二维图像局部特征的检测匹配与跟踪算法研究
发布时间：2021-06-06 12:31
二维图像局部特征是一种低层信号特征并被广泛应用于机器视觉技术的研究领域,与其相关的检测、描述、匹配与跟踪技术也在不断的发展之中。本文对局部特征点提取方法、局部特征点匹配方法和粒子滤波技术中的若干问题进行研究,完成以下4个工作:（1）提出高可重复性的尺度不变局部特征点提取算法。目前很多经典的尺度不变特征提取算法基于离散化核函数构造的尺度空间表示,但没有考虑量化误差对算法性能的影响。由于采用离散化核函数构造尺度空间表示的计算误差在小尺度部分较大,并且随着尺度增加该计算误差趋近于零,本文提出以像素为单位增加核宽度的方法构造卷积核,避免以倍乘方式扩展尺度时存在的在低尺度部分采样密集而在高尺度部分采样相对稀疏的缺点。为了克服量化误差对因果性造成的影响,本文采用全局比较的方式获取局部特征点,从而减少局部比较方式产生的不稳定极值点数量。本文讨论了圆盘形卷积模板性质及其有限半径产生的计算误差上界,以增加局部特征在旋转条件下的稳定性并限制计算误差对极值点获取的影响。本文提出的特征提取算法在特征点的召回率和精确度方面较基于局部比较的特征点提取算法有明显优势。（2）提出基于几何信息辅助的局特征匹配算法。由于...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：132 页
【学位级别】：博士
【部分图文】：
使用GPE算法提取局部特征点的例子
第五章条件粒子滤波与目标跟踪给出的表示局部特征的向量。为了测试CBF用于目标跟踪时在不同场景下的目标估计效果和有效样本容量变化情况，我们分别使用简单场景和复杂场景对跟踪算法进行仿真。在以下的测试中，BF和CBF的粒子数均为1000，并设CBF中参数c=100,M=10（参见表5-4），式(5-28)中阈值t=0.1及目标运动模型(5-25)中R=700。5.6.2简单场景仿真测试我们采用实际拍摄的图像序列作为简场景测试序列，该图像序列由20帧连续变化的图像组成（见图5-4，为测试图像序列中的第0，2，6，10，15，19帧），其中包含了动态变化背景、目标视角变化、目标旋转和目标轻度遮挡的情况。(a)(b)(c)(d)(e)(f)图5-4简单场景目标跟踪测试数据首先我们在第0帧上初始化跟踪目标，即在图5-4（a）上以事先确定的参考点为中心，使用矩形框标记目标（见图5-5），然后仿真程序在后续图像中自动跟踪目标并将跟踪结果用矩形框标出。分别对4个不同大小的目标区域（180×180，170×170，160×160，150×150）进行跟踪实验，考虑存在目标旋转的情况，在每次实验中均将图5-2和图5-3所示算法中参数m和n设为1，即不对目标区域进行分块。图5-6为仿真测试得到的目标区域中心运动路径，使用矩形框标记的150×150目标跟踪结果如图5-7所示（图片序列的顺序为从左到右，从上到下）。91
华南理工大学博士学位论文(a)(b)(c)(d)图5-5初始化跟踪区域，其中使用CBF的跟踪算法标记红色框，使用BF的跟踪算法标记蓝色框。以像素为单位，本测试分别对（a）180×180目标区域、（b）170×170目标区域、（c）160×160目标区域和（d）150×150目标区域等4种目标对象进行跟踪。从图5-6看出，在跟踪区域较小时，目标中心的估计位置容易出现较大偏差，这是由于算法中采用与跟踪区域同样大小的观测区域，使较小跟踪区域的观测信息少于较大跟踪区域的观测信息，从而导致由式(5-25)产生的预测粒子中存在的偏差不能很好地被矫正。为了比较BF和CBF对跟踪算法性能的影响，我们使用目标中心估计的均方差作为跟踪性能指标：MSE(x1,···,xn)=1n√(xixGi)T(xixGi),(5-29)其中，xi,(i=1,···,n)为估计位置，xGi,(i=1,···,n)为对应的参考位置。使用式(5-29)计算出的结果如表5-8所示。同时使用式(5-7)估计跟踪每一帧图像中目标时粒子滤波器的有效样本容量，其结果见图5-8所示。92
本文编号：3214387
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：132 页
【学位级别】：博士
【部分图文】：
使用GPE算法提取局部特征点的例子
第五章条件粒子滤波与目标跟踪给出的表示局部特征的向量。为了测试CBF用于目标跟踪时在不同场景下的目标估计效果和有效样本容量变化情况，我们分别使用简单场景和复杂场景对跟踪算法进行仿真。在以下的测试中，BF和CBF的粒子数均为1000，并设CBF中参数c=100,M=10（参见表5-4），式(5-28)中阈值t=0.1及目标运动模型(5-25)中R=700。5.6.2简单场景仿真测试我们采用实际拍摄的图像序列作为简场景测试序列，该图像序列由20帧连续变化的图像组成（见图5-4，为测试图像序列中的第0，2，6，10，15，19帧），其中包含了动态变化背景、目标视角变化、目标旋转和目标轻度遮挡的情况。(a)(b)(c)(d)(e)(f)图5-4简单场景目标跟踪测试数据首先我们在第0帧上初始化跟踪目标，即在图5-4（a）上以事先确定的参考点为中心，使用矩形框标记目标（见图5-5），然后仿真程序在后续图像中自动跟踪目标并将跟踪结果用矩形框标出。分别对4个不同大小的目标区域（180×180，170×170，160×160，150×150）进行跟踪实验，考虑存在目标旋转的情况，在每次实验中均将图5-2和图5-3所示算法中参数m和n设为1，即不对目标区域进行分块。图5-6为仿真测试得到的目标区域中心运动路径，使用矩形框标记的150×150目标跟踪结果如图5-7所示（图片序列的顺序为从左到右，从上到下）。91
华南理工大学博士学位论文(a)(b)(c)(d)图5-5初始化跟踪区域，其中使用CBF的跟踪算法标记红色框，使用BF的跟踪算法标记蓝色框。以像素为单位，本测试分别对（a）180×180目标区域、（b）170×170目标区域、（c）160×160目标区域和（d）150×150目标区域等4种目标对象进行跟踪。从图5-6看出，在跟踪区域较小时，目标中心的估计位置容易出现较大偏差，这是由于算法中采用与跟踪区域同样大小的观测区域，使较小跟踪区域的观测信息少于较大跟踪区域的观测信息，从而导致由式(5-25)产生的预测粒子中存在的偏差不能很好地被矫正。为了比较BF和CBF对跟踪算法性能的影响，我们使用目标中心估计的均方差作为跟踪性能指标：MSE(x1,···,xn)=1n√(xixGi)T(xixGi),(5-29)其中，xi,(i=1,···,n)为估计位置，xGi,(i=1,···,n)为对应的参考位置。使用式(5-29)计算出的结果如表5-8所示。同时使用式(5-7)估计跟踪每一帧图像中目标时粒子滤波器的有效样本容量，其结果见图5-8所示。92
本文编号：3214387
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3214387.html
