基于改进粒子滤波器目标跟踪算法研究

基于改进粒子滤波器目标跟踪算法研究

论文摘要

目标跟踪被广泛应用于视频监控、安防系统、智能交通系统及机器人技术等领域,是一些需要确定目标位置、运动和身份等智能系统的核心组成部分,可以说是一个非常棘手而富有挑战性的课题。由于实际应用中存在诸如摄像头运动、目标不稳定、背景复杂以及其他相似移动物体等的困难的情况,人们很难找到一个广泛适用的鲁棒性高的跟踪算法。四十多年前,卡尔曼先生提出了卡尔曼滤波算法,它简单而便于实现,是解决线性高斯环境下的问题的最佳方法。近年来由于技术的发展和应用的需要,出现了一个研究非线性非高斯环境下滤波算法的高潮。本文首先介绍了近年来常见的一些目标跟踪滤波算法——卡尔曼滤波器(Kalman filter, KF)、扩展卡尔曼滤波器(Extended Kalman filter, EKF),无敏卡尔曼滤波器(Unscented Kalman filter, UKF),粒子滤波器(Particle filter, PF)。KF简单而优雅,是线性高斯环境下的最佳递归贝叶斯滤波器。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行估计滤波,并达到一阶估计精度。UKF通过固定样本集达到对状态概率分布的近似,在精度和计算量上较之EKF优秀,但它是利用高斯分布来逼近系统状态的后验概率密度,在复杂的环境中表现差。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值(称为粒子),通过寻找在粒子滤波分布中最大权重的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。本论文通过量测非线性模型(正切)的对比实验,证明了PF在非线性环境下有着最优异表现,UKF表现较之EKF优异,而EKF优于KF,与理论分析的结果一致。在目标跟踪系统中选取描述目标的特征是一个棘手的问题,使用更多的描述目标的特征可以有效提高跟踪的准确性,但会增加计算机的计算量和计算时间,只能取实时性和准确性的折衷。目标颜色直方图特征具有稳定性高、计算量较小的特点,已成为主流的描述目标的特征。描述目标颜色特征的颜色空间有很多种,本文介绍了常见的RGB空间、CMYK空间、HSV空间。其中HSV空间更符合人眼感知色彩的方式,此空间模型具有线性伸缩性良好,色差与颜色分量在相应值上的欧几里德距离成比例等优点。但单一的颜色直方图特征对背景光照变化敏感,而且当有相似颜色干扰信息时,跟踪的准确性大大降低。而目标的结构性特征主要有矩特征,矩特征具有平移、旋转、尺度等不变特性,被广泛应用在图像匹配、姿态识别等领域。本文结合粒子滤波算法提出一种基于融合目标不变矩特征和颜色直方图特征的目标跟踪方法,其中目标颜色直方图特征的计算是在HSV空间进行的。该方法对目标的颜色信息和结构信息进行融合并建立目标模型,粒子权值的融合比例由应用环境决定,在系统更新过程中比较目标与粒子间的欧几里德距离,淘汰劣质的粒子,增加了粒子的可靠度,减少了噪声的影响。实验数据表明此改进方法有效克服了单一颜色特征模型在应用中的不足,并能够在不影响实时性的基础上提高跟踪的有效性。

论文目录

  • 摘要
  • Abstract
  • 目录
  • 第一章 绪论
  • 1.1 研究背景
  • 1.2 国内外研究现状
  • 1.3 常见跟踪算法介绍
  • 1.4 本人所做工作
  • 第二章 目标跟踪算法介绍
  • 2.1 卡尔曼滤波器(KF)
  • 2.1.1 KF简介
  • 2.1.2 滤波器原理
  • 2.1.3 卡尔曼滤波器计算
  • 2.2 扩展卡尔曼滤波器(EKF)
  • 2.2.1 EKF简介
  • 2.2.2 EKF原理
  • 2.3 无敏卡尔曼滤波器(UKF)
  • 2.3.1 UKF简介
  • 2.3.2 UKF原理
  • 2.4 粒子滤波器(PF)
  • 2.4.1 PF简介
  • 2.4.2 PF原理
  • 2.4.3 粒子滤波器应用中的问题
  • 2.5 本章小结
  • 第三章 描述目标的特征
  • 3.1 颜色
  • 3.2 颜色空间
  • 3.2.1 RGB颜色空间
  • 3.2.2 CMYK颜色空间
  • 3.2.3 HSV颜色空间
  • 3.3 颜色空间的量化
  • 3.4 颜色直方图
  • 3.5 颜色特征的相似度计算
  • 3.6 不变矩
  • 3.6.1 矩
  • 3.6.2 不变矩计算
  • 3.6.3 矩特征的相似度计算
  • 3.7 本章小结
  • 第四章 改进的粒子滤波跟踪算法实现
  • 4.1 EKF、UKF、PF算法采样性能比较
  • 4.2 改进的粒子滤波跟踪算法实现及实验结果分析
  • 4.2.1 改进粒子滤波跟踪算法实现
  • 4.2.2 实验结果对比
  • 4.2.3 算法有效性分析
  • 4.2.4 算法时间复杂度分析
  • 4.2.5 实验问题分析
  • 4.3 本章小结
  • 第五章 总结及展望
  • 5.1 总结
  • 5.2 展望
  • 5.2.1 现有粒子滤波器存在的问题
  • 5.2.2 粒子滤波器在应用中的展望
  • 参考文献
  • 致谢
  • 攻读硕士期间发表的论文
  • 相关论文文献

    • [1].粒子滤波器的原理及其在目标跟踪中的应用[J]. 硅谷 2009(04)
    • [2].多目标粒子滤波器重采样算法的研究[J]. 自动化与仪器仪表 2017(01)
    • [3].基于粒子滤波器的移动目标定位算法[J]. 系统工程理论与实践 2011(S2)
    • [4].进化粒子滤波器对比研究及其在移动机器人故障诊断中的应用[J]. 信息与控制 2010(05)
    • [5].基于运动特征的颜色粒子滤波器[J]. 计算机工程 2011(09)
    • [6].基于自适应遗传算法的粒子滤波器[J]. 成都理工大学学报(自然科学版) 2017(05)
    • [7].采用混合t分布粒子滤波器的视觉跟踪(英文)[J]. 红外与激光工程 2011(07)
    • [8].非线性加权观测融合粒子滤波器[J]. 华中科技大学学报(自然科学版) 2019(02)
    • [9].截断的自适应容积粒子滤波器[J]. 系统工程与电子技术 2016(02)
    • [10].基于蚁群优化的边缘化粒子滤波器跟踪算法[J]. 实验技术与管理 2014(10)
    • [11].基于混合高斯模型和粒子滤波器的跟踪[J]. 微计算机信息 2009(30)
    • [12].粒子滤波器在运动单站被动测距中的应用[J]. 红外与激光工程 2009(04)
    • [13].基于混合粒子滤波的多目标跟踪[J]. 系统工程与电子技术 2009(08)
    • [14].应用高斯粒子滤波器的桥梁可靠性在线预测[J]. 哈尔滨工业大学学报 2016(06)
    • [15].粒子滤波器的优化及在纯方位跟踪中的应用[J]. 探测与控制学报 2010(02)
    • [16].基于SSD的核粒子滤波器下的球类运动员跟踪[J]. 西南师范大学学报(自然科学版) 2008(02)
    • [17].采用代价参考粒子滤波器估计天波雷达目标状态[J]. 西安电子科技大学学报 2013(05)
    • [18].基于主成分分析的粒子滤波器目标跟踪方法[J]. 吉林大学学报(理学版) 2012(06)
    • [19].桥梁极值应力的改进高斯混合粒子滤波器动态预测[J]. 同济大学学报(自然科学版) 2016(11)
    • [20].快速Marginalized粒子滤波器在纯方位跟踪中的应用[J]. 火力与指挥控制 2008(11)
    • [21].多速率交互式多模型粒子滤波研究[J]. 指挥控制与仿真 2008(02)
    • [22].基于Rao-Blackwellized粒子滤波器的FastSLAM算法研究与应用[J]. 河北工业大学学报 2009(03)
    • [23].基于粒子滤波器的TBD检测性能分析[J]. 舰船电子对抗 2008(06)
    • [24].基于径向基-Galerkin解的反馈粒子滤波器[J]. 电子学报 2016(01)
    • [25].改进的粒子滤波器目标跟踪方法[J]. 计算机工程与设计 2011(01)
    • [26].基于联邦粒子滤波器的多传感器信息融合算法[J]. 弹箭与制导学报 2011(04)
    • [27].粒子滤波器在雷达目标跟踪中的运用[J]. 微计算机信息 2009(22)
    • [28].一种改进型的粒子滤波器[J]. 信号处理 2008(01)
    • [29].基于统计模型的遗传粒子滤波器人体运动跟踪[J]. 计算机应用研究 2008(04)
    • [30].Bouc-Wen模型参数在线识别的粒子滤波器算法[J]. 黑龙江科技大学学报 2018(01)

    标签:;  ;  ;  ;  ;  

    基于改进粒子滤波器目标跟踪算法研究
    下载Doc文档

    猜你喜欢