基于机器学习理论的红外目标跟踪技术研究

发布时间：2020-05-09 04:51

【摘要】：本论文的课题源于国家自然科学基金面上项目,“十二五”重点科研项目,863项目以及高等学科学校创新引智计划资助。主要解决复杂背景下红外图像目标跟踪这一关键技术难题。红外成像技术因其具有隐秘性好、抗干扰和适应气候能力强等优点,而被广泛应用在军事和民用领域中。尽早地探测到目标并成功跟踪目标是红外图像处理研究领域的一个热点和难点。当目标距离成像平面较远时,其在图像上仅占有几个到几十个像素,且无纹理等信息。此外,小目标常常淹没在复杂背景杂波中,从而影响了有效的目标检测跟踪。因此,如何有效地在复杂背景条件下实现红外目标的检测与跟踪具有重要意义。本论文在现有的可见光图像以及红外图像中的目标跟踪相关技术的基础上,从目标特征信息的提取和增加目标信息与背景信息的区分度两方面着手。本文将引导滤波和无需训练的卷积网络特征应用在红外弱小目标的跟踪上,分析并验证了基于两种理论的跟踪算法的有效性。与传统的模板匹配算法、均值漂移算法以及粒子滤波算法相比,本文所提的算法均可实现模型参数的在线更新。一方面,所提出的算法可有效处理跟踪中的目标外观变化以及部分遮挡等问题;另一方面,参数的更新过程大多只需要相邻图像帧中目标邻域的图像信息,从而使得算法的实时性较好。本文合理利用了多种图像滤波方法和机器学习方法,并依据视觉跟踪领域的生成模型、判决模型以及联合模型的算法框架,提出了七种各具特色的红外目标跟踪算法。主要研究内容与成果如下:(1)基于引导滤波所具有的保边去噪的特点和上下文学习跟踪在视觉跟踪领域取得较好效果的事实,研究并提出了一种基于引导滤波和上下文学习的红外弱小目标跟踪算法。仿真实验验证了该算法可有效地抑制天空云层边缘对小目标定位的影响,且实时性能较好。(2)兼顾考虑了跟踪算法的速度和精度,构建了一种基于奇异值分解的红外背景抑制算法,其目的是增强复杂背景中的小目标。同时,所采用的在线背景更新策略可适应多种复杂红外背景。基于视觉跟踪领域中高性能的核相关跟踪算法的基本理论,采用具有保边去噪特性的曲率滤波对基样本进行处理,研究并提出了一种基于奇异值分解与和相关滤波的“跟踪前预处理”算法框架。仿真实验验证了该算法具有良好的跟踪精度和超高的实时性。(3)在粒子滤波跟踪框架的基础上,详细分析了二层卷积网络特征的提取过程;由此,探索性地将卷积特征应用到红外跟踪中,研究并提出了一种基于卷积特征和Boosting的生成式红外目标跟踪以及一种联合模型的红外弱小目标跟踪。实验验证了该算法具有较好的分类性能和跟踪性能,对复杂红外背景具有一定的适应性。(4)将引导滤波引入红外目标跟踪算法中,以增加目标样本与背景样本的区分度,并基于卷积特征的较强分类性能,提出了一种基于引导滤波与卷积特征的生成式红外目标跟踪算法。并在此基础上,又引入一种基于稀疏表示的判决式跟踪,提出了一种基于联合模型的红外目标跟踪。仿真实验验证了算法在高背景杂波与低分辨率条件下,联合模型跟踪的有效性,并可获得良好的跟踪性能。
【图文】：

基于机器学习理论的红外目标跟踪技术研究

上下文先验图

基于机器学习理论的红外目标跟踪技术研究

五种红外序列的部分跟踪结果
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;TP181

【相似文献】