基于仿射变换模型的图像跟踪系统研究与应用

《基于仿射变换模型的图像跟踪系统研究与应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、西安电子科技大学硕士学位论文基于仿射变换模型的图像跟踪系统研究与应用姓名：翟春艳申请学位级别：硕士专业：电子与通信工程指导教师：张建奇；黄文清20111209 ����������摘要本文从基于仿射变换模型的跟踪算法原理出发，分析了仿射变换跟踪算法的特点及其实现的步骤，提出了跟踪系统的设计方案，设计研制了一种新型的基于图像仿射变换模型的实时图像跟踪系统。系统研究了如何在高性能浮点��一的仿射变换模型，以其描述目标在序列图像中的变化，然后构造适当的匹配误差目标函数，并采用牛顿迭代法求解得到最优的仿射参数。图像跟踪模板更新相关跟踪牛顿迭代法 ����������������������

2、�����������������������������������������．����������：��� 第一章绪论第一章绪论��研究背景和意义火控等系统中，都要借助图像信息载体对目标实施搜索、捕获、识别、定位和跟图像跟踪系统是采用图像处理和模式识别技术的智能跟踪信号处理系统，它将电视摄像系统送来的全电视视频信号进行滤波、数字化等处理后，采用图像处理、模式识别等技术进行目标检测与识别，提取出目标的亮度和结构特征，测定目标中心相对于系统光轴的俯仰角和方位角偏差。然后将俯仰角和方位角偏差送到伺服及稳像系统中，形成闭环反馈，完成图像跟踪系统的空间稳像，使目标始终处于成像传感器的视

3、场中心，从而实现对目标的实时跟踪。随着现代战争的发展，越来越需要对目标进行远距离的精确定位和跟踪。传统跟踪以毫米波雷达为传感器，具有探测距离远，不受气象环境影响等优点，但存在有源工作易暴露己方，角分辨精度较低，易受电磁干扰等缺点。由于图像跟踪充分利用了高分辨率的图像信息，在近程�腹ɡ镏良甘�ɡ�具有无源工作隐蔽性好、抗电磁干扰、在海上应用中可低角度工作、无多径干扰、对小目标分辨力强、跟踪精度高、可选择攻击点和发射后不管等优点，在现代武器系统中获得了越来越多的应用，成为警戒搜索、跟踪和制导系统的重要组成部分。但是，在武器系统中的图像处理基本上都是针对连续的运动图像，不论是目标的运动，

4、还是武器系统自身的运动，观测到的图像序列存在着目标相对背景的运动、由传感器运动造成的场景图像的整体运动、以及由于视角变化使得目标物体表现出图像形态的不稳定、目标物体的平面旋转、尺度变化、三维空间旋转、照度变化、非线性几何畸变、局部或整体遮挡、部分背景图像变化等。所有这些因素都使得基于图像信号处理的目标检测、识别、跟踪处理系统的设计面临挑战，即需要努力提高算法与系统的鲁棒性。本文以某重点项目为实际应用背景，研究、减少或消除目标物体的平面旋转对跟踪的影响，从而实现对运动目标的实时跟踪。早在�年代，随着视频成像技术的发展成熟，图像跟踪制导技术也发展起来。 基于仿射变换模型的图像跟踪系统研

5、究与应用�����较了相关匹配、质心跟踪和边缘跟踪，介绍了一种成熟的光电跟踪系统��及我国的西安电子科技大学杨宜禾等人在自己多年工作的基础上，出版了我国第一本成像跟踪技术专著�上窀�偌际醯悸跩【�，对视频成像跟踪的理论做了初步设计中开始采用�������实现图像的数字滤波、直方图统计等预处理运算，或者同时采用多片�珹����敬笕萘縁��骷﨔������⒃谝黄�骺豍���的控 第一章绪论是归一化互相关或平均绝对差算法这些经典的算、法【圳。和结构噪声等因素干扰的复杂信息载体，同一个目标在不同情况下所拍摄得到的图像的相关性往往并不很强。经典算法所采用的图像相似性度量方法，并没有考虑这些可

6、能发生的情况，所以对图像畸变的容忍程度非常有限，个别象素的灰度发生比较大的变化就会影响整体归一化互相关和平均绝对差所得到的相关曲面的形状，使定位精度大大下降。而且场景中的目标常常可能会在二维平面中发生角度旋转、在三维空间中改变姿态、以及前景物体对目标区域的部分遮挡、或由于目标与传感器距离改变引起目标图像尺度和视角的变化等情况，这些都会导致序列图像帧间固定形状的矩形跟踪区域对应象素灰度的关联程度减小。这种情况下进行传统的图像相似性度量意义已经不大，或者必然会引入较大的误差，使得经典算法应用受限。这些经典的算法只有在理想情况下能够表现出良好性能，而在常见的图像畸变的情况下，其性能会迅速

7、下降，这表明经典算法的鲁棒性不强，即使在此算法基础上进行的改进，其性能改善的前景并不看好。在国外，相关领域的研究正在或早已摆脱了经典算法的原有概念，试图建立新的图像畸变模型，从更高的技术层次上认识、理解并解决有畸变情况下的图像相似性度量问题。概括的讲，这些方法有针对性地对图像间存在的各种畸变进行分析，设计合适的畸变模型，面向畸变图像提取畸变特征、求取运动参数，而不再是对图像畸变“视而不见’’；再有就是对于场景可能出现的情况，进行事先的训练学习，将部分可能发生的情况所获