基于蒙特卡洛方法的改进粒子滤波算法

论文摘要

近年来,智能视频监控技术得到了广泛的研究与应用。其中,运动目标检测与跟踪已经成为计算机视觉领域的研究热点。存在着广泛的应用前景。由于实际系统大多是非线性、非高斯的,扩展卡尔曼滤波算法和粒子滤波算法已成为广泛使用的运动目标跟踪算法。本文研究的主要内容是基本粒子滤波算法的原理和特征,以及当前存在的主要问题,对其关键技术进行归纳分析,从以下三个方面对基本粒子滤波跟踪算法进行改进：一、粒子滤波的主要的计算量都是由粒子的采样和重采样过程带来的,为了减少粒子数,在采样过程中,一边采样,一边判断该粒子是否满足跟踪精度阈值,如满足,则跳跃到下一帧,否则继续采样,直到抽出最大采样数个粒子或重采样。改进后的算法提高了运算效率,节约了运算时间。通过仿真实验和视频的跟踪实验,验证了改进算法在有效实现跟踪的同时,大大提高计算处理实时性。二、本文在扩展卡尔曼粒子滤波(EKPF)中使用多样式重采样,与传统的重要性重采样相比,更大的保证了粒子的多样性以及跟踪的稳定性。仿真实验证明了改进后算法的优越性。三、因为扩展卡尔曼滤波(EKF)在非线性情况下也可以实现较好的跟踪,而且计算量远小于粒子滤波算法,在以上改进的基础上,本文提出了改进后粒子滤波算法与EKF相结合的复合算法。在复合算法中,每个时刻优先使用EKF跟踪,然后判断是否跟踪上,若跟踪上则跳到下一个时刻,否则引入改进粒子滤波算法。实验证明,某些时刻扩展卡尔曼滤波算法的跟踪结果比粒子滤波还要好,复合算法有效利用这些时刻的跟踪结果,其他时刻采用改进粒子滤波算法的计算结果。实验结果表明,复合算法比单纯使用改进粒子滤波算法的计算效果更好。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 绪论
• 1.1 研究的背景与意义
• 1.1.1 目标跟踪技术的应用
• 1.2 目标跟踪的相关技术
• 1.2.1 运动目标检测
• 1.2.2 运动目标跟踪
• 1.2.3 行为理解和身份识别
• 1.3 运动目标跟踪难点
• 1.4 论文结构安排
• 2 滤波理论
• 2.1 滤波理论的发展
• 2.2 贝叶斯滤波原理与贝叶斯估计
• 2.3 卡尔曼滤波（KF）
• 2.4 扩展卡尔曼滤波（EKF）
• 2.5 实验仿真
• 2.5.1 卡尔曼滤波（KF）算法仿真
• 2.5.2 扩展卡尔曼滤波（EKF）算法仿真
• 2.6 小结
• 3 粒子滤波理论
• 3.1 蒙特卡洛方法
• 3.1.1 蒙特卡洛方法的基本原理
• 3.1.2 蒙特卡洛方法
• 3.1.3 蒙特卡洛方法的收敛性
• 3.1.4 蒙特卡洛方法解题
• 3.1.5 蒙特卡洛方法的特点
• 3.2 粒子滤波—采样方法
• 3.2.1 贝叶斯重要性采样（BIS）
• 3.2.2 序列重要性采样（SIS）
• 3.3 退化问题
• 3.4 粒子滤波—重采样方法
• 3.4.1 重要性重采样
• 3.4.2 系统重采样
• 3.4.3 多样式重采样
• 3.4.4 剩余重采样
• 3.4.5 分层重采样
• 3.5 重要性密度函数选择
• 3.6 粒子滤波算法流程
• 3.7 粒子滤波算法实现注意事项及仿真
• 3.7.1 粒子滤波的重采样
• 3.7.2 粒子滤波中的粒子数的选取
• 3.7.3 粒子滤波中阈值的选择
• 3.7.4 PF算法与EKF算法的对比
• 3.8 小结
• 4 改进粒子滤波算法
• 4.1 改进粒子滤波算法
• 4.1.1 改进的粒子滤波算法
• 4.1.2 实验仿真
• 4.2 改进扩展卡尔曼粒子滤波算法
• 4.2.1 传统扩展卡尔曼粒子滤波算法
• 4.2.2 改进的扩展卡尔曼粒子滤波算法
• 4.2.3 实验仿真
• 4.3 一种新的复合方法
• 4.3.1 新的复合方法
• 4.3.2 实验仿真
• 4.4 小结
• 5 改进算法在视频中的实现
• 5.1 视频中运动目标跟踪原理
• 5.1.1 基于区域的跟踪
• 5.1.2 基于特征的跟踪
• 5.1.3 基于变形模板的跟踪
• 5.1.4 基于模型的跟踪
• 5.2 粒子滤波视频跟踪算法设计
• 5.2.1 确定运动模型
• 5.2.2 目标的先验知识
• 5.2.3 系统状态转移
• 5.2.4 系统观测
• 5.2.5 计算后验概率
• 5.2.6 重采样
• 5.3 视频实验、结果与分析
• 5.3.1 基本粒子滤波算法跟踪流程
• 5.3.2 改进粒子滤波算法跟踪流程与结果
• 5.3.3 复合方法的跟踪流程与结果
• 5.4 小结
• 6 结论
• 6.1 论文的主要研究内容
• 6.2 未来展望
• 参考文献
• 学位论文数据集