论文部分内容阅读
基于全景视觉的动态目标检测与跟踪，在安防监控、辅助驾驶、现场监测、车载巡检、飞行器制导及空间机器人等方面都有直接或潜在的应用前景，其相关检测与跟踪技术具有重要的研究意义。本文针对全景视觉亟待解决的一些关键问题进行深入的研究。
（1）针对全景视觉图像畸变严重问题，本文对Horn-Schunck光流技术进行改进，并提出基于Horn-Schunck的Gabor滤波模型，对光流图像进行Gabor滤波分解，在此光流子图像上进行分割，提取动态目标。实验证明，该方法克服了传统光流分割技术复杂、背景噪声大的缺点，提高了动态目标检测能力。
（2）为了找出最佳性能的滤波器进行动态目标跟踪，本文对多种粒子滤波算法（PF、EPF和UPF）进行研究，采用三种进化计算方法（PSO、GA、EP）优化粒子滤波（PF、EPF和UPF）。提出改进粒子群优化PF算法（PSO_PF），使得粒子集不断地向真实状态靠近。并提出将改进的粒子群算法与遗传算法相结合（PSO_GA），或与进化规划算法相结合（PSO_EP），全面优化PF算法、EPF算法，避免了采用单一算法进行优化带来的不足和缺陷。在此基础上本文还提出采用进化计算方法优化EPF和UPF，包括粒子群优化EPF（PSO_EPF），遗传算法优化EPF（GA_EPF），进化规划优化EPF（EP_EPF），粒子群优化UPF（PSO_UPF），遗传算法优化UPF（GA_ UPF），进化规划优化UPF（EP_UPF）。实验表明本文提出的改进算法较好地解决了粒子退化问题，提高了估计精度。
（3）直接在全景视觉基础上展开动态多目标跟踪面临许多难点。针对全景视觉中动态目标出现尺度缩放、旋转变化等问题，本文提出自适应变形椭圆模板，提取颜色和Laplace梯度直方图的混合特征，利用互信息技术计算粒子的相似度。采用具有跟踪精度高、速度快的粒子群与进化规划优化粒子滤波算法，实现了动态目标实时跟踪。并且利用遗传算法快速寻优能力，实现了多目标在线聚类划分。