学位论文 > 优秀研究生学位论文题录展示

多目标跟踪算法研究

作　者: 马纬章
导　师: 马波
学　校: 北京理工大学
专　业: 计算机科学与技术
关键词: 视频多目标跟踪随机集 PHD滤波 boosting 两级式关联
分类号: TN953
类　型: 硕士论文
年　份: 2011年
下　载: 237次
引　用: 0次
阅　读: 论文下载

内容摘要

视频目标跟踪研究是视觉领域的一个重要课题,受到国内外学者的普遍关注,具有广泛的应用前景,其中视频多目标跟踪是高级视频内容分析的基础。由于目标数目不定,并且多个目标之间存在交互作用,使得视频多目标跟踪成为目标跟踪中的一个难点。近年来,尽管人们对视频多目标跟踪进行了较广泛的研究,并提出了许多新颖的跟踪算法,但是仍然很难得到稳定、精确的跟踪结果。本文从视频多目标跟踪的两个主要方面:多目标滤波和多目标关联,进行了深入的研究,并且针对其中的难点,提出了切实有效的解决方法。本文对基于随机有限集的概率假设密度(PHD)滤波方法进行了深入的研究,它可以对视频中多个目标的状态进行准确估计。该方法首先使用目标检测算法得到视频中多个目标的观测,然后将多个目标的状态和观测建模为随机集的形式,迭代求解每一时刻多目标的概率假设密度,从而得到多目标的个数和状态。本文在此基础上提出了卡尔曼粒子PHD滤波算法,即用粒子滤波的形式来实现PHD滤波,在预测阶段采用卡尔曼滤波产生提议分布,该提议分布最接近目标的后验概率分布,并且采用了一种新的观测模型,该模型同时考虑了目标的运动状态和表观信息,能够得到最精确的似然概率。针对多目标跟踪中的轨迹生成问题,本文提出基于在线boosting的两级式多目标关联方法。在检测出每一帧的多个目标之后,在初始轨迹中提取训练样本,建立在线判别表观模型(OLDAMs),利用boosting算法训练分类器,将相同目标进行关联。由于上述过程中产生的轨迹过于零碎、连续性较差,因此我们将分类器得到的短轨迹进行二次关联,将这个问题建模成二分图的最佳带权匹配问题,采用KM算法进行求解,得到最优的关联集,即完成了第二级的关联。最后能够得到稳定、准确的多个目标轨迹。此外,我们进行了大量的实验,将上述方法与其他多目标跟踪方法进行对比。通过定量和定性分析,证明本文提出的方法确实能够得到更稳定、更精确、更高效的跟踪结果。

全文目录

中文摘要  5-6
Abstract  6-10
第一章绪论  10-20
  1.1 研究背景及意义  10-12
    1.1.1 目标跟踪的背景  10-11
    1.1.2 多目标跟踪的意义  11
    1.1.3 多目标跟踪的发展  11-12
  1.2 传统多目标跟踪方法  12-17
    1.2.1 单目标跟踪  12-14
    1.2.2 多目标跟踪  14-16
    1.2.3 基于贝叶斯关联的多目标跟踪的不足  16-17
  1.3 论文的创新点和结构安排  17-20
    1.3.1 论文的创新点  17
    1.3.2 论文的结构安排  17-20
第二章相关理论及方法  20-32
  2.1 引言  20-21
  2.2 基于随机集的多目标跟踪方法  21-25
    2.2.1 随机集统计理论  21-22
    2.2.2 随机集多目标跟踪理论  22-24
    2.2.3 PHD 滤波算法  24-25
  2.3 基于boosting 的目标跟踪方法  25-30
    2.3.1 集成学习  25-27
    2.3.2 离线boosting  27-28
    2.3.3 在线boosting  28-29
    2.3.4 基于在线boosting 的目标跟踪算法  29-30
  2.4 小结  30-32
第三章基于卡尔曼粒子PHD 滤波的多目标跟踪方法  32-44
  3.1 引言  32
  3.2 PHD 滤波算法的实现  32-36
    3.2.1 混合高斯PHD 滤波  32-35
    3.2.2 粒子PHD 滤波  35-36
  3.3 卡尔曼粒子PHD 滤波  36-39
    3.3.1 提议分布  36-38
    3.3.2 观测模型  38-39
  3.4 实验结果与分析  39-43
  3.5 小结  43-44
第四章基于在线boosting 的两级式多目标关联  44-63
  4.1 引言  44
  4.2 OLDAMs 多目标跟踪方法  44-49
    4.2.1 样本收集策略  45-46
    4.2.2 表观模型  46-47
    4.2.3 外观描述子的相似性度量  47-48
    4.2.4 学习算法  48-49
  4.3 基于最佳匹配的二次关联  49-56
    4.3.1 二次关联的建模  49-52
    4.3.2 连接矩阵的计算  52-54
    4.3.3 KM 算法求解最佳匹配  54-56
  4.4 实验结果与分析  56-61
  4.5 小结  61-63
结论  63-65
参考文献  65-71
攻读学位期间发表论文与研究成果清单  71-73
致谢  73

相似论文

基于结构化稀疏谱哈希的图像索引算法,TP391.41
移动机器人基于三维激光测距的物体检测,TP242
视频多目标跟踪算法的研究和实现,TP391.41
基于随机集样本的统计学习理论基础,O212.2
基于概率假设密度函数（PHD）的多目标跟踪方法研究,TN953
多分类器集成技术研究,TP311.13
一种基于随机集的异类信息表示与融合方法,TP202
智能交通行人检测系统的分类技术研究,TP274.4
Boosting在文本分类中的应用,TP391.1
交通监控系统中目标跟踪与行为识别研究,TP277
集值概率空间上基于模糊随机集的统计学习理论基础,O21-4
基于数据挖掘技术的导诊系统的研究与实现,TP311.13
特征选择方法对英文作文自动评分性能影响的研究,TP391.1
基于Boosting的分布估计算法,O211.67
目标跟踪中在线boosting学习算法的研究,TP391.41
基于RBF-Boosting算法的疾病风险分析模型及核保费率调整系统研究与实现,F840
随机集理论在通信中的应用研究,TN911
基于稀疏谱哈希的图像索引,TP391.41
基于滤波关联的视频多目标跟踪,TP391.41
基于随机集的多目标跟踪算法研究,TN953