卡尔曼滤波在运动目标跟踪问题中的研究与应用

论文摘要

运动目标的检测与跟踪是计算机视觉研究领域的重要课题。它融合了图像处理和计算机视觉领域的诸多先进技术,在军事视觉制导、机器人视觉导航、深水导航、安全监测、及交通管理等许多方面都有广泛的应用,该技术有着不可估量的发展前景。本文使用一个不发生旋转和平移的单摄像头捕获处于匀速运动传送带上的工件的运动信息。将经过图像检测处理得到的信息传送给后面的模块,作为观测量,应用卡尔曼滤波进行状态估计。本文分为三个部分对这一课题进行论述:第一部分,数学模型和卡尔曼滤波理论。首先建立了四种与运动目标检测相关的坐标系,然后根据工件的运动状态建立系统的数学模型,最后介绍了用于系统状态估计的卡尔曼滤波理论。第二部分,运动目标的图像处理。主要介绍了图像的预处理、边缘检测、二值图像和动态背景差分技术。将二值图像和动态背景差分技术结合运用在经过图像预处理的运动目标的灰度图像上,检测出图像中的目标,设计一个灰度质心阈值,提取目标的特征点。第三部分,扩展卡尔曼滤波、衰减记忆扩展卡尔曼滤波和Unscented卡尔曼滤波在目标跟踪中的应用。针对文中的非线性系统(观测方程是非线性的),作者采用扩展卡尔曼滤波对运动目标的运动状态进行估计,成功地获得了目标的运动信息。对模型进行线性化有可能产生不稳定的滤波,衰减记忆扩展卡尔曼滤波可以加强当前数据的权系数,降低历史测量值对估计值的影响,从而更好地对状态进行估计。针对扩展卡尔曼滤波需计算Jacobi矩阵的导数,而这往往会带来极大的工作量,本文提出Unscented卡尔曼滤波(UKF),从而避免了对非线性模型的线性化处理,即使函数不连续且存在奇异点(无导数存在)也能进行滤波,因而Unscented卡尔曼滤波适用范围更广。理论推导的同时,结合MATLAB仿真,说明在厂房车间等实际工作环境中,三种方法应用于本文所考虑的非线性系统模型,都可以满足滤波要求。

论文目录

• 摘要
• Abstract
• 第1章 绪 论
• 1.1 课题背景
• 1.1.1 课题来源及研究的目的和意义
• 1.1.2 国内外在该方向的研究现状及分析
• 1.2 课题主要研究内容
• 1.2.1 论文的主要工作
• 1.2.2 论文的内容安排
• 第2章 数学模型和卡尔曼滤波理论
• 2.1 坐标系
• 2.2 线性摄像机模型（针孔模型）
• 2.3 数学模型
• 2.4 卡尔曼滤波
• 2.5 本章小结
• 第3章 运动目标的检测
• 3.1 图像预处理
• 3.2 边缘检测
• 3.2.1 经典的边缘检测算法
• 3.2.2 几种算子的比较
• 3.3 二值图像（binary image）
• 3.3.1 常用二值化方法
• 3.3.2 二值图像的特点
• 3.4 动态背景差分
• 3.4.1 背景模型初始化
• 3.4.2 前景区域运动目标提取
• 3.4.3 背景模型更新
• 3.5 本章小结
• 第4章 EKF、MAEKF 和UKF 在目标跟踪中的应用
• 4.1 扩展卡尔曼滤波（EKF）
• 4.2 衰减记忆扩展卡尔曼滤波算法（MAEKF）
• 4.3 Unscented 卡尔曼滤波（UKF）
• 4.3.1 Unscented 变换
• 4.3.2 Unscented 卡尔曼滤波（Unscented Kalman Filtering）
• 4.4 本章小结
• 结论
• 参考文献
• 致谢