基于粒子滤波的可靠视觉跟踪技术研究

论文摘要

视觉跟踪（Visual Tracking）技术是计算机视觉的一个重要分支,被日益广泛的应用于智能交通、安全监控、视频通信和压缩、人机交互、多媒体内容检索等领域。利用视频跟踪算法,可以对视频序列中的运动目标进行检测、提取、识别和跟踪,从而获得目标的位置、速度、加速度、轨迹等运动信息,为进一步的视频处理与分析做准备,实现对运动目标的行为理解。视频跟踪算法的难点在于如何改进算法使得在复杂的视觉环境如目标遮挡,目标外形及尺度变化,复杂的物体运动等环境下,仍能获得可靠的追踪结果。作为一种被普遍认可的视频跟踪算法,粒子滤波（Particle Filter）算法在非线性、非高斯状态空间中表现出来的优越性,决定了它的应用范围非常广泛。然而,粒子滤波在相似颜色的物体遮挡,目标外形变化,长时间完全遮挡等复杂环境下的性能尚待提高。本文的研究目的在于改进粒子滤波算法以实现复杂环境下可靠的视觉跟踪。相似颜色的物体遮挡指的是背景中存在与跟踪目标相似颜色的物体。此时,基于颜色的粒子滤波的性能将受到很大影响,使目标的跟踪变得困难。其问题根源在于颜色特征不足以完全表征并区分目标。因此,本文改进了基于颜色的粒子滤波,设计了一个基于颜色和梯度方向（Gradient Orientation）的多观察模型,在颜色特征之外,对运动目标的纹理特征也进行了统计;同时通过引入基于像素位置的高斯加权函数,减少了可靠性较低的边界点的影响,增强了目标模型的准确性,提高了粒子匹配过程的鲁棒性。目标大小和外形变化问题是跟踪中常见的一类问题,通常由光照,视角或旋转变化及物体的运动引起。本文引入了可变尺度的粒子和自适应更新的参考目标模型,使得粒子能更好的适应跟踪场景的变化,从而对目标区域进行更准确的跟踪。长时间遮挡问题（Long-time full occlusion）是遮挡问题中的另一个难点问题。经过分析发现,长时间完全遮挡发生时,粒子在有限的范围内传播导致当遮挡结束后,目标可能出现在粒子的状态范围之外,最终丢失运动目标。基于这一问题,本文提出了一个基于多状态噪声的状态转移模型。通过衡量粒子集的发散程度自适应的扩大状态噪声范围,能保证长时间完全遮挡发生后粒子滤波对目标进行及时准确的跟踪。同时,为了增强对目标的可靠描述,本文将局部二进制模式（Local Binary Pattern,简称LBP）应用于观察模型中,通过对目标纹理的描述,提高了跟踪结果的准确度。实验结果表明,本文的方法对于基于人和汽车的视频均实现了可靠的跟踪,且很好的处理了相似目标遮挡,长时间遮挡及目标外形变化和尺度变化等问题。

论文目录

• 摘要
• ABSTRACT
• 图表目录
• 1 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 研究难点
• 1.4 论文章节安排及主要创新点
• 2 视觉跟踪算法概述
• 2.1 目标表示方法
• 2.2 视觉跟踪算法分类
• 2.2.1 自底向上跟踪方法
• 2.2.2 自顶向下跟踪方法
• 2.3 本章小结
• 3 基于粒子滤波的可靠视觉跟踪
• 3.1 粒子滤波
• 3.1.1 粒子滤波在复杂环境跟踪中的优势
• 3.1.2 粒子滤波原理
• 3.1.3 粒子滤波流程
• 3.2 可靠视觉跟踪问题陈述
• 3.3 基于粒子滤波的可靠跟踪
• 3.3.1 基于颜色和梯度方向的多观察模型
• 3.3.2 自适应更新的参考目标模型
• 3.3.3 粒子尺度变化模型
• 3.4 基于粒子滤波的跟踪流程
• 3.5 实验结果及分析
• 3.6 本章小结
• 4 基于粒子滤波的长时间遮挡处理
• 4.1 长时间遮挡问题描述
• 4.2 基于局部二值模式特征的观察模型
• 4.3 遮挡检测
• 4.4 基于自适应状态噪声的状态转移模型
• 4.4.1 多状态噪声状态转移模型
• 4.4.2 状态噪声的自适应选择
• 4.5 实验结果及分析
• 4.5.1 遮挡处理实验结果分析
• 4.5.2 自适应与恒定状态噪声比较
• 4.5.3 遮挡检测
• 4.5.4 LBP 特征与梯度方向特征比较
• 4.6 本章小结
• 5 总结与展望
• 5.1 本文主要创新点总结
• 5.2 未来工作展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录