运动目标跟踪算法的若干方法研究

论文摘要

目标跟踪技术广泛应用于军事、安防、交通监控等领域。如何在视频序列中对感兴趣目标进行有效跟踪,是计算机视觉中一个极具挑战性的课题。近年来,通过研究人员的不懈努力,提出了很多经典的跟踪算法,解决了很多目标跟踪方面的棘手问题,但是目前的各种算法都是在某种针对性的环境或目标条件下有效,缺乏通用性。而且由于被跟踪目标本身特征的多样性、所处环境的复杂性,更是使得目标跟踪技术在实际应用中困难重重。论文首先讨论了经典算法之一的相关跟踪方法,尤其着重研究了MCD方法和SSDA方法,并在此基础上提出了带有自适应模板更新功能的快速SSDA算法,解决了相关跟踪在实时性方面的缺点,以及目标形变问题的影响。其次研究了经典的Mean shift算法,并在此传统算法的基础上,探索了几种改进方法。其中将Kalman预测器引入跟踪算法,解决了遮挡问题和相似干扰物问题。而将HSV颜色模型作为特征引入跟踪算法,解决了光照变化问题对跟踪造成的影响。最后讨论了基于贝叶斯估计的粒子滤波器算法,研究了其在目标跟踪中的应用问题,通过实验总结了其性能特点。并结合Mean shift算法和粒子滤波器算法的优点,提出了基于Mean shift和粒子滤波器的综合算法。通过度量因子自适应切换Mean shift算法和粒子滤波算法,这样相对于Mean shift算法,增强了算法的鲁棒性,而相对于传统的粒子滤波器算法,增强了其实时性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 目标跟踪技术研究意义和研究现状
• 1.3 目标跟踪方法综述
• 1.3.1 基于分割的方法
• 1.3.2 基于视窗的方法
• 1.4 论文主要研究内容以及创新点
• 2 基于相关的目标跟踪算法研究及改进
• 2.1 图像匹配基本原理和方法
• 2.2 MCD跟踪算法
• 2.2.1 基本原理
• 2.2.2 实验分析
• 2.2.3 结论
• 2.3 序贯相似性快速检测（SSDA）
• 2.4 改进的快速SSDA算法
• 2.4.1 降分辨率提取特征点
• 2.4.2 算法流程
• 2.4.3 模板更新
• 2.4.4 实验分析
• 2.4.5 结论
• 2.5 本章小结
• 3 Mean-shift跟踪算法及其改进
• 3.1 Mean-shift基本理论
• 3.1.1 Mean shift的基本形式
• 3.1.2 扩展的Mean shift
• 3.1.3 Mean Shift的物理含义
• 3.2 Mean shift算法应用于目标跟踪
• 3.2.1 目标模型的建立
• 3.2.2 候选目标模型的建立
• 3.2.3 相似性度量函数
• 3.2.4 算法推导
• 3.2.5 模板更新策略
• 3.2.6 实验结果分析
• 3.2.7 结论
• 3.3 基于kalman预测的Mean shift跟踪算法
• 3.3.1 Kalman预测器理论
• 3.3.2 Kalman预测应用于跟踪
• 3.3.3 实验结果分析
• 3.3.4 结论
• 3.4 基于HSV色彩模型的Mean shift跟踪算法
• 3.4.1 HSV色彩空间
• 3.4.2 基于HSV色彩空间的跟踪方法
• 3.4.3 实验结果分析
• 3.4.4 结论
• 3.5 本章小结
• 4 基于粒子滤波的跟踪方法研究及改进
• 4.1 蒙特卡罗方法
• 4.1.1 贝叶斯滤波原理
• 4.1.2 蒙特卡罗方法
• 4.2 粒子滤波器
• 4.2.1 贝叶斯重要性采样
• 4.2.2 顺序重要性采样
• 4.2.3 退化现象
• 4.3 基于颜色直方图的粒子滤波器跟踪算法
• 4.3.1 系统状态转移模型建模
• 4.3.2 系统观测模型建模
• 4.3.3 目标位置的确定
• 4.3.4 重采样
• 4.3.5 实验结果分析
• 4.4 基于Mean shift和粒子滤波器的综合算法
• 4.4.1 Mean shift算法回顾
• 4.4.2 度量因子
• 4.4.3 算法流程
• 4.4.4 实验结果分析
• 4.5 本章小结
• 5 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献