彩色图像分割与复杂场景下视觉目标跟踪方法研究

摘要

随着数字信号处理理论和计算机技术的发展，视觉运动目标跟踪已经成为模式识别、图像处理、计算机视觉、武器制导等领域研究的重要课题。目标跟踪把图像处理、自动控制、信息科学有机结合起来，形成了一种能从图像信号中实时地自动识别目标、提取和预测目标位置信息、自动跟踪目标运动的技术。它在军事、工业、安保、智能交通、医学和科学研究等方面都具有重要的意义，发展应用前景广阔。 由于图像是3-D客观存在在2-D平面上的投影，其本身就是一个病态问题，再加上实际环境中目标运动的随机性和复杂性，例如目标大小、变形、运动速度、运动轨迹、目标颜色与背景颜色的相似程度、背景的稳定程度等，这些都会给目标跟踪带来困难。其理论和应用技术研究极具挑战性，目前仍存在许多问题和难点尚未解决。因此，研究复杂背景下的目标跟踪不仅具有重要的理论意义，而且具有广泛和很高的实用价值。 本文从目标跟踪所涉及的四个主要方面(运动目标提取与目标区域的分割，目标特征提取，目标描述以及目标跟踪过程)进行了研究与探讨，取得了一些积极的结果，但仍存在着许多问题和不足。主要研究内容和结果概括如下： 1、研究并提出了一种基于自组织特征映射神经网络的彩色图像分割方法。利用各像素的RGB值作为输入样本对网络进行训练；根据竞争层特征映射点的密度分布图，利用自组织映射分析的方法，确定图像颜色的聚类数和聚类中心；利用距离竞争取胜的原则处理每个像素，实现了彩色图像的区域分割。另外，用改进的基于Fisher距离的有效性函数作为最佳聚类数确定的依据，来描述数据集硬划分的类间分离性，构造了一种自适应SOFM神经网络的彩色图像分割方法。实验表明分割效果良好，满足目标跟踪颜色特征提取的要求。 2、将遗传算法应用到二维熵多阈值图像分割过程，采用基于多阈值的整数编码方式，在图像分割区域数已知的情况下，研究了基于固定码长遗传算法的多阈值分割方法；在图像分割区域数未知的情况下，研究并提出了一种基于二维熵多阈值的自适应可变码长彩色图像分割方法，将图像分割的类别

目录

摘要

ABSTRACT

缩略词表

第一部分 绪论

第一章 课题研究的目的和意义

1.1 课题研究的目的

1.2 图像分割研究的意义

1.3 目标跟踪研究的意义

第二章 目前国内外的研究现状和存在的问题

2.1 目标跟踪的基本数学模型

2.2 目标区域提取技术

2.3 目标的特征提取

2.4 目标跟踪

2.5 存在的问题

第三章 本文的研究技术路线和主要研究内容

3.1 研究技术路线

3.2 主要研究内容与论文结构

3.3 论文的主要贡献

参考文献

第二部分 彩色图像分割方法研究

第四章 引言

4.1 图像分割的定义

4.2 图像分割算法的分类

4.3 本部分的主要研究内容与各章节安排

第五章 基于自组织神经网络彩色图像自适应聚类分割

5.1 聚类分析简介

5.2 聚类分析与神经网络对彩色图像分割的意义

5.3 聚类算法的研究

5.4 SOFM神经网络

5.5 基于SOFM网络的图像聚类分割算法

5.6 基于自适应自组织特征映射神经网络的图像分割算法

5.7 两种图像聚类分割算法的分析与比较

第六章 基于遗传算法的彩色图像熵阈值分割

6.1 遗传算法概述

6.2 二维熵阈值选择法

6.3 基于GA的二维熵阈值彩色图像分割

第七章 第二部分结论

参考文献

第三部分 运动目标分割与特征提取

第八章 引言

8.1 视频运动目标分割的主要方法

8.2 本部分主要研究内容和章节安排

第九章 运动目标分割与提取

9.1 背景消减法

9.2 双差分法

9.3 运动检测

9.4 运动目标

9.5 背景更新

第十章 实验步骤及实验结果

10.1 运动目标分割的实验步骤及实验结果

10.2 边缘特征和颜色特征提取

10.3 第三部分结论

参考文献

第四部分 复杂场景下视觉目标跟踪方法研究

第十一章 引言

11.1 目标跟踪研究的特点

11.2 本部分的主要研究内容和章节安排

第十二章 遮挡情况下基于特征相关匹配的刚性目标跟踪

12.1 遮挡问题

12.2 匹配特征的选择

12.3 基于当前统计模型的Kalman预测

12.4 遮挡下边缘匹配算法

12.5 遮挡下基于多子块的灰度匹配算法

12.6 实验结果及分析

12.7 小结

第十三章 基于改进粒子滤波算法的目标跟踪

13.1 粒子滤波器的优点

13.2 粒子滤波器的原理

13.3 粒子滤波算法在目标跟踪中的应用

13.4 颜色模型选择及加权直方图计算

13.5 基于改进的粒子滤波算法的目标跟踪

13.6 目标丢失判断与重新初始化

13.7 实验结果及分析

13.8 小结

第十四章 均值漂移算法和粒子滤波器相结合的目标跟踪

14.1 均值漂移算法原理

14.2 均值漂移算法应用于目标跟踪

14.3 改进的均值漂移跟踪算法

14.4 改进的均值漂移算法与粒子滤波器相结合的目标跟踪

14.5 小结

第十五章 第四部分结论

参考文献

全文结论

致谢

攻读博士学位期间发表的论文

攻读博士学位期间获得的科技成果奖励

攻读博士学位期间承担完成的科研项目

学位论文评阅及答辩情况表