基于特征融合的粒子滤波算法的研究与实现

论文摘要

视频运动目标检测与跟踪技术是随着数字视频技术的发展而产生的一个新的研究课题,在国防安全、民用事业等领域有着广泛应用。粒子滤波算法本身适用于非线性非高斯动态模型,更接近真实场景,目前广泛的应用于目标跟踪领域。近年来,许多研究者对粒子滤波算法进行了大量的研究。尽管人们已经提出了很多有效的目标跟踪算法,但现有大部分算法都使用大量的粒子以保证跟踪的稳定性,大量粒子的计算限制了算法实时性能的提高。同时光照变化以及背景中的噪声和干扰等问题影响着目标跟踪的鲁棒性。本文在运动目标检测方面,使用帧间差分法快速获得运动目标；在运动目标跟踪方面,研究和设计了基于特征融合的粒子滤波跟踪算法。本文首先设计了基于颜色单特征矩形粒子模型的粒子滤波算法,粒子数为50的情况下,单目标跟踪算法平均每帧处理时间约为17.99ms；双目标跟踪算法平均每帧处理时间约为43.415ms。本文使用标准C语言对算法进行实现,增加了算法的移植性。针对基于颜色单特征的粒子滤波算法鲁棒性低的问题,本文融合LBP特征对粒子滤波算法进行改进,基于特征融合后的改进算法按一定的权值系数结合目标的颜色特征和纹理特征来构建似然函数作为跟踪依据。实验表明该算法很好的处理了目标颜色相近和遮挡等情况。最后,本文结合OpenMP多线程编程语言对算法进行并行化,提高了目标跟踪的执行速度。对于单目标跟踪,粒子数为50的情况下,算法整体执行速度提升12.05%。对于双目标跟踪,粒子数为50的情况下,算法整体执行速度提升20.65%。本文以粒子滤波理论为基础,融合LBP特征对算法进行改进,提高了算法的移植性、鲁棒性和实时性,使得粒子滤波算法能够成熟地应用于视频跟踪领域。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 运动目标检测研究现状
• 1.2.2 运动目标跟踪研究现状
• 1.3 研究意义
• 1.4 论文组织结构
• 第2章 相关知识介绍
• 2.1 运动目标检测
• 2.1.1 帧间差分法
• 2.1.2 图像的膨胀和腐蚀
• 2.2 粒子滤波理论基础
• 2.2.1 贝叶斯估计理论
• 2.2.2 蒙特卡罗方法
• 2.2.3 重要性采样
• 2.2.4 序贯重要性采样
• 2.2.5 粒子匮乏问题
• 2.2.6 重要性函数的选择
• 2.2.7 重采样
• 2.3 小结
• 第3章 基于颜色单特征的粒子滤波算法
• 3.1 单目标跟踪算法实现
• 3.1.1 矩形粒子模型
• 3.1.2 目标模型的建立
• 3.1.3 粒子初始化
• 3.1.4 状态预测
• 3.1.5 权值计算
• 3.1.6 跟踪估计
• 3.1.7 重采样
• 3.1.8 算法流程
• 3.2 单目标跟踪实验测试与分析
• 3.2.1 实验环境
• 3.2.2 运动目标检测实验分析
• 3.2.3 运动目标跟踪实验分析
• 3.3 多目标跟踪算法实现
• 3.3.1 多目标跟踪算法描述
• 3.3.2 多目标跟踪实验分析
• 3.4 小结
• 第4章 粒子滤波算法融合LBP特征的改进
• 4.1 目标特征的提取
• 4.1.1 颜色特征
• 4.1.2 LBP纹理特征
• 4.2 融合LBP特征的粒子权值评价
• 4.3 融合LBP特征改进算法描述
• 4.4 融合LBP特征改进算法实验测试与分析
• 4.4.1 颜色相近情况下的跟踪
• 4.4.2 遮挡情况下的跟踪
• 4.5 小结
• 第5章 基于OpenMP粒子滤波算法并行化
• 5.1 OpenMP并行执行模式
• 5.2 粒子滤波算法并行设计
• 5.2.1 颜色空间转换的并行化
• 5.2.2 算法并行化
• 5.3 实验测试与分析
• 5.3.1 单目标跟踪并行测试
• 5.3.2 多目标跟踪并行测试
• 5.4 小结
• 第6章 结束语
• 6.1 工作总结
• 6.2 工作展望
• 参考文献
• 致谢