论文部分内容阅读
基于图像的目标识别与跟踪技术广泛应用在武器制导、视频监控和智能交通等军用和民用领域。近十几年来，国外研究人员提出SIFT(Scale Invariant Feature Transform)、SURF(Speeded-Up Robust Feature)等多种局部特征提取方法，相比较于传统方法，局部特征对局部信息的描述具有优越性，能够克服遮挡、线性光照变化，并且能够适应旋转、尺度和一定程度的视角变化，因此，基于局部特征的目标识别与跟踪方法得到广泛关注，取得了许多令人鼓舞的研究成果。但是由于应用的多样性和算法本身的复杂性，基于局部特征的识别与跟踪方法仍存在许多具有挑战性的问题。本文面向目标识别与跟踪应用，针对多模态图像目标识别、特征跟踪误差和实时性等问题，开展局部特征提取方法相关研究工作。 本文主要研究内容和取得的研究成果包括以下几个方面: 1.针对多模态目标识别问题，提出一种新的局部特征描述符及其匹配方法，显著提高了多模态图像匹配性能。首先，基于相位一致性和单演信号理论，本文提出了一种新的角点和线段特征提取方法，由于相位一致性图像具有对比度不变性，因此提取的角点和线段特征是模态变化不敏感的;然后，以角点为中心，基于线段特征构建线段特征描述符(MultiModal Line Segment Descriptor,MM-LSD);最后，采用基于归一化相关度量的双点、双向匹配方法实现特征匹配。实验结果表明，对于多模态图像，本文方法具有较好的匹配性能，相比于基于表观的次优方法MM-SURF(Multi-Modal SURF)，匹配正确率和重复率提高至2倍左右，相比于基于边缘的次优方法EOH-SIFT(Edge Orientation Histograms SIFT)，匹配正确率和重复率分别提高21％和78％。并且在旋转、尺度变化条件下，匹配性能也显著优于对比方法。另外，本文方法对于不同模态的图像都具有较好的匹配性能。 2.面向平面目标跟踪，针对局部特征跟踪方法的跟踪误差问题，提出一种精确、鲁棒的单应矩阵估计方法，显著降低了帧间跟踪误差。首先，本文分析了SURF和SIFT等斑点特征的定位误差影响因素，选取了一种高精度局部特征提取方法和基于协方差矩阵的特征定位误差表征方法;然后，提出一种基于特征定位误差协方差加权的内点特征优化选取以及精确、鲁棒单应矩阵估计方法。仿真数据实验表明，相比于RANSAC(RANdom SAmple Consensus)、LMedS(Least Median of Squares)，MSAC(M-estimator SAC)和MLESAC(Maximum Likelihood SAC)等结合L-M(Levenberg-Marquardt)的标准单应矩阵估计方法，本文方法具有较高的精度和鲁棒性，重投影误差均方根RMSE指标降低25％以上。另外，真实图像实验表明，本文方法的单应矩阵估计精度也优于其他对比方法，重投影误差均方根RMSE指标降低约8～11％左右。 3.针对SURF等局部特征提取方法的实时性问题，提出一种并行SURF特征提取方法及其硬件实时实现方法，满足了特征跟踪算法的实时性要求。本文以SURF算法为研究对象，首先，提出了一种基于圆形特征区域和径向梯度变换的并行SURF算法，相比于标准SURF算法，匹配性能差异小于6％，在保证相当匹配性能的同时，实现了SURF算法可并行流水计算;然后提出了采用FPGA多存储器、多路并行流水机制的并行SURF算法硬件实现方法，对于720×576分辨率的图像，处理速度达到25帧/秒，满足了特定特征跟踪应用的实时性需求。