基于序列图像信息融合的目标识别与计数技术研究

基于序列图像信息融合的目标识别与计数技术研究作者：刘巍学位授予单位：中南大学相似文献(10条)1.学位论文杜峰序列图像中的目标识别研究2005序列图像中的目标识别是指根据序列图像提供的时空信息将感兴趣或特定的目标从背景图像区域识别出来，无论是在军事上还民用上都具有广泛的应用背景。在单帧图像处理的基础上，充分利用多帧图像之间的相关信息，消除原始数据中的冗余信息，提取有用信息，分割出待识别目标。因此，整个问题可以看作一个图像融合和模式识别的综合过程。本文以信息融合和统计学习理论为理论基础，重点研究了基于证据理论的图像融合方法和支持向量机方法在序列图像中目标识别的应用问题，以及基于语言变量的目标识别系统性能评价问题。鉴于信息融合理论中的证据理论具有扎实的数学基础，具有强大的不确定推理能力，据此，本文提出了一种高可靠性的基于证据理论的序列图像目标识别新方法。首先，指出了证据理论融合算法在序列图像目标识别的应用中所存在的两个具体问题：一是融合算法的可靠性问题，因为序列图像中的前后帧可能存在相互冲突或矛盾的信息，而经典的证据理论组合算子在处理高冲突信息时会产生违反常理的结果；二是融合算法的可操作性问题，即如何将图像特征转化为证据理论中各个命题基本概率指派。针对证据组合规则无法有效处理冲突信息这一情况，引入证据距离度量各证据的关联程度，提出一种新的可以有效处理冲突信息的组合规则。实验表明：与现有的其它改进方法相比，在系统收集的证据冲突很大情况下，该组合规则仍然可以获得正确的结果并具有较快的收敛速度。针对图像特征的基本概率赋值问题，在前人研究的基础上，根据红外图像成像原理，引入简单的模糊逻辑进行基本概率指派的转化，实现了目标识别系统的可操作性。最后，在大量数值试验的基础上，以真实的红外序列图像中的部分连续帧为对象，成功地进行了红外序列图像中的小目标识别，系统地提出了一种高可靠性的证据理论的红外序列图像目标识别方法。利用模式识别方法通常可以对序列图像进行有效的处理，而将支持向量机应用于序列图像中的目标识别更是人们研究的热点。如何选择有效的模型参数是该应用中的关键问题。针对支持向量机的模型选择问题，研究了支持向量机的求解算法，对比研究了两种交叉验证方法在支持向量机模型选择中的应用，在前人研究α调整方法和容差调整方法的基础上，提出了新的调整方法，数值对比试验表明，新的调整方法比现有的调整方法更为有效和简单。为了减少模型选择时所进行的交叉验证次数和解决多参数选择的困难，提出了利用优化算法中的一种新的随机搜索算法——微粒群优化算法进行模型参数寻优。相比于常用的遗传算法，它不需要复杂的遗传、交叉、变异等操作算子，可以进行实数编码，有利于解决支持向量机中多参数选择问题。大量数值算例表明，本文提出的基于微粒群优化算法的模型选择方法可以有效地进行支持向量机模型优化。并利用本文提出的方法进行了实际的红外序列图像中目标识别的研究，试验结果表明基于支持向量机的目标识别方法是一种有效的处理序列图像中目标识别的方法。将信息融合理论和机器学习理论结合起来进行目标识别能充分利用序列图像的时空信息，有效地发挥两者的优越性。针对多传感器序列图像中的目标识别问题，提出了基于支持向量机多类后验概率输出的识别方法。在分析支持向量机的后验概率输出方法原理基础上，结合多类支持向量机的构成方法，以及不确定信息融合理论，提出了二种新的多类后验概率输出方法。与现有其他改进方法相比，本文提出的方法能达到相等的识别结果，但求解过程更为简单，而且能更好地用信息融合理论进行解释，有利于后续融合工作的开展，从而提出了完整的基于支持向量机后验概率输出的多传感器图像证据理论的融合框架。实际的红外、可见光序列图像中的目标识别分割试验表明，本文提出的方法能够取得理想的融合效果，能准确地识别出待定目标区域。语言变量下的性能评价一直是目标识别系统中的一个重要问题，本文提出了利用基于语言变量的模糊风险分析方法进行系统性能评价。在分析目前图像融合质量评价的定量和定性方法的基础上，指出了评价指标的多样性和不确定性，提出了可以用风险分析的方法来进行目标识别系统性能评估。利用基于语言变量的分析方法，将语言变量表示为扩展模糊数，通过模糊分析方法进行模糊数整合，利用模糊数相似性测度进行最终评定，从而将整个问题转化为一个专家系统和人工智能相结合的模式识别问题。同时，针对现有多种模糊数相似性测度的不足，提出了一种基于矩的扩展模糊数相似性测度。利用多个数值算例说明了新的测度方法能有效地区分现有多种方法不能区分的情况，验证了本方法的有效性。最后，利用一个数值算例仿真了基于语言变量的模糊风险分析方法在目标识别系统性能评估中的应用，并对结果进行了分析和讨论。基于如下研究思路：针对所研究的问题，先进行算法上的改进，再进行数值验算，最后将其运用到实际的序列图像中进行目标识别，本文取得的创新成果为：1.提出了一种高可靠性的基于证据理论的序列图像目标识别方法；2.提出了一种基于微粒群优化算法的支持向量机模型选择方法；3.提出了两种有效的支持向量机多类概率输出方法；4.提出了一种新的模糊数相似性测度。2.期刊论文谢敏.黄贤武.仲兴荣.王加俊基于信息融合的视频序列图像中运动目标分割的研究-电子与信息学报2004,26(2)该文提出一种基于信息融合的方法分割视频序列图像运动目标.在彩色图像分割中,将部分空间信息介入到迭代均值偏移过程,实现无参数聚类.然后利用所提出的求等同标志连通区域的方法,将聚类后的图像划分成不同的独立区域;再利用HOS(高阶统计)方法进行运动检测,经后处理,得到运动目标粗模板.统计这个运动粗模板中等同颜色区域占原图像相应独立区域的比重,比重超过预置阈值的,则将该独立区域作为待融合区域.最后,将所有的待融合区域连接起来,就构成了运动目标模板.3.学位论文刘涛序列图像的超分辨率重建技术研究2008图像超分辨率重建技术近年来一直是图像处理领域中一个研究热点，其在理论和实际应用中均有重要意义。该方法通过对图像序列作运动估计、信息融合、去除模糊和去噪声等操作，从低分辨率序列的多幅图像中恢复细节更精细的高分辨率图像，是一种既经济又容易实现的图像分辨率提高方法。本文在分析图像超分辨率重建原理的基础上，研究了POCS算法，给出了改进的方法。根据POCS算法的原理，以“模拟-修正迭代”的方法实现超分辨率重建，改善了图像边缘质量。在此基础上，研究了基于NEDI运算的序列图像超分辨率重建算法，在对序列图像进行运动估计中，采用相关频域配准方法，为随后的图像重建提供准确的图像信息。通过研究NEDI算法，将NEDI算法与小波变换相结合，采用“小波逆变换-NEDI运算-小波变换”的方法，提高了重建图像质量。同时仿真测试了基于方向子带估计的单帧图像超分辨率重建算法的性能，证明了该方法的有效性。最后，进行算法性能的实验测试，并与类似算法进行了对比分析。4.学位论文曾明复杂背景条件下红外弱小点目标实时检测技术研究2006远距离红外弱小目标的检测，是红外搜索与跟踪系统、精确制导系统、红外预警系统、大视场目标监视系统、卫星遥感系统等的一项核心技术。红外系统因其能昼夜工作、被动探测、抗干扰、隐蔽性强和能识别伪装目标等特性，在军事领域中得到十分广泛的应用。研究低信噪比图像中小目标的实时检测算法，对于增大作战距离和增加反应时间，提高己方的生存概率具有重要的意义。就国内外目前对红外弱小目标检测及红外目标识别的研究而言，主要存在着以下问题:（1）对于单帧检测，目前大多数研究者采用固定结构元素的形态学滤波器进行滤波的方法。这些滤波器仅仅在所对应的某类图像模型中具有较好的滤波性能。但通常情况下图像信号极为复杂且处于不断变化之中。因此固定结构元素的滤波检测方法不能很好的检测远距离红外弱小目标，从而导致漏检及虚警的发生。（2）弱小目标检测通常是利用多帧信息，目前采用的多帧关联检测的方法主要包括“K-out-of-N”规则关联检测算法和多假设检验算法。“K-out-of-N”规则关联检测算法虽然算法简单但检测性能不足；而MHT方法虽然可以获得较好的关联检测性能，但计算上的组合爆炸影响了其实用性。因此需求一种兼顾检测性能和算法复杂度的实用算法就成为当前多帧检测的关键。本文对低信噪比红外图像序列中弱小目标的检测从单帧检测和多帧关联检测角度分别进行了深入、系统的研究，主要研究成果如下：一、针对单帧图像点目标检测，分别将数学形态学滤波器与神经网络和遗传算法相结合，利用神经网络和遗传算法优化训练形态学滤波器的结构元素及形态学算法。使形态学滤波过程融入特有的智能，以实现对复杂背景条件下的弱小点目标的最优化处理。同时，对单帧滤波的结果采用自适应门限进行分割，以提高单帧检测的检测性能。二、在单帧检测的基础上，引入信息融合的思想，深入研究了“K-out-of-N”序列图像关联检测算法。针对以往的研究中采用试凑K﹑N进行优化这一问题，首次引入牛顿插值法，使得该算法的检测融合性能达到最优。并研究了在该算法中引入可信度，局部关联及多级假设检验算法的情况。最后详细推导仿真比较了各个算法的检测性能及算法复杂度。三、研究了分布式模糊决策信息融合问题。针对经典分布式判决决策融合系统存在的信息缺失的不足，将模糊理论引入基于Bayesian最小风险准则的决策融合系统，将判决信息模糊化，建立了分布式模糊决策信息融合方法，详细分析推导了融合中心的最优融合规则。并将该分布式模糊决策信息融合理论引入到序列图像点目标检测中。5.期刊论文周志宇.汪亚明.黄文清.朱光辉基于遗传算法聚类的车辆跟踪-计算机工程与设计2004,25(7)运动车辆的跟踪技术已成为目前计算机视觉研究的一个焦点问题.均值聚类和滤波预测跟踪方法常用于基于区域分割的运动车辆跟踪,但c均值聚类对初始聚类中心非常敏感,用遗传算法克服均值聚类对初始聚类中心的依赖性,遗传算法聚类数目由α-β-γ滤波的预测值确定.序列图像中帧间信息融合实现当前帧图像运动区域与信息链中的车辆关联,从而正确区分新车驶入和虚警现象.实验中有效、鲁棒地获得车辆在当前帧图像的位移等运动参数.6.学位论文陈薇基于信息融合的步态识别系统研究2008步态识别是依据人行走方式的不同对人的身份进行识别的一种生物特征识别技术。步态识别主要是针对含有人的运动图像序列进行分析处理，它在虚拟现实、视觉监控、感知接口中均有着广泛的应用前景。步态识别主要由三部分构成：步态序列图像预处理、特征提取和分类判别。其中特征提取可以说是重中之重，是识别性能的决定性因素，也是本文的研究重点。步态图像预处理就是从输入序列图像中检测人的运动，主要包括步态序列图像背景建模、前景检测和形态学后处理等工作。步态剪影的有效检测对于特征提取、目标分类等后期处理有非常重要的影响。在特征提取阶段，本文提出了两种有效特征提取方法。第一是基于Radon变换的步态特征提取。根据人体运动特性，结合目标动态参数以及身体结构参数，构造一个周期的特征向量模板。采用主成分分析(PCA)提取特征主向量。第二是基于步态能量图像(GEI)和行列方向结合的二维主成分分析(2D)2PCA的特征提取。GEI利用加权平均的简单步骤将一周期步态图像合成为一幅图像，这幅图保留了轮廓、频率、相位等步态信息。(2D)2PCA直接基于图像矩阵，结合行列两个方向的特征主向量，抽取对步态识别贡献最大的特征向量。同一个人的步态在不同视角下存在着较大的差异，因此很有可能在某一个视角下被误识的步态序列在其它视角下能被正确的区分出来。本文采用基于Rank的KNN的融合规则完成多视角在决策层上的信息融合。单一特征表征有其局限性，本文采用基于计分准则实现多特征的信息融合。实验采用包含了124个个体的CASIA步态数据库，从方法的识别性能进行测试评估。实验结果表明，本文提出的方法均对携带物的影响有很好的鲁棒性。基于GEI与(2D)2PCA的特征提取方法，在多个视角下均有很好的识别效果。信息的有效融合更能提高对目标的识别。7.学位论文赵文蕾基于互有位移序列图像的超分辨率复原技术研究2006基于序列图像