基于粒子滤波和卡尔曼滤波的复杂场景下视觉跟踪

论文摘要

视频目标跟踪是计算机视觉领域的一个核心问题,在军事制导、视频监控、机器人视觉导航、医疗诊断、以及天气分析方面都有广泛的应用前景。视频目标跟踪的研究目的是模拟人类的视觉感知功能,赋予机器识别视频序列中运动目标的能力,为分析和理解视频内容提供重要的数据依据。尽管人们对视觉跟踪进行了较广泛的研究,并提出了许多有效的方法,但是针对复杂情况下的视觉跟踪,鲁棒性问题一直是跟踪算法的难点和热点。本文针对复杂环境下的跟踪问题,尤其是对目标跟踪中的运动模型、观测模型、目标间的相互遮挡、以及粒子滤波算法的重采样等问题进行了重点研究,并提出了相应的解决方法。本文的主要研究内容如下:1.分析了现有的跟踪算法,重点阐述了贝叶斯滤波理论的原理,包括粒子滤波算法和卡尔曼滤波算法,讨论了算法实现的框架,以及优缺点。2.为了解决室外复杂场景中的目标鲁棒跟踪问题,提出了一种基于颜色特征和贝叶斯估计的跟踪算法。用粒子滤波器对目标做初步跟踪,获得当前的观测值;利用当前的观测,通过卡尔曼滤波更新粒子集的状态均值和协方差;利用更新的状态均值和协方差产生并传播更优的高斯提议分布;从高斯提议分布中采样得到新的粒子集,执行粒子滤波,获得跟踪结果。在该算法中,还提出了遮挡等异常下的处理策略。3.为了获取更为精确的目标观测,提出了一种融合颜色特征和梯度直方图的贝叶斯估计跟踪算法,实现特征间信息的互补,提高跟踪的鲁棒性。4.为了克服粒子滤波中的粒子退化现象,讨论了一种基于遗传进化的GA-MCMC（Genetic Algorithm with Markov Chain Monte Carlomutation）重采样算法,在解决粒子退化的同时保持了粒子的多样性,提高了粒子对运动目标的描述能力。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 论文研究的背景和意义
• 1.2 视觉跟踪的国内外研究现状
• 1.3 视觉跟踪相关技术
• 1.4 本文的研究内容和主要贡献
• 1.5 论文的章节安排
• 第二章 贝叶斯滤波理论
• 2.1 引言
• 2.2 贝叶斯滤波原理
• 2.2.1 模型假设和贝叶斯估计
• 2.2.2 蒙特卡罗（Monte Carlo）方法
• 2.3 卡尔曼滤波器
• 2.3.1 卡尔曼滤波理论
• 2.3.2 卡尔曼滤波发散原因与抑制
• 2.4 粒子滤波器
• 2.4.1 粒子滤波原理
• 2.4.2 重采样
• 2.4.3 粒子滤波算法
• 2.5 实验及仿真
• 2.5.1 仿真及分析
• 2.5.2 实验结果及讨论
• 2.6 本章小结
• 第三章 复杂场景中的粒子滤波跟踪算法
• 3.1 引言
• 3.2 特征空间分析
• 3.2.1 概率密度估计
• 3.2.1.1 核密度估计
• 3.2.1.2 直方图密度估计
• 3.2.2 概率密度函数模型描述
• 3.2.2.1 目标模型
• 3.2.2.2 候选模型
• 3.2.3 相似度函数
• 3.2.4 目标的颜色信息描述
• 3.3 基于颜色特征和贝叶斯滤波的跟踪算法
• 3.3.1 改进型粒子滤波器
• 3.3.2 系统模型
• 3.3.3 算法描述
• 3.4 实验结果及分析
• 3.4.1 仿真及分析
• 3.4.2 实验结果以及讨论
• 3.5 遮挡处理
• 3.5.1 遮挡检测及处理
• 3.5.2 实验结果
• 3.6 本章小结
• 第四章 基于遗传进化的多信息跟踪算法
• 4.1 引言
• 4.2 遗传进化算法
• 4.2.1 粒子数目的理论分析
• 4.2.2 遗传进化算法
• 4.3 目标梯度描述
• 4.3.1 SIFT特征点
• 4.3.2 SIFT特征点提取
• 4.3.3 梯度直方图
• 4.4 基于遗传进化的多信息跟踪算法
• 4.5 实验结果及分析
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 研究与展望
• 参考文献
• 攻读硕士学位期间完成的科研成果
• 致谢