基于寬視場拼接成像的目標(biāo)分割與跟蹤算法研究.pdf

1、無論是民用領(lǐng)域的礦產(chǎn)資源勘查、土地規(guī)劃利用、環(huán)境監(jiān)測、海洋開發(fā)、氣象預(yù)報及地理信息服務(wù)還是軍事領(lǐng)域偵察監(jiān)視、精確制導(dǎo)、超視距攻防對抗等都需要有足夠?qū)挼囊晥龊妥銐蚋叩姆直媛室酝瓿蓪δ繕?biāo)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(shù)據(jù)的處理、分析和利用是該類系統(tǒng)建構(gòu)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(shù)據(jù)的實時處理，計算過程有著極高的復(fù)雜度，因此，圖像拼接算法的準(zhǔn)確性和實時性將成為影響系統(tǒng)性能的

2、主要因素之一。此外，對于寬視場高分辨場景下動態(tài)目標(biāo)的跟蹤技術(shù)也成為后期圖像分析的研究熱點。同時，由于這類系統(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），使得可實用的目標(biāo)跟蹤技術(shù)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(biāo)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(shè)備架構(gòu)（CUDA）相結(jié)合的自適應(yīng)并行加速算法用于

3、提高大視場全景拼接成像的實時性。在圖像拼接之前，先利用高精度標(biāo)定平臺對各成像單元的重疊區(qū)域進行預(yù)標(biāo)定。標(biāo)定之后，利用基于CUDA的快速魯棒特征檢測方法提取參考圖像與待配準(zhǔn)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(zhǔn)圖像的初始匹配點對，本文還采用了基本線性代數(shù)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(zhǔn)圖像誤匹配點對的刪除和空間變換矩陣的參數(shù)估計，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)上改進的基于CUDA的并行算法。實驗結(jié)果表明本文采用的算法極大地提高了圖像拼接速度，可以滿足圖像拼接實時性的工程應(yīng)用要求。
　　為了對場景中動態(tài)飛行目標(biāo)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(dāng)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)基于閾值的圖像分割方法的缺點，例如較高的復(fù)雜度和早熟問題

5、，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(yīng)度函數(shù)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

6、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(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)進化策略的進化過程，因此本文又提出了改進的混沌雙種群進化策略算法，采用了多動機強化學(xué)習(xí)算法設(shè)定初始種群和本地種群數(shù)值，動態(tài)學(xué)習(xí)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(lǐng)域知識的引入提供了條件，由此可以加速強化學(xué)習(xí)的學(xué)習(xí)進程。本文根據(jù)圖像分割

7、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(dǎo)智能體動作的選擇策略。經(jīng)過實驗驗證，本文采用的多動機強化學(xué)習(xí)方法能使強化學(xué)習(xí)以較快的速度收斂于最優(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(biāo)進行跟蹤，提出一種基于強化學(xué)習(xí)的動態(tài)目標(biāo)跟蹤方法，將目標(biāo)跟蹤問題建模成強化學(xué)習(xí)問題，并提出了一個兩階段強化學(xué)習(xí)算法用于圖像中的目標(biāo)跟