基于图像的目标识别与跟踪方法研究 修复的.docx
- 文档编号:18552011
- 上传时间:2023-08-19
- 格式:DOCX
- 页数:31
- 大小:1.56MB
基于图像的目标识别与跟踪方法研究 修复的.docx
《基于图像的目标识别与跟踪方法研究 修复的.docx》由会员分享,可在线阅读,更多相关《基于图像的目标识别与跟踪方法研究 修复的.docx(31页珍藏版)》请在冰点文库上搜索。
基于图像的目标识别与跟踪方法研究修复的
摘要
随着计算机视觉技术和图像并行处理技术的飞速发展,基于图像的目标识别与跟踪技术在军事领域、航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用,也成为自动控制、计算机视觉和模式识别等领域的研究热点。
本论文以实际科研项目为课题研究背景,主要围绕基于图像的目标识别与跟踪技术开展相关研究工作。
首先,论文针对目前实际图像所普遍存在的高斯噪声和脉冲噪声,给出了一种图像自适应.模糊滤波算法。
该算法首先判别并标定图像噪声,以实现两类噪声的分离。
采用自适应中值滤波算法滤除脉冲噪声,有效地克服了中值滤波的不足。
再有效滤除脉冲噪声的基础上,文中引入了模糊控制中隶属度函数的概念以改进均值滤波算法,结合图像直方图自适应给出隶属度函数的阀值,克服了均值滤波造成图像模糊的不足。
其次,论文给出了基于特征空间描述的Gabor小波特征识别算法。
在对Gabor小波自身特性和参数特性进行了深入分析的基础上,给出了新的Gabor小波系数快速计算方法和新的Gabor小波参数选取方法。
在计算Gabor小波系数的快速算法中,通过建立离散哈特莱变换与Gabor小波系数变换之间的对应关系来实现对Gabor小波系数的快速计算。
该方法较经典的Gabor小波系数计算方法在计算量上有明显减少。
在Gabor小波参数选取的问题中,本
文在广泛应用的经典参数组合法基础上,通过引入概貌和细节结合的能量函数概念及方向寻优算法来选取Gabor小波参数。
该方法既能够有效发挥Gabor小波参数特性,又能够避免经典参数组合法对Gabor小波参数选取过多而造成计算量过大的问题。
在研究Gabor小波的特征点匹配过程中,论文给出了“子运动目标”和“子模板”的概念,改变普通匹配方法中将图像模板作为整体看待的思维定势。
可以通过“子模板”的匹配实现对图像目标的识别与跟
踪,虽然同样存在图像匹配遍历问题,但可大大减少图像匹配的计算量,减少图像匹配的计算时间。
在基于模板匹配的目标识别算法中,论文给出了改进的序贯相似性检测算法和改进的均值移动算法。
在改进的序贯相似性检测算法中,主要从算法的快速性和准确性上出发,给出了四条改进建议和模板更新策略。
均值移动算法是目前相对较新的一种目标识别算法,具有实时性好、定位准确和鲁棒性强等优点,但也存在如对于快速有遮挡目标识别跟踪效果不好等不足。
论文针对快速运动目标、目标遭遇大比例遮挡和目标丢失等不足给出了相应的
改进方法。
最后,针对图像目标跟踪问题,在建立机动目标数学模型的基础上,针对应用较为广泛的当前统计模型卡尔曼算法在强机动性目标情况下所表现出来的不足,给出了一种基于卡尔曼的非线性自适应跟踪算法。
该方法具有能够有效补偿模型线性化所带来的误差、实时调整系统增益、提高预测精度和增强对强机动目标的跟踪能力等优点。
研究背景和意义
随着计算机视觉技术和图像并行处理技术的飞速发展,目标识别与跟踪技术在移动机器人、战车与坦克、飞机、导弹、舰船等军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用,也成为自动控制、计算机视觉和模式识别等领域的研究热点。
基于图像的目标识别与跟踪技术是利用成像系统所采集的图像,自动地提取或识别相应目标,并对其进行跟踪。
即通过一系列图像数据实现对目标的识别与跟踪。
实时性好、定位精度高和抗干扰能力强的目标识别与跟踪算法己成为图像目标识别与跟踪技术的攻关重点,具有重要的军事、经济和社会价值。
目前,基于图像的目标识别与跟踪技术在国内外各个领域和方面均得到了十分广泛的应用。
在军事方面,军用卫星、战区导弹防御、侦察机、导弹制导、火控系统及小型自寻的导引头等军事武器均广泛应用了图像目标的识别与跟踪技术,大大提高武器系统的运动攻击性能及作战指标。
美国空军“幼畜”(Maverick)导弹是最著名的一种电视制导导弹,由于图像
目标的识别与跟踪技术的应用,该导弹可做到自动发现并锁定目标,并对目标实施摧毁,大大提高了作战效能;武装直升机和现代坦克战车也都借助高性能光电稳定瞄准具等先进光电设备,如高清晰度前视红外传感器、高分辨率和高倍率的CCD传感器等光电设备,结合目标的识别与跟踪技术大大提高了其在战场中的生存能力、提高有效打击力、增加全天候作战效能。
在民用方面,图像目标的识别与跟踪在科学探测、航空和航天对地观察、摄影和地形测绘上同样发挥着十分重要的作用。
随着科学的发展和生活水平的提高,一些高档的手持和肩扛拍照和摄录像系统也广泛地应用了人脸识别与跟踪技术,提高系统的成像质量。
图像目标的识别与跟踪在智能交通、身份识别等领域也得到了十分广泛的应用,取得了很好的社会价值。
概述
国内外研究发展综述
美国、英国等国家在对目标的识别与跟踪方面开展了大量相关项目的研究。
1997年美国国防高级研究项目署设立了以CarnegieMellon大学牵头,麻省理工大学等高校参与的视觉监控重大项目VSAM(VisualSurveillanceandMonitoring),主要研究用于战场及普通民用场景进行监控的自动视频理解技术。
美国Boston大学和Maryland大学研制的用于高速公路汽车上的实时视觉系统采用颜色、边缘和运动信息来识别和跟踪道路边界、车道和其它车辆等。
Maryland大学研制的实时视觉监控系统W4是一个对人及其肢体行为进行实时处理的系统,它不仅能够检测和跟踪人体的运动,而且可以通过建立外观模型来实现多人的跟踪,还可以检测人是否携带物体等简单行为旧;英国的雷丁大学(UniversityofReading)开展了对车辆和行人的跟踪及其交互作用识别的相关研究∞l。
美国麻省理工大学在运动物体的检测、识别与跟踪方面也作了大量的研究工作。
国内开展相关研究工作己经多年,目前在民用领域,像视频监控、人脸识别、车辆识别等场合的应用研究较多,取得了较大的成就。
南京理工大学负责2002年开发的大庆油田“油库区视频图像智能监视和跟踪系统”旧采用基于特征点匹配的配准方法和基于均值迁移的跟踪方法,可在监控范围内自动检测判断有无运动目标,如果存在运动目标则根据其运动方向,控制摄像转动,将目标锁定在视野范围中进行跟踪,直到人工解除或目标离开监视范围为止,该系统在PC机上进行的试验可获得每秒1.2帧的识别跟踪速度。
中国科学院自动化研究所模式识别国家重点实验室、清华大学、上海交通大学、华中科技大学图像识别与人工智能研究所、西安电子科技大学、四川大学等研究机构和高校也在目标检测、识别和跟踪方面做了大量的研究工作,取得了一系列的研究成果。
目标的识别和跟踪研究的内容口一很多,如何从景物的原始灰度图像中提取图像的描绘特征是一个关键的内容,关系到整个系统的可靠性与精度。
其
过程一般有四个基本工作状态:
搜索状态、捕获状态、跟踪状态和记忆状态,如图1.1所示。
整个系统的运行是一个状态转换的过程,各个状态中都需要完成图像目标的相关信息处理。
由于目标运动及环境变化等因素的影响,输入的序列图像是时变的,目标本身的图像也是发生变化的,系统需要根据有限的条件从实时图像中准确地提取出目标参量,并对时变的目标参量进行识别与跟踪。
搜索状态:
系统根据输入参数选择搜索模式(自动搜索或人工搜索)。
如果是自动搜索系统就根据算法全域搜索视频序列图像,一旦发现目标转入识别状态;如果是指定目标跟踪,系统就处于等待指定目标状态,当系统给出人工指定目标的初始位置并发出跟踪命令,系统搜索到指定位置的目标后转入捕获状态。
识别状态:
对搜索状态下两帧图像中搜索到的目标进行特征匹配,如果匹配成功就认为目标捕获成功,进入跟踪状态。
否则回到搜索状态。
跟踪状态:
处于正常跟踪状态时,运用预测跟踪技术对目标可能位置以及目标可能存在区域进行预测,从而减小搜索范围,达到实时跟踪的目的。
系统对后继的每一帧图像在预测的范围进行处理,检测出目标,并给出目标
的位置信息等,如果未能发现目标就转入记忆状态。
记忆跟踪状态:
在跟踪过程中,可能会出现因运动目标被遮挡、覆盖而发生丢失的现象,此时虽然由于该目标的各种识别特征可能发生比较大的随机变化,但由于目标的运动的规律性决定了其中一些如:
位置、方向等仍是可以预测的。
系统通过预测算法估计目标的特征向量的一部分分量。
当记忆跟踪的时间超过最大记忆时间以后系统自动转入搜索状态重新搜索运动目标。
目标识别方法国内外研究现状
国内
图像目标的识别与跟踪系统所采集的图像,往往由于自身的噪声问题或图像后续算法等原因,一般需要对所采集图像进行预处理工作。
图像的预处理工作一般分为:
图像滤波、图像分割和图像边界提取等工作。
图像滤波的方法有很多,可以按线性和非线性、空域(图像域)和变换域、灰度图像和彩色图像等进行分类。
线性滤波由于数学计算简单、能够有效的抑制加性高斯噪声,已经在图像处理中取得了广泛的应用。
均值滤波器是最简单且最具有代表性的一种线性滤波器。
从均方误差的角度来说,均值滤波器是抑制高斯噪声的最优滤波器。
线性滤波器存在的最大问题是会在抑制噪声的同时模糊图像的边缘,破坏线条、细小纹理等图像的细节,并且对于具有长脱尾分布的噪声和与信号相关的噪声效果较差。
线性滤波器的缺陷导致人们逐渐关注非线性滤波器的研究。
非线性滤波器的代表中值滤波器在近些年来得到了很大的发展,取得了不少的成果并揭示了很多新的研究领域。
如堆滤波器m1(stackfilter)、多级中值滤波器(multistagemedian)、加权中值滤波器(weightedmedian)等。
滤波的目的就是要把有用的信号从噪声中提取出来。
当信号和噪声的频谱相互不重叠时,可以用带通滤波器把信号和噪声加以分离。
但是当信号和噪声的频谱相互重叠时,就要采用维纳滤波的方法来得到信号的线性最小均方误差估计。
维纳滤波的方法是一种统计方法。
它用的最优准则基于图像和噪声各自的相关矩阵,所以由此得到的结果在平均意义上最优。
但是维纳滤波器需要知道信号谱和噪声谱的信息,并且在信号发生跳变时滤波效果不好。
由于小波变换的低熵性、多分辩特性、去相关性和选基灵活性等特点,使得小波在图像滤波中往往具有较好的效果,这使得近二十年来图像滤波的焦点逐渐由时频域转变到小波域。
小波分析与时频分析的区别在于:
时频分析在时频平面上表示非平稳信号;小波分析描述非平稳信号虽然也在二维平面上,但不是在时频平面上,而是在所谓的时间一尺度平面上。
在小波分析
中,人们以不同的尺度来观察信号。
信号分析的这种多尺度观点是小波分析的基本点。
早在1992年,Mfllat提出奇异性检测的理论,从而可以利用小波变换模极大值的方法结合边缘检测来去除噪声。
然而真正实现简单且效果较好的小波去噪方法是Donoho提出的软阈值方法㈣,并由此带动了小波阈值去噪方法的研究热潮。
此外基于数学形态学、神经网络理论、模糊理论、各项异性扩散方程和高阶统计量等理论的滤波方法也在图像滤波中占有一席之地。
近些年来,又出现了一些利用图像的先验知识进行图像滤波的方法H。
蛔,这些图像的先验知识包含了与图像内容相关的信息。
与没有利用图像先验知识的滤波器相比,利用图像先验知识设计的滤波器常常取得更好的滤波效果。
通常图像的边缘识别信息量最大,所以边缘的提取技术是图像处理中的一项关键技术。
各种经典的算子,Roberts算子、Kirsch算子用于检测阶跃型的边缘:
Laplaeian算子用于检测脊型或边缘效应型的象素点,Sobel和Prewitt算子具有较强的抗噪声能力。
这些算子在实际应用中都需要设定阀值,作为判定是否为边缘点的门限,而在实际应用中这一门限是很难统一确定的。
一种模糊边缘检测技术:
可以实现边缘的非阀值检测。
它首先计算图像象素的隶属度函数,进行模糊增强及逆变换,最后利用min算子提取边缘。
根据文献介绍的实验结果表明这种方法比传统的算子方法优越。
文献【53】和文献【54】对各种算子作了论述,并利用Sobel算子进行了边缘检测实现了图像分割。
文献[55】和文献【56】分别研究了基于协方差模型和高阶Markov模型的边缘检测方法。
而文献【57】和文献【58】中应用了
小波变换对图像进行边缘检测。
这些文献反映了各种新理论和新方法在边缘提取中的应用。
目标的识别方法根据发表的相关文献可以分成两类;基于运动分析的方法和基于图像匹配的方法。
运动分析
运动特征作为目标的一种视频信息对探测目标非常重要。
尤其在信噪比低,背景复杂的情况下,依靠单帧图像无法探测出来的目标可以对序列视频图像进行运动分析把目标提取出来。
基于运动分析的方法概括地说,是通过检测序列视频图像视场中目标和背景的不同运动速度来发现目标存在的区域,从而实现识别与跟踪。
运动目标是别与跟踪方法可以分为帧问差分方法、光流分割法和频率域方法三种。
帧间差分方法:
简单的说,就是对相邻帧图像作相减运算之后,对结果图像取闭值并分割,从而提取出运动的目标。
当摄像机位置固定时,只要对相邻帧图像直接作差分,就可以检测出视场中的差异部分,发现运动目标的存在区域,解决目标跟踪问题。
例如,在文献[64]中,介绍了一种对序列图像做差分后,对差分后的图像取差值并累加来提取目标的方法。
如果目标的速度不变化,在累加的图像中,目标的运动轨迹会形成一条直线,可以通过Hough变换来检测这条直线,从而找到目标。
这种方法不适合低信噪比的情况,因为这种情况下区别运动目标和背景的阀值无法确定。
对相邻帧图像直
接做差分的方法只适合摄像机不动的情况。
如果摄像机自身也处于运动状态,则由于目标和背景同时处于运动中,而不能通过简单的检测视场中的差异部分来提取目标,要通过对背景的运动进行补偿后,才能将目标的运动从背景的运动中区分出来。
在文献[65]中,通过贝叶斯方法计算光流来找到大面积背景的运动,将两帧图像根据这个运动重新对齐,使背景重合,再用图像相减的方法检测出相对背景运动目标的方法。
光流分割法:
通过计算光流并对光流图像分割来检测运动目标。
光流是指图像灰度模式的表面运动。
基于光流估计的方法都是基于以下假设:
图像灰度分布的变化完全是由于目标或背景的运动引起的,也就是说,目标和背景的灰度不随时间变化。
通过光流分割法检法目标时,要根据不同的情况区别对待。
如摄像机运动而目标静止、摄像机静止而目标运动、或者两者都处于运动中。
如果背景不动,可以检测光流图像中的最大值来提取目标,如果背景运动,需要利用先验知识,根据光流的变化来区分目标与背景。
光流法可以描述多种目标运动情况,在动态视频中,目标的运动通常可以用以下四种运动的某种组合来描述wrl,在与摄像机距离固定的平面内的平移;在摄像机景深方向的移动;在与摄像机距离固定的平面内沿视轴的旋转;垂直于视轴的平面物体的旋转。
这些运动方式产生的运动向量也各有特点:
在一定距离平面内的平移表现为平行的运动向量;在景深方向的移动形成的速度向量都经过一点,这个点叫做汇集点;在固定距离内的旋转形成一组具有公共圆心的运动向量;垂直于视轴的平面物体的旋转形成一组或几组以直线为起点的向量。
基于以上结论,通过对光流的简单处理就可以识别这些基本的运动,例如,对平移运动来说,如果平移不是处于固定的景深内,则光流向量不平行,而是指向汇集点;如果平移在固定的景深内,则汇集点在无穷远处。
如果图像中存在多个移动目标,每个目标都有自己的汇集点。
光流的计算方法包括梯度法、块匹配法和频率域方法等。
大多数的光流计算方法相当复杂,且抗噪声能力差,如果没有特别的硬件装置则不能应用于视频的实时处理。
光流分割方法不适合目标只有几个像素的情况,因为此时光流计算的误差容易产生虚警;另外,光流法只有当图像捕获的间隔很短时才适合。
频率域方法:
将视频图像序列变换到频率域,然后根据变换系数的幅值或相位来检测目标的运动。
Fourier变换是常用的频率分析方法。
其中,利用变换系数幅值的方法,是根据在空间域的卷积等于在频率域相乘这个Fourier变换性质,将图像中的模板相关转换到频率域实现,以增加运算效率。
利用变换系数相位的方法根据空间域的平移对应于频率域内的相移这个Fourier变换性质来检测目标的运动。
在文献[68]中,利用具有不同频率的三维Gabor滤波器对视频图像序列滤波,然后用最小平方的方法找到这个速度平面,提取出目标的运动信息。
小波变换作为时频分析的方法,也可以对三维图像序列中的运动进行分析,与Fourier变换相比,因为增加了空间域内的定位信息,更有利于运动目标的检测。
在文献[69]中,介绍了一种在摄像机静止条件下,利用一维小波变换和卡尔曼滤波跟踪图像序列中的低对比度条件下的多个小目标的方法。
通过对连续的多帧图像中固定像素位置的图像灰度组成的一维图像灰度信号进行小波变换,提取由于目标变化导致的灰度变化信息。
与简单的图像差分
的方法相比,由于增加了时间域的支撑,获得了对噪声的鲁棒性。
同样依靠对多帧图像处理来获得抵抗噪声的能力的文献还有文献[70]和文献[71]。
在这两篇文献中介绍了一种利用三维的时空小波来跟踪导弹头部的跟踪系统。
利用连续小波组成一组时空滤波器,滤波器的参数与目标的速度和尺寸有关。
通过对连续多幅图像的时空小波变换,提取出目标的运动速
度,位置和尺寸等参数。
该系统将注意力集中在图像存在噪声和目标作加速运动且弹道轨迹有交叉这种复杂情况上。
但这种方法为了实现速度估计的准确性,要求在内存和处理时间限制内,一次处理尽可能多的图像,使整个系统的时间延迟增加。
基于运动的方法虽然因为考虑了整个区域的信息增加了系统的鲁棒性,依靠增加时间域的支撑,获得在低信噪比和复杂背景条件下检测目标的能力。
但是这种方法需要找到整个图像区域内的逐点对应,通常很费时,而且局限于目标与背景的灰度保持不变这个假设条件下。
而基于匹配技术的目标识别方法在可以在目标和背景的亮度、对比度等不断变化时,仍然稳定的识别跟踪目标而在实际系统中广泛的得到应用。
匹配技术
为了求得运动目标在视频图像序列每一帧中的变化,将一帧图像中的一组图像结构作为辨识的模板,对另一帧作搜索,以寻找对应的结构。
这种运动目标的估计和分析方法称为匹配技术。
匹配技术可以使用的匹配准则包括:
最大相关函数、最小方差函数、最小平均绝对差值函数和最大匹配像素统计等m。
不同的匹配准则的数学含义也不相同,计算代价也不相同。
但是总的来说,其计算量都是很大的。
目前,一般的解决方式大体有算法的并行处理、多分辨率匹配、目标位置预测和粗精匹配等方法,以解决算法计算量过大的问题。
归一化相关或者模板匹配的方法是一种常用的匹配方法。
目前常用的视频跟踪的相关跟踪方式就是在图像的子空间利用模板匹配的方法,根据匹配准则,在所有可能的位置搜索与图像模板最一致的区域。
匹配可以在图像空间进行,直接利用像素灰度匹配(也称为模板匹配)。
也可以在特征空间进行,利用图像特征来匹配。
在图像空间的匹配可以在图像的整个区域上进行,也可以在很小的图像子区域内进行。
a.基于像素空间匹配(模板匹配)的方法概述:
基于像素的方法是在图像域内直接利用像素进行匹配跟踪,这种方法的
优点是,直接利用目标的像素组成模板,找到不同帧之间的图像对应关系,
因此不需要提取目标特征和建模等计算,方法相对简单,算法的实时性较好。
一般来说,基于像素灰度的方法一般用于系统实时性要求较高的场合。
但是
这种方法完全依据于图像数据,存在以下缺点:
1)互相关算法的运算量大。
2)对于尺度、旋转等图像变形问题,模板匹配很困难。
3)目标或背景的亮度、对比度变化会导致模板匹配不稳定。
由于这些缺点的存在,这种归一化相关或模板匹配方法只限制在目标运动简单,只有平移运动,视角固定或变化缓慢,背景也相对简单的情况。
另外,当跟踪图像中存在杂波、噪声,目标存在较大的尺度方位变化时,这种跟踪方法不再可靠,容易产生跟踪点偏离。
如果把模板匹配的方法改为对图像的变形参数进行优化方法来寻找与模板的最佳匹配,可以解决尺度、方位变化的问题。
但是由于图像是离散的,要用插值方法对变形后的模板进行像素级的模板重建来与图像匹配,运算量很大。
b.基于特征空间匹配的方法概述
原始特征的数量可能很大,或者说样本处于一个高维空间中,通过映射或变换的方法可以用低维空间来表示样本,这个过程叫做特征提取。
“特征提取”这一词在有的文献中专指特征的形成过程,有的则指从形成、经选择或变换直到得出有效特征这一全过程。
通过对目标进行测量,可以得到目标的一种描述,例如,通过对图像传感器输出的视频信号的采样与量化
过程就是把一个目标用一个二维的灰度阵列来描述的方法。
这种在测量空间的描述往往不能反映目标的固有特征,比如目标用一个二维的灰度阵列来描述时,随着摄像机的位置、照度等因素的变化对目标的描述就发生了变化。
因此,人们希望从测量空间变换到特征空间,寻找一种能够反映目标固有特征的目标描述方法,将被研究的目标在这个特征空间中用一个特征向量来表示,这个特征向量不随观察的视角和周围的光照条件而变化。
特征点对于不同的图像类型及用途,有不同的获取方法。
关于图像的特征一般可以分为如下4种:
1.直观性特征:
如图像的边沿、轮廓、纹理和区域等。
这些都属于图像灰度的直观特征。
它们的物理意义明确,提取比较容易。
对于图像边沿的检测,常用的边缘检测算子有拉氏算子、Mary算予、Sobel算子、Kirsh算子等。
文献[79]进一步引入模糊理论对边缘点进行选择,为进一步匹配提供了可靠的特征点。
2.灰度的统计特征:
如直方图特征,将图像看作一种二维随机过程,引入统计上的各阶矩作为特征来描述和分析图像是目前普遍采用的方法。
所周知的图像的7个不变矩,Zemike矩等。
文献[80]中通过定义6个不变矩实现目标的图像匹配.
3.代数特征:
将图像作为矩阵看待,可对其进行各种代数变换,或进行各种矩阵分解,得到矩阵的特征向量。
由于矩阵的特征向量反映了矩阵的一种代数属性,并且具有不变性,因此可以用来作为图像特征。
4.变换系数特征:
对图像进行各种数学变换,可以将变换系数作为图像的一种特征。
如Fourier变换、Gabor变换、小波变换等通过数学变换,可以在时域和频域内对图像进行分析,因此能够更本质、更细致的反映图像的信息。
基于特征匹配的方法是根据图像特征或特征组成的模型来检测运动,识别运动物体。
如灰度变化较明显的点或线以及区域、目标的形状、边界、角点或者它们的组合。
提取特征的方法很多,可以直接在空间域提取特征,如利用不变矩提取形状特征;也可以在变换域内提取特征,如利用Fourier描述子提取轮廓特征;Hough变换和广义Hough变换提取直线和曲线特征。
还有利用如小波变换算法、FFT算法、分层搜索的序贯判决[96]算法、不变矩匹配算法、相位相关算法图像特征来匹配。
由序列图像进行基于特征的运动检测方法分为以下三个步骤:
1)变化图像的逐帧分割和目标特征的提取;
2)目标特征的帧间对应关系建立;
3)用特征相关计算运动参数。
因为描述是基于特征的,所以基于特征匹配方法较基于灰度空间匹配最大的优点是对于几何变形和亮度的变化不敏感,算法的鲁棒性比较好。
下面分别对常用的特征和提取特征的方法加以介绍。
主要分为空间域内的特征提取和小波变换(频率域和时域)的特征提取。
a.在空间域内的特征提取
边缘是最基本的目标特征。
所谓边缘是指其周围像素有灰度的阶跃变化或屋顶状变化的那些像素的集合,它存在于目标与背景、目标与目标、区域与区域之间。
边缘是图像分割所依赖的最重要的特征,也是纹理特征的重要信息源和形状特征的基础。
边缘对灰度的变化不敏感,可以作为匹配的特征点。
最简单的提取边缘的方法是对原始图像按像素的某邻域构造边缘检测算子,例如梯度算子,Sobel算子,拉普拉斯算子,Kirsch算子等。
Mary提出用二维高斯加权;函数对原始图像做平滑来克服噪声的影响,然后检N--阶方向导数的零交叉点作为边缘点。
另一种边缘检测的方法是对原始图像用最佳拟合曲面做近似,然后在拟合曲面上作边缘检测。
纹理也是一种基本的目标特征,它指在图像中反复出现的局部模式和他们的排列规则。
利用自相关函数的变化规律可以描述图像的纹理特征。
我们也可以用图像在变换域里的系数作为纹理特征。
例如,可以将图像做Fourie
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于图像的目标识别与跟踪方法研究 修复的 基于 图像 目标 识别 跟踪 方法 研究 修复
![提示](https://static.bingdoc.com/images/bang_tan.gif)