基于单目视觉的地面目标状态估计算法研究

摘要

本文在地面目标状态估计方面展开深入研究，提出了一种基于单目视觉的速度估计算法，通过云台摄像机可以准确地估计出地面目标在世界坐标系下的运动速度，提高了系统的准确性。此外，编写了一套应用软件，将状态估计算法嵌入其中，用于验证其性能。主要研究内容包括：
　　 ⑴针对视觉传感器难以直接获得高度信息以及传统的高度计测量偏差较大的缺陷，提出了一种基于地面目标尺寸的高度估计算法。首先，需要从图像中检测出目标的两个边界点。为此，本文设计了一套三级检测机制，分别为基于灰度直方图的边界点检测策略、基于道路样本库的边界点检测算法以及基于自适应阈值分割的边界点检测方法，各层算法复杂度由易到难，以保证边界点检测的成功。此外，对于圆形或椭圆形这种特殊形状的目标则采用CamShiR算法，借助目标形状特征，可以更加快速地计算出其在图像中的边界点。在此基础上，结合地面目标的尺寸信息，通过单目视觉的方法估计出云台摄像机距目标所在平面的垂直高度，进而估计摄像机与目标之间的深度距离，为随后的状态估计所用。
　　 ⑵在估计地面目标运动速度的过程中，由于低成本的视觉传感器成像精度低，使得如何准确地估计其运动状态成为一个难题，因此本文采用了一种自适应Kalman滤波算法来估计目标在世界坐标系下的运动速度。该算法的优点是可以估计目标运动速度中包含的噪声，获得噪声统计特性。在此基础上，对观测噪声协方差矩阵进行在线调整，以抑制目标运动过程中的状态突变现象，有效弥补视觉传感器成像精度低的缺陷。首先，在跟踪过程中利用云台摄像机记录目标的图像信息。其次，当跟踪过程结束后，在离线情况下利用此信息估计目标运动速度所对应的过程噪声协方差矩阵Q以及观测噪声协方差矩阵R，从而获得噪声的统计特性。在随后的应用中，将Q、R作为卡尔曼滤波所需的协方差矩阵，设定比例因子，当状态观测值与预测值之间的偏差超过设定阈值时，利用该增益因子对观测噪声协方差矩阵进行在线调整，抑制噪声突变，最终精确地估计出目标在世界坐标系下的运动状态。
　　 ⑶在状态估计过程中，由于目标的运动，会使其在图像中的尺寸逐渐变小，容易引起误检测现象。为此论文将自动变焦算法应用至状态估计过程中，通过改变摄像机焦距，调整目标在图像中的尺寸，从而抑制误检测现象。此外，利用加权型CamShift算法，在搜索框周围设定加权区域，当目标经过与其自身颜色相近的背景时，能够将目标与背景区域有效分离。最后，提出了一种灰度调节策略，当目标周围环境的光照强度突然变暗时，通过调节摄像机的灰度值来增强图像亮度，防止目标从图像中丢失。

目录

文摘

英文文摘

第一章 绪论

第一节 研究意义

第二节 研究现状

1.2.1 地面目标状态估计研究现状

1.2.2 单目视觉的研究现状

第三节 论文结构及主要内容

第二章 基于地面目标尺寸的高度估计策略

第一节 引言

第二节 基于图像的目标边界点检测算法

2.2.1 一般形状目标边界点分层检测方法

2.2.2 圆形或椭圆形目标边界点检测方法

第三节 基于目标尺寸的高度估计算法及误差分析

2.3.1 高度估计算法原理

2.3.2 误差分析

第四节 软件平台与实验结果

2.4.1 系统软件平台

2.4.2 实验结果

第三章 基于自适应Kalman滤波的地面目标状态估计算法

第一节 引言

第二节 Kalman滤波基本理论

第三节 基于自适应Kalman滤波的地面目标状态估计算法

3.3.1 系统状态及观测模型描述

3.3.2 目标运动速度的协方差矩阵估计

3.3.3 观测协方差矩阵自适应策略

第四节 实验结果

第四章 基于自动变焦与背景自适应策略的状态估计方法

第一节 引言

第二节 基于图像目标尺寸的自动变焦方法

第三节 基于加权型搜索窗的CamShift算法

第四节 基于图像的灰度自动调节方法

4.4.1 灰度计算区域的选取

4.4.2 基于图像的灰度自动调节策略

第五节 实验结果

4.5.1 自动变焦实验结果

4.5.2 加权型CamShift实验结果

4.5.3 灰度调节实验结果

第五章 结论与展望

第一节 结论

第二节 展望

参考文献

致谢

个人简历、学术论文和研究成果