基于寬視場(chǎng)拼接成像的目標(biāo)分割與跟蹤算法研究.pdf

1、無(wú)論是民用領(lǐng)域的礦產(chǎn)資源勘查、土地規(guī)劃利用、環(huán)境監(jiān)測(cè)、海洋開(kāi)發(fā)、氣象預(yù)報(bào)及地理信息服務(wù)還是軍事領(lǐng)域偵察監(jiān)視、精確制導(dǎo)、超視距攻防對(duì)抗等都需要有足夠?qū)挼囊晥?chǎng)和足夠高的分辨率以完成對(duì)目標(biāo)的廣域范圍監(jiān)測(cè)、搜索和跟蹤。對(duì)基于寬視場(chǎng)高分辨成像系統(tǒng)海量圖像數(shù)據(jù)的處理、分析和利用是該類(lèi)系統(tǒng)建構(gòu)的核心價(jià)值所在。其中，高分辨率傳感器拼接成像過(guò)程中將涉及到對(duì)海量數(shù)據(jù)的實(shí)時(shí)處理，計(jì)算過(guò)程有著極高的復(fù)雜度，因此，圖像拼接算法的準(zhǔn)確性和實(shí)時(shí)性將成為影響系統(tǒng)性能的

2、主要因素之一。此外，對(duì)于寬視場(chǎng)高分辨場(chǎng)景下動(dòng)態(tài)目標(biāo)的跟蹤技術(shù)也成為后期圖像分析的研究熱點(diǎn)。同時(shí)，由于這類(lèi)系統(tǒng)應(yīng)用的環(huán)境自身的復(fù)雜性（背景變化、光照變化、陰影變化等）和動(dòng)態(tài)目標(biāo)固有的一些特性（非剛體、姿態(tài)多變等），使得可實(shí)用的目標(biāo)跟蹤技術(shù)仍然非常具有挑戰(zhàn)性。針對(duì)以上需求，本文圍繞寬視場(chǎng)成像系統(tǒng)的圖像拼接和目標(biāo)跟蹤問(wèn)題開(kāi)展研究，主要研究工作如下：
　　本文采用了一種將先驗(yàn)信息和統(tǒng)一計(jì)算設(shè)備架構(gòu)（CUDA）相結(jié)合的自適應(yīng)并行加速算法用于

3、提高大視場(chǎng)全景拼接成像的實(shí)時(shí)性。在圖像拼接之前，先利用高精度標(biāo)定平臺(tái)對(duì)各成像單元的重疊區(qū)域進(jìn)行預(yù)標(biāo)定。標(biāo)定之后，利用基于CUDA的快速魯棒特征檢測(cè)方法提取參考圖像與待配準(zhǔn)圖像的候選特征點(diǎn)集，再利用基于隨機(jī) KD-Tree索引的近似最近鄰搜索算法選取參考圖像與待配準(zhǔn)圖像的初始匹配點(diǎn)對(duì)，本文還采用了基本線(xiàn)性代數(shù)運(yùn)算子程序用于加速算法搜索速度。對(duì)于參考圖像與待配準(zhǔn)圖像誤匹配點(diǎn)對(duì)的刪除和空間變換矩陣的參數(shù)估計(jì)，本文采用的是一種在傳統(tǒng)的漸近式抽樣

4、一致性算法基礎(chǔ)上改進(jìn)的基于CUDA的并行算法。實(shí)驗(yàn)結(jié)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(mǎn)足圖像拼接實(shí)時(shí)性的工程應(yīng)用要求。
　　為了對(duì)場(chǎng)景中動(dòng)態(tài)飛行目標(biāo)進(jìn)行識(shí)別，提出一種基于混沌雙種群進(jìn)化策略的圖像分割方法。利用進(jìn)化策略能從選定的初始解出發(fā)，通過(guò)逐代迭代進(jìn)化逐步改進(jìn)當(dāng)前解，直至最后收斂于最優(yōu)解或滿(mǎn)意解的特點(diǎn)和優(yōu)勢(shì)，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)基于閾值的圖像分割方法的缺點(diǎn)，例如較高的復(fù)雜度和早熟問(wèn)題

5、，本文提出了一個(gè)高效的基于進(jìn)化策略的圖像分割算法，它通過(guò)使用多種群進(jìn)化策略來(lái)計(jì)算閾值。在進(jìn)化過(guò)程中同時(shí)存在局部種群和全局種群兩個(gè)群體，進(jìn)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(guò)程中，首先，基于混沌理論生成若干個(gè)初始個(gè)體，并將這些個(gè)體分別加入局部種群和全局種群，計(jì)算這些個(gè)體的適應(yīng)度函數(shù)值。然后，將選擇、重組、變異等進(jìn)化操作算子作用于局部種群和全局種群，進(jìn)行迭代進(jìn)化，進(jìn)化后的個(gè)體集合中選擇最好的若干個(gè)體放入局部種群，其余放入全局

6、種群，直至收斂。最后，種群中的最優(yōu)個(gè)體即為所求的解。實(shí)驗(yàn)結(jié)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(dǎo)進(jìn)化策略的進(jìn)化過(guò)程，因此本文又提出了改進(jìn)的混沌雙種群進(jìn)化策略算法，采用了多動(dòng)機(jī)強(qiáng)化學(xué)習(xí)算法設(shè)定初始種群和本地種群數(shù)值，動(dòng)態(tài)學(xué)習(xí)種群比例，以使進(jìn)化策略的局部搜索能力和全局搜索能力進(jìn)一步均衡化。動(dòng)機(jī)層的引入為先驗(yàn)知識(shí)和領(lǐng)域知識(shí)的引入提供了條件，由此可以加速?gòu)?qiáng)化學(xué)習(xí)的學(xué)習(xí)進(jìn)程。本文根據(jù)圖像分割

7、問(wèn)題實(shí)際，定義了動(dòng)機(jī)集合，采用了MMQ投票（MMQ-voting）方法用于指導(dǎo)智能體動(dòng)作的選擇策略。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文采用的多動(dòng)機(jī)強(qiáng)化學(xué)習(xí)方法能使強(qiáng)化學(xué)習(xí)以較快的速度收斂于最優(yōu)動(dòng)作策略，從而使種群個(gè)體多樣性保持在一個(gè)合適的狀態(tài)，有助于進(jìn)一步提高圖像最優(yōu)分割閾值的搜索效率。
　　為了對(duì)場(chǎng)景中動(dòng)態(tài)飛行目標(biāo)進(jìn)行跟蹤，提出一種基于強(qiáng)化學(xué)習(xí)的動(dòng)態(tài)目標(biāo)跟蹤方法，將目標(biāo)跟蹤問(wèn)題建模成強(qiáng)化學(xué)習(xí)問(wèn)題，并提出了一個(gè)兩階段強(qiáng)化學(xué)習(xí)算法用于圖像中的目標(biāo)跟