学位论文 > 优秀研究生学位论文题录展示

分布式多视角目标跟踪的统计推理方法及实现

作　者: 范晶晶
导　师: 胡波
学　校: 复旦大学
专　业: 电路与系统
关键词: 多摄像机目标跟踪分布式系统贝叶斯推理卡尔曼滤波序列蒙特卡洛粒子滤波
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 82次
引　用: 0次
阅　读: 论文下载

内容摘要

目标跟踪是计算机视觉中一个重要的问题,它在视频监视、视频检索、车辆导航等领域有广泛应用。多摄像机(多视角)目标跟踪系统中,由于视角间存在大量信息冗余可有效提高跟踪鲁棒性,多视角目标跟踪备受业界关注。卡尔曼滤波为较为传统的目标状态估计工具,随着计算机能力的提高序列蒙特卡洛粒子滤波也被广泛应用于目标状态估计中。卡尔曼滤波及序列蒙特卡洛粒子滤波均可在贝叶斯估计框架下得到解释。本文针对多摄像机视频跟踪的应用场景,在贝叶斯推理的框架下,提出了一种具有分布式时空交互计算特点的目标跟踪算法,包括基于卡尔曼滤波自适应初始点算法,基于序列蒙特卡洛粒子滤波的数据融合算法,最后经过算法及软件的合理剪裁优化后,在TI OMAP3530上实现实时的多视角目标鲁棒跟踪。多摄像机(视角)目标跟踪系统中,由于视角间存在大量信息冗余可有效提高跟踪鲁棒性。在传统基于模板匹配方法中,由于视角不同导致匹配不准,会带来较大跟踪误差,同时传统搜索方法计算量较大。针对这个问题本文提出了一种基于卡尔曼滤波自适应初始点搜索算法,利用多摄像机几何限制,实现多个摄像机的目标位置信息交互,减少了模板匹配的搜索范围。同时通过在线估计卡尔曼滤波模型中噪声功率,并且自适应调整卡尔曼增益,将信息交互过程中误差传递降至最小。仿真结果表明,该方法降低了多摄像机目标跟踪算法有限搜索精度下的跟踪精度。其次,多摄像机目标跟踪系统提供了更多的目标灰度及位置信息,需要有一个鲁棒高效的算法进行有效融合这些信息。本文利用贝叶斯网络对拓扑确定的多摄像机系统进行建模,对待估状态(目标位置)高阶联合后验概率密度函数进行时空的递推分解,最后借助序列蒙特卡洛(粒子滤波)逼近后验概率密度函数,高效求解出跟踪目标在各个摄像机视野中状态估计值。通过序贯蒙特卡洛粒子滤波融合时空的目标灰度及位置信息,有效地抑制了部分摄像机内遮挡现象给跟踪造成的影响。定性和定量实验均证明了该算法的鲁棒性和高效性。最后,针对多摄像机目标跟踪系统的效率问题,本文设计了一种适用于现实系统的跟踪算法并且在最新的OMAP3平台上实现算法。系统由多个摄像机及相应的处理部分组成,各个摄像机分别独立地采集图像数据并进行跟踪。为降低网络传输负荷,仅将提取的目标参数进行摄像机之间的交互,通过参数融合和判决,有效地利用各个摄像机的信息,实现目标鲁棒跟踪,可较好地抵抗部分或全遮挡。整个系统充分利用OMAP3530处理器的强大运算能力和网络传输能力,合理地在OMAP3530的ARM核和DSP核上进行任务分配,并进一步地对核心跟踪算法进行代码级优化,大量的运行结果证明本系统达到了实时、高效、鲁棒的跟踪效果。

全文目录

摘要  5-6
Abstract  6-8
第一章绪论  8-16
  1.1 摄像机跟踪的任务描述  8
  1.2 多摄像机跟踪技术的研究意义  8-9
  1.3 多摄像机跟踪算法分类  9
  1.4 问题的提出及研究现状分析  9-12
    1.4.1 分布式跟踪系统  10-11
    1.4.2 各个摄像机间信息融合  11-12
    1.4.3 算法的优化与实现  12
  1.5 论文研究框架  12-14
  1.6 论文的主要工作和创新点  14-15
  1.7 论文结构安排  15-16
第二章贝叶斯推理及其在视频跟踪中的应用  16-27
  2.1 贝叶斯推理简介  16-20
    2.1.1 贝叶斯网络图模型  16-19
    2.1.2 基于图模型的贝叶斯推理  19-20
  2.2 卡尔曼滤波  20-22
  2.3 卡尔曼滤波在视频跟踪中应用  22
  2.4 序列蒙特卡洛粒子滤波  22-23
  2.5 序列蒙特卡洛粒子滤波在跟踪中的应用  23-24
  2.6 本章小结  24-27
第三章多视角自适应初始点搜索目标跟踪算法  27-39
  3.1 初始搜索点预测模型  27-28
  3.2 滤波器模型噪声估计  28-31
  3.3 算法整体流程  31-32
  3.4 仿真结果  32-38
    3.4.1 仿真对比  32-35
    3.4.2 跟踪精度定量测试  35-36
    3.4.3 目标不规则形变及三维旋转  36-37
    3.4.4 遮挡问题  37-38
  3.5 本章小结  38-39
第四章多视角信息融合的序贯蒙特卡洛算法  39-52
  4.1 基于贝叶斯推理的目标跟踪算法系统模型  39
  4.2 联合后验时空递推  39-42
  4.3 序列蒙特卡洛粒子滤波逼近  42-45
  4.4 算法整体流程  45-46
  4.5 仿真结果  46-51
    4.5.1 测试数据仿真结果  46-48
    4.5.2 标准视频仿真结果  48-50
    4.5.3 比较测试  50-51
  4.6 本章小结  51-52
第五章多视角目标跟踪优化算法及实现  52-66
  5.1 系统简介  52-54
    5.1.1 硬件系统架构  53-54
    5.1.2 软件系统架构  54
  5.2 算法在DSP上实现难点与优化方案  54-61
    5.2.1 算法解析  54-57
    5.2.2 算法在DSP上实现难点  57
    5.2.3 算法在DSP上的优化  57-59
    5.2.4 系统软件优化  59-61
  5.3 实现的性能与结果  61-63
    5.3.1 系统跟踪结果实例  61
    5.3.2 结构相似度指标计算函数及插值函数优化结果  61
    5.3.3 一帧视频消耗的DSP周期数  61-62
    5.3.4 实际系统中的DSP负载测试  62-63
  5.4 本章小结  63-66
第六章总结与展望  66-67
参考文献  67-72
攻读硕士学位期间发表论文及竞赛情况  72-73
致谢  73-74

分布式多视角目标跟踪的统计推理方法及实现

内容摘要

全文目录

相似论文