基于粒子滤波的视频目标跟踪方法研究

论文摘要

视频运动目标跟踪是计算机视觉研究领域的重要课题之一,在视频监控、人机交互、机器人视觉导航以及智能交通控制中具有广泛的应用前景。近年来,粒子滤波方法被引入到了目标跟踪中,它为解决非线性、非高斯系统下的目标跟踪问题提供了一个有效的框架。粒子滤波是一种基于递推贝叶斯估计的统计仿真方法,它利用一组加权随机粒子样本来近似状态的后验概率密度函数。因此,整个基于粒子滤波的跟踪问题就是对状态向量的估计问题。本文针对复杂环境下单个视频目标的跟踪问题,开展了基于粒子滤波的跟踪方法研究。目标定义为灰度或彩色视频图像序列中快速机动的非刚性物体。对于灰度目标,主要研究了鲁棒观测模型的设计问题;对于彩色目标,则对目标快速移动、部分遮挡、旋转以及尺度缩放条件下的跟踪问题进行了重点研究。本文的主要研究成果如下:1.将H_∞滤波与粒子滤波相结合,提出了一种鲁棒H_∞粒子滤波新方法。对于系统以及噪声不确定性较小的情况,Kalman滤波具有较好的滤波性能,而在系统参数以及干扰噪声非确定较大的情况下,H_∞滤波则比Kalman滤波具有更优的预测性能。因此,将H_∞滤波与粒子滤波起来,用H_∞滤波的估计参数来建立新的建议分布,让粒子从该分布中采样来替代从转移概率密度中的采样,使粒子分布更接近真实目标。通过与标准粒子滤波相比较,该方法估计精度得到了有效的提升。2.针对灰度视频中的灰度目标的跟踪,本文提出了一种基于模板匹配的概率模板跟踪方法。该方法将经典的灰度相关匹配方法与粒子滤波方法相结合,采用MPC距离作为衡量模板间的相似性的度量,并用该MPC距离来构造粒子滤波的观测模型,进而对目标进行跟踪。该算法能够对短暂遮挡目标进行有效跟踪。3.针对复杂环境下的彩色目标跟踪,本文提出了一种稳定、可靠的,基于多特征融合的自适应均值移位粒子滤波算法。该算法不仅融合了颜色信息,而且还加入了纹理信息以及运动边缘信息。它利用三种特征构建粒子滤波的观测模型,自适应调节特征间的融合程度,构造最优的观测似然函数,再加入重采样步骤以防止粒子退化。在跟踪过程中,当目标出现遮挡时,滤波器只进预测,而停止粒子更新,只有当再次找到目标后,才进行更新;当出现快速运动的目标时,滤波器加入了均值移位重要性采样步骤来预测快速机动目标。同时,在状态向量中加入了两个分别表示x和y方向形变的尺度变量,以对形状发生变化的目标进行跟踪。实验结果表明,该算法比仅有单一特征的跟踪方法具有更高的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 视频序列目标跟踪概述
• 1.2.1 视频目标跟踪的研究方法
• 1.2.2 视频目标跟踪的评价指标
• 1.3 粒子滤波算法概述
• 1.3.1 粒子滤波算法的研究方向
• 1.3.2 粒子滤波的应用领域与新发展
• 1.4 本文主要工作及创新点
• 1.4.1 本文的主要工作
• 1.4.2 本文的创新点
• 第二章 贝叶斯滤波基础理论
• 2.1 引言
• 2.2 贝叶斯滤波
• 2.2.1 状态空间模型
• 2.2.2 贝叶斯推理
• 2.2.3 递推贝叶斯滤波
• 2.2.4 系统状态估计方法
• 2.3 多模式切换动态系统
• 2.4 最优估计算法
• 2.4.1 卡尔曼滤波
• 2.4.2 网格滤波
• 2.4.3 Bene（?）和Daum 滤波
• 2.5 次优估计算法
• 2.5.1 扩展卡尔曼滤波
• 2.5.2 近似网格滤波
• 2.5.3 高斯和滤波
• 2.5.4 无迹卡尔曼滤波
• 2.6 本章小结
• 第三章 基于序贯蒙特卡罗方法的贝叶斯滤波
• 3.1 引言
• 3.2 粒子滤波理论基础
• 3.2.1 蒙特卡罗方法
• 3.2.2 贝叶斯重要性采样
• 3.2.3 序贯重要性采样
• 3.2.4 退化问题
• 3.2.5 重要性函数的选择
• 3.2.6 重采样
• 3.3 基本粒子滤波算法
• 3.4 常见粒子滤波改进算法
• 3.4.1 SIR 粒子滤波
• 3.4.2 辅助粒子滤波
• 3.4.3 正则粒子滤波
• 3.4.4 无迹粒子滤波
• ∞粒子滤波新方法'>3.5 鲁棒H_∞粒子滤波新方法
• 3.6 本章小结
• 第四章 基于粒子滤波的目标跟踪算法仿真
• 4.1 引言
• 4.2 目标模型
• 4.2.1 运动模型
• 4.2.2 观测模型
• 4.2.3 噪声模型
• 4.3 基本粒子滤波算法仿真
• 4.4 基于粒子滤波的纯方位目标跟踪
• 4.5 闪烁噪声背景下粒子滤波跟踪性能仿真
• 4.6 粒子数目的对跟踪性能的影响
• 4.7 几种滤波器跟踪性能比较
• 4.8 本章小结
• 第五章 基于最大匹配像素统计的粒子滤波跟踪
• 5.1 引言
• 5.2 灰度相关特征描述
• 5.3 目标模型
• 5.3.1 运动模型
• 5.3.2 观测模型
• 5.4 算法流程
• 5.5 试验结果与分析
• 5.6 本章小结
• 第六章 基于多特征融合的自适应均值移位粒子滤波跟踪
• 6.1 引言
• 6.2 特征描述
• 6.2.1 颜色特征
• 6.2.2 纹理特征
• 6.2.3 运动边缘特征
• 6.3 目标模型
• 6.3.1 运动模型
• 6.3.2 观测模型
• 6.4 多特征融合及模板更新策略
• 6.5 均值移位重要性采样
• 6.6 算法流程
• 6.7 试验结果与分析
• 6.7.1 目标相互遮挡的情况
• 6.7.2 目标发生旋转的情况
• 6.7.3 目标发生形变的情况
• 6.7.4 光照发生变化的情况
• 6.7.5 目标快速机动的情况
• 6.8 本章小结
• 第七章 总结与展望
• 7.1 工作总结
• 7.2 研究展望
• 致谢
• 参考文献
• 攻读硕士期间取得的研究成果