分布式多视角目标跟踪算法研究

论文摘要

分布式多视角目标跟踪(分布式视频跟踪)是近年来图像处理和计算机视觉领域的研究热点之一。在分布式视频跟踪系统中,使用多台智能摄像机(视角)对目标进行精确跟踪。各视角在本地完成视频数据的采集和处理,并通过网络与其它视角进行信息的交互和融合。与传统的集中式技术相比,分布式跟踪具有带宽需求低、系统功耗小、实时性高、可靠性强等优势,在视频监控、交通控制、制药、娱乐和智能环境等领域中有着广阔的应用前景。本文对分布式视频跟踪中的视角内视频处理算法、单或多目标跟踪的理论框架、目标遮挡处理及非同步视角间的信息融合等内容进行了研究,以解决分布式多视角条件下的目标精确跟踪问题。论文首先从各视角本地数据的有效利用角度出发,对视角内视频处理算法进行了研究,提出了“超复数相位相关算法”和“遮挡鲁棒的单视角目标跟踪算法”：●超复数相位相关算法,主要解决各视角内彩色图像的有效利用问题。该算法将传统的相位相关(POC)扩展到超复数域,得到一种新的超复数相位相关(QPOC)计算表达式。在彩色图像配准应用中,它能够得出相关系数与位移间的解析表达式,利用最小二乘法直接从QPOC计算得到的二维系数矩阵中估计出图像间存在的位移向量。实验结果表明,QPOC将计算量降低到原有算法的50%左右,并提高了彩色图像位移向量的估计精度。●遮挡鲁棒的单视角目标跟踪算法,主要解决各视角如何利用本地数据进行遮挡处理的问题。算法利用粒子滤波器对目标的位置和遮挡状态进行联合估计,借助可见的目标外观区域将目标对齐到真实位置,从而有效处理遮挡情况。同时,使用变分近似法降低了联合后验概率的状态空间,解决了维度灾难问题。实验结果表明,算法能够显著提高跟踪精度,对短时局部和完全遮挡具有鲁棒性。在解决了各视角如何处理本地视频数据的问题后,论文进一步考虑如何在视角间实现高效的信息交互和融合。借助于贝叶斯理论和变分近似法,建立了分布式多视角目标跟踪系统的概率框架,提出了“分布式多视角单目标跟踪算法”和“分布式多视角多目标跟踪算法”：●分布式多视角单目标跟踪算法,建立了分布式多视角单目标跟踪的概率框架,并使用变分近似法解决了联合后验概率引入的高维状态空间问题。各智能摄像机首先利用视角内的视频数据计算出本地似然函数,再借助于消息传递机制完成信息的分布式迭代融合,实现各视角对目标的精确跟踪。实验结果表明,算法能够有效提高分布式系统在复杂背景、遮挡、目标三维旋转等情况下的跟踪精度。●分布式多视角多目标跟踪算法,对多视角单目标跟踪算法进行了扩展。通过对运动目标间的遮挡过程进行建模,构建了多视角多目标跟踪的概率框架。利用变分近似法解决了多视角多目标联合后验概率估计所引入的维度灾难问题。各视角借助于消息传递机制实现信息的分布式迭代融合,估计出各运动目标的三维坐标及在各摄像机视野中的位置信息。实验结果表明,算法对目标间的相互遮挡有较强的鲁棒性,能够进一步提高跟踪系统的估计精度。最后,论文为解决实际系统中的网络延时给视角间信息融合造成的困难,提出了“分布式非同步视角目标跟踪算法”：●建立了分布式非同步视角间信息融合的粒子滤波框架。设计了自适应混合模型作为重要采样函数,各视角能够直接利用接收到的延时数据和本地结果动态而高效地进行粒子采样。算法不需要缓存策略,提升了系统的实时性能,且能够实现有效的信息融合,对遮挡有着较强的鲁棒性。实验结果表明,算法在网络延时和遮挡同时存在的情况下,仍能保持较高的跟踪精度；算法计算量小,具有实时特性。

论文目录

• 目录
• 摘要
• Abstract
• 第1章 绪论
• 1.1 分布式多视角目标跟踪简介
• 1.2 研究现状
• 1.3 研究目的及意义
• 1.3.1 理论研究价值
• 1.3.2 应用价值
• 1.4 主要工作
• 1.4.1 视角内视频处理算法
• 1.4.2 视角间信息融合算法
• 1.5 数学基础
• 1.5.1 贝叶斯序列滤波
• 1.5.2 粒子滤波器
• 1.5.3 变分近似法
• 第2章 超复数相位相关算法
• 2.1 概述
• 2.2 超复数相位相关算法
• 2.2.1 超复数运算法则及超复数傅立叶变换
• 2.2.2 改进的超复数相位相关算法
• 2.2.3 超复数相位相关系数矩阵与位移关系的闭合表达式
• 2.2.4 计算量分析
• 2.3 彩色图像配准算法
• 2.4 实验结果
• 2.4.1 计算量比较
• 2.4.2 亚像素位移估计仿真
• 2.5 小结
• 第3章 遮挡鲁棒的单视角目标跟踪算法
• 3.1 概述
• 3.2 单视角目标跟踪算法
• 3.2.1 算法的基本思路及概率模型
• 3.2.2 联合后验概率的递推公式
• 3.2.3 基于变分近似的迭代算法
• 3.3 状态转移模型及观测模型
• 3.3.1 状态转移模型
• 3.3.2 观测模型
• 3.4 实验结果
• 3.4.1 实验条件
• 3.4.2 跟踪性能分析
• 3.4.3 参数设置对跟踪性能的影响
• 3.5 小结
• 第4章 分布式多视角单目标跟踪算法
• 4.1 概述
• 4.2 多视角单目标跟踪的概率框架
• 4.2.1 多视角单目标跟踪问题的建模
• 4.2.2 联合后验概率的近似分解
• 4.2.3 本地似然函数建模
• 4.2.4 势函数建模
• 4.2.5 自适应的搜索空间
• 4.3 基于消息传递的分布式算法
• 4.4 实验结果
• 4.4.1 实验条件
• 4.4.2 实验结果
• 4.4.3 性能分析
• 4.5 小结
• 第5章 分布式多视角多目标跟踪算法
• 5.1 概述
• 5.2 多视角多目标跟踪的概率框架
• 5.2.1 多视角多目标跟踪问题的建模
• 5.2.2 联合后验概率的近似分解
• 5.2.3 特例:多视角单目标跟踪
• 5.3 似然函数建模
• t,iⁿ|x_t,iⁿ)模型'>5.3.1 P(y_t,iⁿ|x_t,iⁿ)模型
• t,i^m,n|x_t,i^m,x_t,iⁿ)建模'>5.3.2 P(y_t,i^m,n|x_t,i^m,x_t,iⁿ)建模
• t,iⁿ|x_t,3dⁿ)建模'>5.3.3 P(x_t,iⁿ|x_t,3dⁿ)建模
• 5.4 分布式消息传递机制
• 5.5 实验结果
• 5.5.1 实验条件
• 5.5.2 实验结果
• 5.6 小结
• 第6章 分布式非同步视角目标跟踪算法
• 6.1 概述
• 6.2 分布式数据融合的概率框架
• 6.2.1 符号表示和问题建模
• 6.2.2 分布式粒子滤波跟踪
• 6.2.3 算法示意图
• 6.2.4 自适应观测模型
• 6.3 自适应状态转移模型
• 6.3.1 混合模型
• 6.3.2 动态调整模型参数
• 6.3.3 讨论
• 6.4 网络延时处理
• 6.5 实验结果
• 6.5.1 遮挡鲁棒性实验
• 6.5.2 延时鲁棒性实验
• 6.5.3 故障鲁棒性实验
• 6.5.4 实时性实验
• 6.6 小结
• 第7章 总结与展望
• 参考文献
• 致谢
• 攻读博士学位期间主要研究成果