该算法充分利用目标在时间和空间域的运动信息,有效增强了目标信号。实验表明:2个场景中不同信噪比的图像改进各向异性背景建模获取的均方误差均小于10.2,结构相似性都大于0.951,局部信噪比增益都大于10.6。而融合时空域运动特性的能量增强算法获取的目标平均灰度和图像局部信噪比达到2...
【文章页数】：156 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究意义及背景
1.2 检测与跟踪研究现状
1.2.1 基于单帧滤波的检测跟踪算法
1.2.2 基于多帧关联的检测跟踪算法
1.3 面临的主要问题
1.4 本文研究内容及技术路线
1.5 本文组织结构
第二章 高阶累积量与粒子滤波理论基础
2.1 高阶统计量
2.1.1 累积量和矩的定义
2.1.2 累积量和矩的特性
2.1.3 累积量和矩的关系
2.2 粒子滤波原理
2.2.1 递推贝叶斯估计
2.2.2 蒙特卡罗法
2.2.3 标准粒子滤波算法
2.2.4 粒子滤波跟踪流程
2.3 小结
第三章 背景建模及融合时空运动特性的能量增强
3.1 引言
3.2 经典背景建模法
3.2.1 二维最小均方滤波
3.2.2 自适应Butterworth滤波
3.2.3 改进Top-Hat滤波
3.2.4 改进双边滤波
3.2.5 改进梯度倒数加权滤波
3.2.6 各向异性滤波
3.3 改进的背景建模及能量增强
3.3.1 改进的各向异性背景建模
3.3.2 融合时空域运动特性的能量增强算法
3.4 评价指标
3.5 实验结果与分析
3.5.1 改进各向异性参数分析
3.5.2 背景建模结果分析
3.5.3 能量增强参数分析
3.5.4 增强结果分析
3.7 小结
第四章 自适应搜索管径的时空域滤波的弱小目标检测
4.1 引言
4.2 尺度空间理论
4.2.1 理论基础
4.2.2 计算DOG极值点
4.2.3 候选目标精定位
4.3 自适应修改搜索管径的时空域滤波的弱小目标检测
4.4 结果与分析
4.4.1 DOG检测结果与分析
4.4.2 检测结果与分析
4.5 小结
第五章 基于运动方向估计的高阶累积量弱小目标检测
5.1 引言
5.2 环形扰动非均匀性校正
5.2.1 非均匀性成因及模型表述
5.2.2 两点校正原理
5.2.3 环形扰动校正算法
5.3 基于运动方向估计的高阶累积量弱小目标检测
5.3.1 多帧累加研究
5.3.2 泊松分布提取候选目标点
5.3.3 高阶累积量目标检测理论
5.3.4 提出的算法
5.3.5 算法总结
5.4 结果与分析
5.4.1 校正参数分析
5.4.2 校正结果分析
5.4.3 累加结果分析
5.4.4 检测结果分析
5.5 小结
第六章 改进免疫遗传粒子滤波弱小目标跟踪
6.1 引言
6.2 免疫遗传粒子滤波算法
6.2.1 基本原理
6.2.2 算法流程
6.3 改进免疫遗传粒子滤波跟踪算法
6.3.1 存在问题及解决办法
6.3.2 提取包含空间位置信息的灰度特征
6.3.3 提取运动特征
6.3.4 融合灰度和运动特征的联合观测模型
6.3.5 自适应更新参考模型
6.3.6 KLD自适应采样
6.3.7 算法总结
6.4 实验结果与分析
6.4.1 仿真结果与分析
6.4.2 运动特性结果与分析
6.4.3 强噪声干扰场景
6.4.4 遮挡场景
6.4.5 交叉运动场景
6.4.6 精度和时间
6.5 小结
第七章 总结与展望
7.1 论文总结
7.2 论文创新工作
7.3 不足与展望
致谢
参考文献
攻读博士学位期间取得的成果
本文编号：4023424
【文章页数】：156 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究意义及背景
1.2 检测与跟踪研究现状
1.2.1 基于单帧滤波的检测跟踪算法
1.2.2 基于多帧关联的检测跟踪算法
1.3 面临的主要问题
1.4 本文研究内容及技术路线
1.5 本文组织结构
第二章 高阶累积量与粒子滤波理论基础
2.1 高阶统计量
2.1.1 累积量和矩的定义
2.1.2 累积量和矩的特性
2.1.3 累积量和矩的关系
2.2 粒子滤波原理
2.2.1 递推贝叶斯估计
2.2.2 蒙特卡罗法
2.2.3 标准粒子滤波算法
2.2.4 粒子滤波跟踪流程
2.3 小结
第三章 背景建模及融合时空运动特性的能量增强
3.1 引言
3.2 经典背景建模法
3.2.1 二维最小均方滤波
3.2.2 自适应Butterworth滤波
3.2.3 改进Top-Hat滤波
3.2.4 改进双边滤波
3.2.5 改进梯度倒数加权滤波
3.2.6 各向异性滤波
3.3 改进的背景建模及能量增强
3.3.1 改进的各向异性背景建模
3.3.2 融合时空域运动特性的能量增强算法
3.4 评价指标
3.5 实验结果与分析
3.5.1 改进各向异性参数分析
3.5.2 背景建模结果分析
3.5.3 能量增强参数分析
3.5.4 增强结果分析
3.7 小结
第四章 自适应搜索管径的时空域滤波的弱小目标检测
4.1 引言
4.2 尺度空间理论
4.2.1 理论基础
4.2.2 计算DOG极值点
4.2.3 候选目标精定位
4.3 自适应修改搜索管径的时空域滤波的弱小目标检测
4.4 结果与分析
4.4.1 DOG检测结果与分析
4.4.2 检测结果与分析
4.5 小结
第五章 基于运动方向估计的高阶累积量弱小目标检测
5.1 引言
5.2 环形扰动非均匀性校正
5.2.1 非均匀性成因及模型表述
5.2.2 两点校正原理
5.2.3 环形扰动校正算法
5.3 基于运动方向估计的高阶累积量弱小目标检测
5.3.1 多帧累加研究
5.3.2 泊松分布提取候选目标点
5.3.3 高阶累积量目标检测理论
5.3.4 提出的算法
5.3.5 算法总结
5.4 结果与分析
5.4.1 校正参数分析
5.4.2 校正结果分析
5.4.3 累加结果分析
5.4.4 检测结果分析
5.5 小结
第六章 改进免疫遗传粒子滤波弱小目标跟踪
6.1 引言
6.2 免疫遗传粒子滤波算法
6.2.1 基本原理
6.2.2 算法流程
6.3 改进免疫遗传粒子滤波跟踪算法
6.3.1 存在问题及解决办法
6.3.2 提取包含空间位置信息的灰度特征
6.3.3 提取运动特征
6.3.4 融合灰度和运动特征的联合观测模型
6.3.5 自适应更新参考模型
6.3.6 KLD自适应采样
6.3.7 算法总结
6.4 实验结果与分析
6.4.1 仿真结果与分析
6.4.2 运动特性结果与分析
6.4.3 强噪声干扰场景
6.4.4 遮挡场景
6.4.5 交叉运动场景
6.4.6 精度和时间
6.5 小结
第七章 总结与展望
7.1 论文总结
7.2 论文创新工作
7.3 不足与展望
致谢
参考文献
攻读博士学位期间取得的成果
本文编号：4023424
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/4023424.html
