基于粒子滤波器的鼠类目标跟踪研究

论文摘要

基于图像序列的目标跟踪作为计算机视觉领域的一个重要而富有挑战的课题,得到了广泛而深入的研究,然而长期以来大部分工作都集中在对人或者类似汽车飞机的机动目标的跟踪上。可以毫不夸张的说视频序列中实现对动物的跟踪更具有挑战性,尤其是鼠类目标,其形状的多变性,运动的无规律性,频繁而且严重的遮挡,目标之间的高度相似以致难以区分等都给跟踪带来的巨大的困难。本文在粒子滤波框架基础上,分别就单个鼠类目标和多个鼠类目标的情况,提出和实现了不同的跟踪算法。具体内容如下:提出将加权的颜色直方图作为观察模型融入粒子滤波器算法框架,实现了对单个鼠类目标的跟踪。算法可以在粒子较多的情况下对鼠类目标进行跟踪。为实现同时对多个鼠类目标的跟踪,本文首先研究了鼠类运动的动态模型,分别讨论了位置和形状动态变化规律,提出了用二阶自回归过程来描述鼠类目标的位置传递,用约束布朗运动来描述老鼠形状的动态变化。为建立视频图像中鼠类目标的表观模型,本文研究了在贝叶斯框架下提取图像观察的一般方法,通过将图像网格化,并认为各网格间的图像观察是相互独立的,从而可以在求解各个网格图像观察的基础上求解整幅图像的表观模型。最后在目标动态模型与图像观察模型的基础上,结合粒子滤波提出了针对多个鼠类目标的跟踪算法。试验结果表明,融入加权直方图的粒子滤波算法可以对单个鼠类目标进行跟踪;而多目标跟踪算法不仅跟踪准确性上较加权直方图有较大提高,而且对遮挡,突然运动等跟踪难题具有较好的性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及研究意义
• 1.2 国内外相关研究综述
• 1.2.1 视觉目标跟踪研究概述
• 1.2.2 老鼠及动物跟踪研究概述
• 1.3 本文研究内容
• 第2章 基于蒙特卡罗的贝叶斯滤波－粒子滤波
• 2.1 引言
• 2.2 贝叶斯滤波
• 2.2.1 贝叶斯法则
• 2.2.2 动态系统的状态空间
• 2.2.3 贝叶斯滤波的基本原理
• 2.3 粒子滤波基本原理
• 2.3.1 重要性采样
• 2.3.2 粒子滤波思想
• 2.4 粒子滤波收敛性证明
• 2.5 本章小结
• 第3章 基于粒子滤波的单目标跟踪
• 3.1 引言
• 3.2 颜色空间
• 3.3 加权的颜色直方图
• 3.3.1 HSV空间加权颜色直方图
• 3.3.2 权值的设定
• 3.4 粒子滤波算法的融合
• 3.4.1 融合PF后的算法流程
• 3.4.2 重采样技术
• 3.4.3 粒子状态转移
• 3.5 实验结果及分析
• 3.6 本章小节
• 第4章 基于Bayesian Multi-Blob的多目标跟踪
• 4.1 引言
• 4.2 观察模型
• 4.2.1 状态向量
• 4.2.2 观察模型
• 4.3 观察模型的训练
• 4.3.1 背景观察模型
• 4.3.2 前景观察模型
• 4.3.3 模型的测试及结果
• 4.4 动态模型
• 4.4.1 一阶自回归过程
• 4.4.2 二阶自回归过程
• 4.4.3 试验中动态模型设定
• 4.5 融合PF的多目标跟踪
• 4.6 实验结果及分析
• 4.7 本章小节
• 结论
• 参考文献
• 哈尔滨工业大学硕士学位论文原创性声明
• 哈尔滨工业大学硕士学位论文使用授权书
• 哈尔滨工业大学硕士学位涉密论文管理
• 致谢