基于均值偏移算法的运动目标跟踪技术的研究

论文摘要

视频目标跟踪问题引起广泛关注是由于它能够应用于民用和军事的许多领域,如视频监控、机器人导航、人机接口、图像压缩等,因此对目标跟踪的研究具有非常重要的意义。论文围绕目标跟踪技术这个课题,针对摄像机运动的运动目标跟踪的难点问题,着重研究目标跟踪的初始化问题和如何提高目标跟踪性能的难题,提出新的理论和方法,并将这些方法应用于机器人的视觉导航领域,为目标跟踪及其应用提供理论和技术支持。论文主要做了以下四个方面的工作。(1)针对具有对称高斯核的均值偏移(mean shift)算法,对mean shift算法的表达形式,研究现状进行了研究,从理论上证明了mean shift算法的收敛性,分析了mean shift算法的迭代步长和收敛速度,而且证明了mean shift算法具有线性收敛速度,并提出了一种mean shift算法的加速方法。(2)在对概率框架下目标检测方法进行研究的基础上,提出一种最大后验概率的运动目标检测方法。根据条件随机场模型和马尔可夫随机场模型建立了一个最大后验概率框架。考虑到传统方法融入的特征信息不够,检测目标的准确度不高的缺陷,结合Gibbs势能模型和邻域信息,在概率模型中充分融入了各种时域、空域和边缘特征,以便消除更多噪声及提高检测运动目标的准确度。(3)通过对基于mean shift的目标跟踪方法的研究及影响跟踪性能因素的分析,考虑到目标模型中背景像素的影响,提出一种构造模糊核直方图的方法,并针对模糊核直方图,分别给出构造模糊隶属度函数的两种策略,即比率策略和差分策略,分别对这两种策略进行了比较和分析。其次考虑到巴氏系数Taylor公式近似展开的误差,通过对这种误差的分析,将巴氏系数的优化问题转化为求解约束优化问题,从而提出一种适合于快速运动目标的跟踪方法,而且证明了该方法的收敛性,分析了跟踪性能和相关参数的影响。(4)考虑到基于粒子滤波的目标跟踪方法的缺点,从提高粒子滤波的鲁棒性角度出发,通过建立运动信息的表达模型和自适应选择模型,提出一种自适应模型选择的粒子滤波方法。然后建立一个自适应选择模型,在跟踪精度不准确时使用mean shift算法对粒子进行优化,以改善粒子性能,另外根据粒子的质量来获取跟踪结果,从而达到提高目标跟踪性能的目的。最后通过机器人平台实验来验证所提出方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题来源
• 1.2 研究意义
• 1.3 国内外研究现状分析
• 1.3.1 目标检测
• 1.3.2 目标跟踪
• 1.3.3 存在的问题
• 1.4 研究内容
• 1.5 论文的创新点
• 1.6 论文结构的安排
• 第二章 MEAN SHIFT基本理论的研究
• 2.1 引言
• 2.2 密度估计理论
• 2.2.1 参数密度估计
• 2.2.2 无参数密度估计
• 2.3 mean shift算法的理论研究
• 2.3.1 mean shift算法
• 2.3.2 mean shift算法的研究现状
• 2.3.3 mean shift算法的优势
• 2.4 mean shift算法的收敛性分析
• 2.4.1 mean shift算法的收敛性
• 2.4.2 结果讨论
• 2.5 mean shift算法的收敛速度分析
• 2.5.1 mean shift算法的收敛速度
• 2.5.2 实验分析
• 2.6 加速mean shift算法
• 2.6.1 加速mean shift算法
• 2.6.2 实验结果
• 2.7 小结
• 第三章 目标检测技术的研究
• 3.1 引言
• 3.2 概率框架下目标检测的研究背景
• 3.3 最大后验概率方法
• 3.4 概率模型
• 3.4.1 条件概率模型
• 3.4.2 标记转移概率模型
• 3.4.3 观察模型
• 3.5 最大后验概率目标检测方法的实现
• 3.5.1 概率模型参数的选择
• 3.5.2 全局运动估计
• 3.5.3 初始化状态的确定
• 3.6 实验结果及分析
• 3.6.1 实验结果
• 3.6.2 检测方法的评价
• 3.6.3 边缘检测的影响
• 3.7 目标分割
• 3.7.1 模糊嫡聚类
• 3.7.2 实验结果
• 3.8 小结
• 第四章 基于MEAN SHIFT的目标跟踪技术研究
• 4.1 引言
• 4.2 研究背景
• 4.2.1 mean shift跟踪方法
• 4.2.2 研究概况
• 4.2.3 跟踪性能的影响因素
• 4.3 基于模糊核直方图的跟踪方法
• 4.3.1 模糊核直方图
• 4.3.2 跟踪方法的实施
• 4.3.3 实验结果及分析
• 4.4 目标跟踪中巴氏系数误差的分析及消除方法
• 4.4.1 系数误差分析
• 4.4.2 目标跟踪方法
• 4.4.3 收敛性分析
• 4.4.4 实验及分析
• 4.5 小结
• 第五章 融合MEAN SHIFT和自适应粒子滤波的目标跟踪技术研究
• 5.1 引言
• 5.2 一般的粒子滤波算法
• 5.2.1 系统模型
• 5.2.2 SIS粒子滤波算法
• 5.2.3 基于粒子滤波的目标跟踪算法
• 5.3 目标跟踪的自适应粒子滤波方法
• 5.3.1 运动信息的提取
• 5.3.2 系统模型
• 5.3.3 融合运动信息的粒子滤波算法
• 5.3.4 实验结果及分析
• 5.3.5 自适应模型的选择
• 5.3.6 实验结果
• 5.4 基于mean shift的自适应粒子滤波方法
• 5.4.1 研究状况
• 5.4.2 基于mean shift的自适应粒子滤波方法
• 5.4.3 实验结果及比较分析
• 5.5 机器人平台的实验
• 5.5.1 实验环境
• 5.5.2 实验过程
• 5.5.3 实验结果
• 5.6 小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 进一步的研究方向
• 6.3 结束语
• 参考文献
• 致谢
• 攻读博士学位期间主要的研究成果