论文部分内容阅读
立体匹配与目标跟踪是机器视觉领域中的两个研究热点,在智能交通、视觉导航、医疗诊断等领域都有广泛的应用。但至今为止这两个课题仍有很多问题尚未解决,其主要困难来自于算法的计算量、遮挡、目标的快速运动等。本文结合压缩感知理论,引入了多特征融合以及预测判断等机器视觉常用方法,寻求快速的立体匹配算法以及鲁棒性高、实时性好的目标跟踪算法。主要工作内容包括以下三个方面:(1)为了解决基于SIFT的立体匹配算法计算量大、不能获取稠密的视差图等缺陷,提出了一种用于已标定图像的快速准稠密立体匹配算法,先用传统的SIFT算法来提取图像特征点,然后通过压缩感知的稀疏随机投影来降低SIFT特征向量的维数,最后将匹配点作为种子点扩散到整幅图像上,获得稠密的视差图。通过将实验结果(基于压缩感知的SIFT算法加种子扩散算法)与SIFT算法加种子扩散算法进行比较,结果表明所提出的算法在降低算法复杂性的同时还保证了视差图的质量。(2)为了解决传统压缩跟踪算法使用特征单一,跟踪效果不好等缺陷,提出了一种融合颜色和纹理特征的压缩跟踪算法,分别提取目标的颜色和纹理特征来代替传统算法的单一特征,然后采用两个稀疏投影矩阵代替传统算法单一的投影矩阵,再用这两个投影矩阵将图像的LBP纹理特征和H空间上的颜色特征投影到低维的空间上,最后采用背景加权法对压缩域的两种特征进行融合。通过与传统的压缩跟踪算法的性能比较,结果表明提出的算法跟踪准确率更高,且抗相似物以及遮挡干扰的效果更好。(3)为了解决传统的目标压缩跟踪算法在复杂情境下的快速目标跟踪效果不好等缺陷,提出了基于Kalman目标预测多特征融合压缩跟踪算法,在压缩跟踪的候选目标搜索阶段,采用Kalman滤波来预测目标在下一帧可能出现的位置,在压缩跟踪的分类阶段,计算压缩跟踪的样本位置与Kalman滤波的预测位置的距离权重,然后将位置权重输入Bayes分类器进行分类。通过与传统的压缩跟踪算法以及基于Kalman滤波的Meanshift算法的性能比较,结果表明所提出算法对复杂情况下快速运动物体的跟踪准确率更高,用时也较短。