英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
用无人机接近的基于Camshift的运动目标跟踪的实现
在本文中，提交了一份关于评估AR.Drone计算机视觉性能的研究结果的报告应用程序。目标跟踪是一个具有挑战性的问题，因为跟踪的目标运动及其在场景中的大小变化，光照变化和运动。使用无人驾驶飞行器处理这些问题的方法已被应用。无人机在民用和军用领域的研究越来越多。其中，不同型号，四旋翼飞行器具有高机动性和三个方向移动的优点。本文使用的无人机是AR.Drone。该应用程序在Visual Studio 2010环境中使用具有C编程语言的OpenCV库的2.4.9版本实现，并且能够通过使用分辨率为640x360并且帧速率为30fps的AR.Drone前置摄像机来跟踪运动目标。目标跟踪进行过程独立于AR.Drone与跟踪对象之间的距离。实验结果证明，尽管场景中的目标大小和光照有变化，AR.Drone这个移动平台能成功执行目标跟踪。
关键词：移动对象跟踪; 凸轮移动算法; 无人机。
- 介绍
目标跟踪可以描述为当目标在场景中移动时，测算出目标随时间推移的运动轨迹的过程。由于高功率计算机的激增和对自动监视系统的日益增长的需求，它在计算机视觉领域中具有重要意义，并且被广泛地应用如人机界面，车辆导航，自动监控，基于运动的识别，视频索引，机器人和交通监控。大量的这些应用程序需要有可靠的跟踪方法，这些方法要满足实时约束，并且是复杂和具有挑战性的运动目标、场景照明、比例和外观以及遮挡的变化。跟踪结果可能受到这些参数中其中一个变化的影响。为了克服那些挑战和许多其他在目标跟踪中的挑战，许多方法已经被提出了[1]。在跟踪应用程序中，目标对象可以描述为任何有趣的东西用来分析。举个例子，走在街上的人，在空中飞行的车，在路上的汽车，面部运动等。目标跟踪方法主要可以分为点，粒子和轮廓跟踪技术。选择正确的特征在目标跟踪系统中起着至关重要的作用。可以通过强加目标的运动和外观来简化跟踪问题。大多数所有跟踪算法假设物体运动平稳。目标运动可以进一步被约束为速度恒定或基于先验信息的加速度恒定。关于目标的数量和大小的先验知识也可以用于降低问题的复杂性。一些算法采用目标外观或形状，纹理，颜色等的先验知识。许多跟踪算法通常将这些特征结合使用，这些算法得到发展和并被提出。例如，KLT，卡尔曼滤波器[2]，meanshift [3,4]和Camshift [5]。
本文的其余部分结构如下：在第二部分，我们简要介绍AR.Drone命令和检索信息的原则方法。 第三部分介绍了对象跟踪系统。第四部分总结了我们的工作，并概述了未来的展望。
- 硬件平台
AR.Drone是一种市场上可买到的四旋翼飞行器，由于其低成本，对碰撞的鲁棒性，室内和室外应用的安全性和可靠性，它已经越来越多地用于教育和研究领域。 它由塑料，碳纤维，电池，四个BLCD电机构成，配备6自由度惯性测量单元，3轴陀螺仪和加速度计，带超声波传感器和两个摄像机的控制板。用户可以直接设置偏航，俯仰，滚动，垂直速度。用户还可以根据状态要求用控制板调整回程电机速度。 对于15分钟的连续飞行，它可以实现超过5m / s的速度。
图1. AR.Drone
AR.Drone由ARM Cortex A8处理器控制，其CPU时钟速度为1GHz，在200MHz下具有1GB DDR2 RAM。 它通过ad-hoc无线网络提供控制台，以使用Ipad / Iphone或Android设备控制AR.Drone。 由于提供的开源软件开发小孩，飞行的几个控制参数可以通过其应用程序编程接口设置，这些接口还提供访问传感器的数据和来自相机的图像设置[6,7]。
- 目标跟踪系统
简单地说目标跟踪系统的目标是知道目标在图像中连续的位置。 目标跟踪由两个步骤组成：首先选择跟踪对象，然后用Camshift算法处理。
-
- camshaft跟踪算法
Camshift算法的原理是基于算法Meanshift的原理。 但Meanshift算法用于静态分布，Camshift算法用于动态分布。Meanshift和Camshift具有共同的优点：算法计算量不大，在目标区域已知的情况下完全可以做到实时跟踪；采用核函数直方图模型，对边缘遮挡、目标旋转、变形和背景运动不敏感。与Meanshif算法不同的是，Camshift搜索窗口会自我调整尺寸，Camshift能有效解决目标变形和遮挡的问题，对系统资源要求不高，时间复杂度低，在简单背景下能够取得良好的跟踪效果。 该差异允许Camshift算法为每个帧再次计算分布，这使得它在视频中是有益的，因为这算法预测目标在帧与帧之间的移动来不断地跟踪对象。 因此，Camshift算法被认为在跟踪运动目标中是有效的。 它是基于颜色特征。 由于RGB颜色空间对照明亮度的变化更敏感的原因，Camshift算法将图像从RGB颜色空间变换到HSV颜色空间，以减少光强度变化对跟踪性能的影响。
Camshaft算法的工作原理如下：
1.首先，在搜索窗口中选择要跟踪的位置。 这是meanshift搜索窗口。 它从要跟踪目标的HSV颜色空间设置色调分量。 该色调还可以使用调色板或类似的颜色选择方法来设置。
2.计算以meanshift窗口为中心的所选区域的概率分布。 这用来表示目标的颜色直方图。 通过直方图可以看到在所选区域中具有色调分量的像素的量。
3.迭代平均值以找到概率图像的质心。 这个点用作第零个时刻。这将是搜索窗口的新中心点。
4.对于下一个视频帧，将搜索窗口居中在新的质心，然后转到步骤2重复该过程[8]
I（x，y）是搜索窗口内的点（x，y）处的离散概率图像的像素值，以及搜索窗口上的x和范围。 零矩通过等式（1）得出如下：
M00=sum;sum;I(x，y) （1）
一阶矩由方程（2）计算，质心由方程（3）给出。
M10=sum;sum;xI(x，y) ，M01=sum;sum;yI(x，y) （2）
Xc= M10/ M00，yc= M01/ M00， （3）
等式（4），（5）和（6）描述第二和第一矩。
M20=sum;sum;I(x，y) （4）
M02=sum;sum;I(x，y) （5）
M11=sum;sum;xyI(x，y) （6）
对象方向由等式（7）定义，
theta;= （7）
计算概率分布的长度和宽度的参数在公式（8），（9）和（10）中以封闭形式计算。 然后，分别围绕质心的分布的长度和宽度由方程（11）和（12）给出[9]。
a=- (8)
b=2(-xcyc) (9)
c= - (10)
l= (11)
w= (12)
- 实验结果
跟踪应用程序的各部分如图2所示。
图 2.跟踪系统
图 3.用于在每个帧中找到对象的区域的方法
图 4.我们的跟踪系统从给定帧的结果
它首先选择在场景中跟踪目标。要检测跟踪对象的确切位置 , 考虑如图3所示的搜索区域的限制。Camshift算法然后继续跟踪围绕所选区域中心的对象。如果物体的中心离开了搜索区域，AR.Drone根据目标的位置开始改变其旋翼的速度。我们假设对象移动到图3中的1个区域。AR.Drone必须在偏航运动中向右转，使物体在0区域中心。此过程一直进行，直到该过程被基站停止或在低电池的情况下。跟踪应用程序启动后，所有的帧都保存并在文件夹中编号。从图4中可以看出，从2286到3365的一些帧证明了AR.Drone在向前，向后，向右，向左，向上和向下这六个方向上跟踪对象。
- 结论和未来工作
在本文中，只是一个跟踪移动物体的测试在实验室成功地实现了。 使用传统的Camshift方法来跟踪对象。 由于AR.Drone是一个移动平台，它的速度可能不同于跟踪的对象。 因此可能会出现一些挑战。在该实现中，AR.Drone可以跟踪部分遮挡的对象。但是，如果它出现完全遮挡，它可能会失败。为了解决这个问题和改进跟踪系统，一个可靠的方法，可以克服上述挑战将应用于我们的进一步研究。
参考文献：
[1] Yilmaz A, Javed O, Shah M. Object Tracking: A Survey, ACM Comput. Surv., 2006; 38(4):13.
[2] Sun X, Yao H, Zhang S. A Refined Particle Filter Method for Contour Tracking, Visual Communications and Image Processing , 2010; 8:1-8.
[3] Chen D, Bai F, Li B, Wang T. BEST: A Real-time Tracking Method for Scout Robot, IEEE/RSJ International Conference on Intelligent Robots and Systems 2009; 6:1001-1006.
[4] Ido L, Micheal L, Ehud R. Mean Shift tracking with multiple reference color histograms, Computer Vision and Image Understanding 2010;9:400-408.
[5] Chen X, Li X, Wu H, Qiu T. Real- time Object Tracking via Camshift-Based Robust Framework, IEEE Int. Conference on Information Science and Technology, Wuhan, Hubei, China; March 23-24, 2012.
[6] Dan C, Pham H, Pham T, Truong N. Vision Based Ground Object Tracking Using AR.Drone Quadrotor, ICCAIS, 2013.
[7] AR.Drone Developer Guide SDK 2.0.
[8] Gary RBm Computer Vision Face Tracking For Use in a Perceptual User Interface, Intel Technology Journal, http://developer.intel.com/technology/itj/q21998/articles/art_2.htm, Q2, 1998.
[9] Salhi A. Yengui Jammoussi A., Object tracking system using Camshift, Meanshift and Kalman Filter, World Academy of Science,Engineering and Technology, Vol:6, 2012.
位置跟踪系统的研究与实现
Research and implementation of position and tracking system
摘要：
移动对象技术作为计算机视觉领域的一个重要分支，已经在工业、医疗等领域得到了广泛的应用，航空航天，军事等领域，成为计算机视觉研究领域的热点。本文在现有研究成果的基础上，对静态场景下的运动目标进行了深入的分析检测。本文对数字图像中的特定噪声进行了研究，针对移动目标的正确识别和分割以及实时要求进
全文共11399字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144439]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
