發(fā)布時間：2016-11-22 17:00

第 1 章 緒論

1.1 課題研究背景及意義
隨著計算機和電子等技術的飛速進步，逐漸產生了計算機視覺。計算機視覺是一個處于知識前沿的、非�；钴S的研究領域[1]，它不同于研究人類或動物的視覺，而是借助于圖像處理、模式識別、數(shù)學和物理等知識來建立模型和處理數(shù)據(jù)的。目標跟蹤是計算機視覺中非�；钴S的、充滿挑戰(zhàn)性的研究課題之一[2]。目標跟蹤一般是通過成像設備得到視頻圖像信息，并對其進行一系列分析處理而得到目標的運動軌跡和運動參數(shù)，然后提供給目標跟蹤系統(tǒng)，完成對視頻序列中目標的分析和理解。目標跟蹤技術所涉及的學科知識繁多包括數(shù)字圖像處理、電子技術、半導體技術、概率與統(tǒng)計和模式識別等；隨著這些學科理論研究的日益發(fā)展，攝像設備質量的提高、價格的低廉以及智能自動化視頻設備需求的日益增多，目標跟蹤技術的應用越來越頻繁。無論在軍事上、工業(yè)上、還是民用上均具有舉足輕重的地位和重要的應用前景，并得到了廣泛的關注與應用。下面介紹一些典型的應用：
(1)視覺導航方面：視覺導航首先通過成像設備獲得圖像信息，然后從中篩選有價值信息并進行處理得到載體的導航參數(shù)，如速度、位置等[3]。無人機、無人駕駛汽車、成像制導以及天體巡視探測器等無不涉及到視覺導航技術。而視覺導航中的關鍵技術之一就是目標跟蹤，通過利用目標跟蹤技術對目標進行提取與定位。

許多機構和研究人員從上世紀 70 年代就開始對無人駕駛汽車進行了研究。Google 公司研制出一款無人駕駛汽車，該汽車能夠不通過人的操作而自動駕駛，如圖 1.1(b)所示，實現(xiàn)該汽車的自動駕駛就需要在復雜場景下對目標進行準確的識別、跟蹤以及定位，才能保證自動駕駛的順利完成[9-11]。成像制導通過彈載成像傳感器來捕獲實時圖像信息，使用目標跟蹤算法計算導彈和目標的實時相對位置等信息，并根據(jù)導彈跟蹤處理器的數(shù)據(jù)來指引導彈飛行，從而完成對目標的精確攻擊。相比于其他制導方式，成像制導具有較高的精確度和較好的隱蔽性，在精確制導中發(fā)揮的作用日益明顯。比如美國的 AAWS-M中程反坦克導彈，發(fā)射后能夠自主選擇目標，采用紅外成像制導方式；俄羅斯現(xiàn)役的Kh-38M/ME空對地導彈，使用了紅外成像制導方式與激光制導方式等[12, 13]。圖 1.1(c)中為 Kh-38M/ME 空對地導彈。

......

1.2 目標跟蹤技術研究進展
在軍用和民用領域中目標跟蹤技術都占據(jù)著非常重要的位置，與人們的生產生活密不可分，對人類社會的進步和發(fā)展具有重大的促進作用。經過多年來的研究，目標跟蹤技術在國內外得到廣泛的重視，產生了許多目標跟蹤算法并應用在諸多領域，取得了巨大成果。本節(jié)將從目標跟蹤算法的研究、目標跟蹤算法的分類以及目標跟蹤算法的硬件實現(xiàn)這三個方面來回顧一下目標跟蹤技術的研究現(xiàn)狀。

20 世紀 50 年代，國外就開始研究目標跟蹤技術，Wax 在 1955 年就提出了目標跟蹤理論[27]；60 年代，Sittler 提出了目標點軌跡的概念和目標運動路徑最優(yōu)數(shù)據(jù)關聯(lián)的貝葉斯理論，對目標跟蹤算法進行了改進，為后來目標跟蹤理論的成熟奠定了基礎[28]；20 世紀 70 年代，Yaakov 等把卡爾曼濾波(Kalman Filter，KF)和相關的數(shù)學理論應用到目標跟蹤算法中，推動了目標跟蹤算法的進一步發(fā)展[29,30]，隨后許多學者提出了很多關于運動目標跟蹤和數(shù)據(jù)相關等方面的算法，如多重假設目標跟蹤、概率數(shù)據(jù)關聯(lián)濾波、交互式多模型濾波等方法；80 年代，國外研究人員提出了自適應跟蹤[31]和智能跟蹤[32]等方法；90 年代，學者們提出了均值偏移(Mean Shift，MS)理論、概率多假設追蹤、變結構多模型、粒子濾波(Particle Filter，PF)等[33-36]，后來人們深入研究了 Mean Shift 和 PF 跟蹤算法并對它們做了一些列的改進；進入 21 世紀后，機器學習(Machine Learning，ML)逐漸被人們引入到目標跟蹤領域并成為一種解決目標跟蹤問題的新思想，它將一個跟蹤任務轉換成一個對目標與背景進行分類的問題，一類是目標而另一類是背景。如支持向量機[37](Support Vector Machine，SVM)、Adaboost 算法[38]以及多示例學習[39](Multiple Instance Learning，MIL)等。國外的麻省理工學院、牛津大學、卡內基梅隆大學等著名高校都紛紛組建了自己的計算機視覺研究小組，而且在目標跟蹤領域的研究中獲得了一系列具有影響力的成果并應用到實際工程項目中。另外，國際重要期刊和國際頂級會議每年都收錄大量目標跟蹤方面的研究成果。其中相關的重要國際期刊有：TPAMI(IEEE Transactions on Pattern Analysis andMachine Intelligence)、PR(Pattem Recognition)、TIP(IEEE Transactions on ImageProcessing)、CVIU(Computer Vision and Image Understanding)等；相關的頂級國際會議有：CVPR(IEEE Conference on Computer Vision and Pattern Recognition)、ECCV(European Conference on Computer Vision)、ICCV(Intemational Conferenceon Computer Vision)、BMVC(British Machine Vision Conference)、ACCV(AsianConference of Computer Vision) 、 ICPR(Intemational Conference on PatternRecognition)、ICIP(IEEE International Conference on Image Processing)等。

......

第 2 章 基于相位一致性的實時壓縮跟蹤

2.1 引言
傳統(tǒng)的目標跟蹤方法通常是在某個特征空間中來描述目標，然后在圖像感興趣區(qū)域中搜索與目標模型最相似的圖像區(qū)域作為目標。近年來，一個非常流行的方法就是把目標跟蹤問題視為一個在線分類的問題，通過使用一個訓練好的分類器把目標從背景中辨別出來，并且在線更新分類器，一旦分類確定，目標和背景就可以被判別出來，從而就可以確定目標的位置[85-87]。2006 年 Candes 和 Donoho 給出了壓縮感知（Compressed Sensing，CS）的概念[88]，其具體的過程是首先利用投影矩陣得到原始信號的測量值即壓縮后的數(shù)據(jù)，然后依據(jù)合適的重構算法恢復出原始信號。最近壓縮感知理論被引入到目標跟蹤領域中，文獻[89]提出了一種壓縮跟蹤方法（Compressive Tracking，CT），該方法簡單、實時性好，但是它存在以下不足：①對目標發(fā)生光照及對比度較大變化時跟蹤效果較差；②在分類器的訓練過程中同等對待所有的正負樣本，沒有考慮不同的正負樣本對于分類貢獻的不同；③只是使用最簡單的樸素貝葉斯分類器進行分類，在目標外觀變化較大的情況下跟蹤容易發(fā)生漂移，如目標尺度、目標姿態(tài)等發(fā)生變化。

針對上述問題，本章給出了一種改進的 CT 算法，對 CT 算法做了以下三點改進：①將相位一致性檢測引入到目標跟蹤過程，以適應目標光照以及對比度的劇烈變化；②對采集的樣本進行加權，用來區(qū)分樣本對于分類的重要程度；③利用 Boosting 思想建立一個強分類器，以增強分類性能。本章算法對多組視頻序列進行了實驗，實驗結果表明，該算法能夠較好地適應目標的外觀變化，具有較好的實時性和較高的精度。本章的內容安排如下：第 2 節(jié)介紹了壓縮感知理論以及壓縮跟蹤算法，第 3節(jié)介紹了基于相位一致性的壓縮跟蹤(Phase Congruency based CompressiveTracking，PCCT)算法，第 4 節(jié)對 PCCT 算法進行了跟蹤實驗，并對實驗結果給出了定量與定性分析，第 5 節(jié)為本章內容的小結。

......

2.2 壓縮跟蹤算法
2.2.1 壓縮感知基本理論
Candes 等在 2006 年第一次提出 CS 理論，其主要思想是：對于可壓縮的或稀疏的高維信號，可以通過使用隨機測量矩陣把高維空間信號映射到低維空間信號，并且能夠很好地從這個低維信號中恢復出原來的高維信號。隨著現(xiàn)代社會對信息量的需求越來越大，信息傳輸、處理以及信息存儲等方面也隨之面臨巨大的困難和挑戰(zhàn)，因此人們開始考慮將壓縮感知理論應用于信號處理和圖像處理等領域以緩解處理數(shù)據(jù)量大的瓶頸。CT 算法正是利用了 CS 理論中的降維原理對高維 Haar-like 特征進行降維以減少計算量，從而提高目標跟蹤算法的運算速度。下面簡要介紹一下相關知識：
在目標跟蹤中通常利用邊緣特征來抑制光照變化的影響，并結合其它特征來保證目標跟蹤的可靠性。一般采用基于梯度的邊緣提取，比如 Canny、Prewitt、Sobel 等邊緣檢測，計算過程簡單快捷，但是它們的邊緣提取仍然要依賴于圖像的灰度特征，容易受光照變化的影響，而且在檢測的過程中需要選取適當?shù)拈撝�，才能保證較好的檢測效果�？紤]到上述問題，本章利用相位一致性圖像特征來解決壓縮跟蹤方法對光照和對比度劇烈變化敏感的問題。

使用式(2-15)來計算一幅圖像的相位一致性變換，便可以得到對應的 PC 系數(shù)值，然后由這些系數(shù)值便可以得到一幅新的灰度圖像，它就是 PC 變換圖像。圖 2.9 中給出了 3 幅不同光照條件下圖像(見圖 2.9(a))的 Sobel 邊緣圖像(見圖2.9(b))以及對應的灰度直方圖(見圖 2.9(c))、相位一致性變換圖像(見圖 2.9(d))以及對應的灰度直方圖(見圖 2.9(e))，其中圖 2.9(c)的橫坐標為歸一化的圖像灰度值(圖像灰度除以 255)，圖 2.9(e)的橫坐標為相位一致性圖像的灰度值。相位一致性圖像不同于邊緣檢測提取的圖像：從圖 2.9(b)、圖 2.9(c)可以看到，對于 Sobel邊緣檢測提取的圖像，，其歸一化灰度值主要集中在 0～0.2 范圍內，只保留了原圖像的邊緣信息，其他信息大部分丟失；從圖 2.9(d)、圖 2.9(e)可以看到，相位一致性圖像的灰度值幾乎覆蓋了 0～1 范圍，保留了原圖像的大部分信息，對于不同亮度和對比度的圖像，對應的相位一致性圖像的直方圖幾乎一致，也就是說相位一致性圖像幾乎相同；PC 變換后的圖像的前景特征變得更加顯著，背景變得比較平滑，既增強了原圖像的特征又保留了原來的一些非特征點的信息，更能夠體現(xiàn)原圖像的特征。因而我們將從相位一致性圖像中提取的特征應用于分類器進行分類，能夠有效地抑制目標外觀光照及對比度變化對分類器判別結果的干擾，從而提高了分類器判別目標的能力。

......

第 3 章 基于核相關濾波器的自適應尺度目標跟蹤....................45
3.1 引言.........................................................45
3.2 基于核相關濾波器的目標跟蹤 .................................46
第 4 章 基于在線檢測的時空上下文目標跟蹤.........................73
4.1 引言........................................................73
4.2 基于時空上下文信息的目標跟蹤 ...............................74
第 5 章 基于 STC 跟蹤算法的硬件架構設計........................93
5.1 引言.........................................................93

5.2 目標跟蹤系統(tǒng)硬件平臺介紹 .....................................94

第 5 章 基于 STC 跟蹤算法的硬件架構設計

5.1 引言
在當今信息化戰(zhàn)爭中能否對目標實現(xiàn)精確打擊對于戰(zhàn)爭的勝負具有重大的影響，因此研制精確摧毀目標的制導武器對于提升軍隊的作戰(zhàn)能力以及國家的安全防御都有極為重要的國防意義[130]。各國對于精確打擊武器的研制越來越重視，陸、海、空三軍的各類新式精確打擊武器裝備都相繼產生，而實現(xiàn)其精確打擊的關鍵部分就是目標跟蹤系統(tǒng)。目標跟蹤系統(tǒng)是一種被動式的系統(tǒng)[131]，它首先利用從成像系統(tǒng)得到的圖像來獲取目標信息，然后通過控制設備、目標跟蹤器等對目標進行自動跟蹤，這樣就能夠使武器辨識目標并且對其進行有效摧毀；它是計算機、電子信息、半導體、圖像處理、人工智能以及自動控制等學科有機結合的結晶。早期的目標跟蹤系統(tǒng)一般是在通用計算機上實現(xiàn)的，而現(xiàn)在的目標跟蹤系統(tǒng)更側重于使用嵌入式系統(tǒng)來進行實現(xiàn)，并逐步向處理速度更快、跟蹤精度更高、智能化程度更高、功耗更低以及體積更小等方面發(fā)展。圖 5.1 給出了一個完整的目標跟蹤系統(tǒng)的組成框圖，主要包括圖像采集(成像設備)、目標跟蹤器(核心單元)、伺服控制以及顯示部分。

其中各模塊的功能如下：(1)成像設備，一般是可見光或紅外相機，用來從外界獲取圖像信息；(2)目標跟蹤器，是目標跟蹤系統(tǒng)的核心模塊，一般包括目標獲取、目標跟蹤、視頻疊加以及參數(shù)輸出模塊，完成視頻中目標位置的提取以及目標狀態(tài)的估計；(3)伺服控制結構，根據(jù)獲得的相關參數(shù)及時調整成像設備的位置，使目標能夠一直位于成像設備的視場中心；(4)顯示器，用于直觀地顯示目標跟蹤的過程。

......

第 6 章 總結與展望

6.1 工作總結及創(chuàng)新點
隨著計算機、電子、信息等現(xiàn)代科學技術的飛速發(fā)展，目標跟蹤技術在軍事應用、工業(yè)生產以及人們的日常生活等方面的應用越來越廣，與此同時目標跟蹤技術所面臨的挑戰(zhàn)也越來越多。本文針對復雜場景下的目標跟蹤算法以及硬件實現(xiàn)進行了研究與探索。首先對跟蹤算法以及硬件實現(xiàn)的研究現(xiàn)狀進行了總結，然后分別對壓縮跟蹤算法、核相關濾波器跟蹤算法、時空上下文跟蹤算法以及目標跟蹤算法的硬件架構設計進行了深入研究。本文的主要工作有以下幾個方面：

1.對基于壓縮感知的跟蹤算法進行了研究,針對在目標跟蹤過程中目標外觀變化容易引起跟蹤不穩(wěn)定的問題，提出了一種改進的跟蹤算法。首先將相位一致性引入到跟蹤過程中,以適應目標光照及對比度劇烈變化；然后對采集的正樣本進行加權處理，以區(qū)分樣本的重要程度；最后通過利用 Boosting 思想來建立強分類器，以提高分類性能；并通過實驗對算法進行了驗證和分析。

......

參考文獻（略）

本文編號：186247