資源描述：
《基于寬視場拼接成像的目標分割與跟蹤算法研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、分類號：TP391密級：公開UDC：編號：基于寬視場拼接成像的目標分割與跟蹤算法研究Studiesonthealgorithmoftargetsegmentationandtrackingbasedonwide-field-of-viewimagemosaic學位授予單位及代碼：長春理工大學（10186）學科專業(yè)名稱及代碼：儀器科學與技術（080400）研究方向：視覺檢測技術申請學位級別：博士指導教師：楊進華教授研究生：王曉坤論文起止時間：2012.11—2016.03摘要無論是民用領域的礦產資源勘查、土地規(guī)劃利用、環(huán)境監(jiān)測、海洋開發(fā)、
2、氣象預報及地理信息服務還是軍事領域偵察監(jiān)視、精確制導、超視距攻防對抗等都需要有足夠寬的視場和足夠高的分辨率以完成對目標的廣域范圍監(jiān)測、搜索和跟蹤。對基于寬視場高分辨成像系統(tǒng)海量圖像數據的處理、分析和利用是該類系統(tǒng)建構的核心價值所在。其中，高分辨率傳感器拼接成像過程中將涉及到對海量數據的實時處理，計算過程有著極高的復雜度，因此，圖像拼接算法的準確性和實時性將成為影響系統(tǒng)性能的主要因素之一。此外，對于寬視場高分辨場景下動態(tài)目標的跟蹤技術也成為后期圖像分析的研究熱點。同時，由于這類系統(tǒng)應用的環(huán)境自身的復雜性（背景變化、光照變化、陰影變化等）和
3、動態(tài)目標固有的一些特性（非剛體、姿態(tài)多變等），使得可實用的目標跟蹤技術仍然非常具有挑戰(zhàn)性。針對以上需求，本文圍繞寬視場成像系統(tǒng)的圖像拼接和目標跟蹤問題開展研究，主要研究工作如下：本文采用了一種將先驗信息和統(tǒng)一計算設備架構（CUDA）相結合的自適應并行加速算法用于提高大視場全景拼接成像的實時性。在圖像拼接之前，先利用高精度標定平臺對各成像單元的重疊區(qū)域進行預標定。標定之后，利用基于CUDA的快速魯棒特征檢測方法提取參考圖像與待配準圖像的候選特征點集，再利用基于隨機KD-Tree索引的近似最近鄰搜索算法選取參考圖像與待配準圖像的初始匹配點對
4、，本文還采用了基本線性代數運算子程序用于加速算法搜索速度。對于參考圖像與待配準圖像誤匹配點對的刪除和空間變換矩陣的參數估計，本文采用的是一種在傳統(tǒng)的漸近式抽樣一致性算法基礎上改進的基于CUDA的并行算法。實驗結果表明本文采用的算法極大地提高了圖像拼接速度，可以滿足圖像拼接實時性的工程應用要求。為了對場景中動態(tài)飛行目標進行識別，提出一種基于混沌雙種群進化策略的圖像分割方法。利用進化策略能從選定的初始解出發(fā)，通過逐代迭代進化逐步改進當前解，直至最后收斂于最優(yōu)解或滿意解的特點和優(yōu)勢，將其用于圖像分割閾值最優(yōu)解的求解上。為了克服傳統(tǒng)基于閾值的圖
5、像分割方法的缺點，例如較高的復雜度和早熟問題，本文提出了一個高效的基于進化策略的圖像分割算法，它通過使用多種群進化策略來計算閾值。在進化過程中同時存在局部種群和全局種群兩個群體，進而確保算法的全局和局部搜索能力。該算法的每一步迭代過程中，首先，基于混沌理論生成若干個初始個體，并將這些個體分別加入局部種群和全局種群，計算這些個體的適應度函數值。然后，將選擇、重組、變異等進化操作算子作用于局部種群和全局種群，進行迭代進化，進化后的個體集合中選擇最好的若干個體放入局部種群，其余放入全局種群，直至收斂。最后，種群中的最優(yōu)個體即為所求的解。實驗結
6、果表明，本文提出的方法比傳統(tǒng)的遺傳算法有著更快的收斂速度。種群多樣性信息能有效指導進化策略的進化過程，因此本文又提出了改進的混沌I雙種群進化策略算法，采用了多動機強化學習算法設定初始種群和本地種群數值，動態(tài)學習種群比例，以使進化策略的局部搜索能力和全局搜索能力進一步均衡化。動機層的引入為先驗知識和領域知識的引入提供了條件，由此可以加速強化學習的學習進程。本文根據圖像分割問題實際，定義了動機集合，采用了MMQ投票（MMQ-voting）方法用于指導智能體動作的選擇策略。經過實驗驗證，本文采用的多動機強化學習方法能使強化學習以較快的速度收斂
7、于最優(yōu)動作策略，從而使種群個體多樣性保持在一個合適的狀態(tài)，有助于進一步提高圖像最優(yōu)分割閾值的搜索效率。為了對場景中動態(tài)飛行目標進行跟蹤，提出一種基于強化學習的動態(tài)目標跟蹤方法，將目標跟蹤問題建模成強化學習問題，并提出了一個兩階段強化學習算法用于圖像中的目標跟蹤。我們設置了多個追蹤智能體來跟蹤圖像中的目標，在算法的每一步中，首先對每個追蹤智能體進行動態(tài)子任務分配，即先是給每個追蹤智能體動態(tài)分配一個子目標，之后每個追蹤智能體根據其當前的子目標選擇其行動。學習算法將學習過程劃分為兩個部分，一個是學習任務分配的策略，另一個是學習動作選擇的策略，
8、每個追蹤智能體通過共享Q函數來共享所學知識、提高學習效率。實驗結果驗證了該方法的有效性。關鍵詞：圖像拼接，統(tǒng)一計算設備架構，圖像分割，進化策略，強化學習，目標跟蹤IIABSTRACTTheexplorati
