学位论文 > 优秀研究生学位论文题录展示

基于粒子滤波与Mean Shift平滑运动跟踪的研究与实现

作　者: 王绍哲
导　师: 申瑞民
学　校: 上海交通大学
专　业: 计算机应用技术
关键词: 运动人体跟踪 混合高斯模型 粒子滤波 均值偏移
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 111次
引　用: 0次
阅　读: 论文下载
 

内容摘要


随着计算机网络和多媒体技术的蓬勃发展和不断成熟,远程教育E-Learning作为一种新的教育模式在教育中所占的比重正在越来越大。随着每年通过互联网接受教育的人次的暴增,E-Learning俨然正在成为全球性的教育和培训的潮流和趋势。在E-Learning中,最基本要求就是提供与教师教学活动相关的视频给远程的学生,这个视频要求能捕获教师的所有动作,同时能够尽可能高地提高视频的分辨率,把教师的动作、表情等细微信息传递给学生,提高教学质量,给学生更加生动的学习体验。因此,这就需要一个实时的运动跟踪算法,控制摄像机聚焦在教师身上,并且实时地调整位置对教师进行跟踪。本文通过实现三种常用的运动跟踪算法:混合高斯模型背景差分法、贯序贝叶斯粒子滤波算法、均值偏移法,并经过大量实验的基础上,提出了一种新的基于贝叶斯估计粒子滤波算法框架的融合混合高斯模型背景差分法和Mean Shift均值偏移法的新运动跟踪算法;并在此算法的基础上,实现了一个针对智能教室应用场景的实时运动人体检测与跟踪系统。本文的具体工作如下:1)研究、实现三种运动跟踪算法混合高斯模型背景差分法、贯序贝叶斯粒子滤波算法、均值偏移法。通过实验,比较了三种算法的各自优缺点。2)通过分析三种运动跟踪算法各自算法的特点,提出了一种新的基于贝叶斯估计粒子滤波算法框架的融合混合高斯模型背景差分法和Mean Shift均值偏移法的新运动跟踪算法。以粒子滤波算法为算法框架,在粒子偏移过程中加入Mean Shift偏移向量,并以混合高斯模型背景差分法为全局采样参数,提高运动跟踪的准确性、实时性和鲁棒性。3)利用上述算法,实现了一个实时的教师运动跟踪系统,运行稳定可靠。

全文目录


摘要  4-5
ABSTRACT  5-9
第一章 绪论  9-16
  1.1 E-Learning 概念  9-10
  1.2 智能教室的概念  10-12
  1.3 课题的提出与项目背景  12-14
  1.4 本文的主要工作  14
  1.5 本文的组织结构  14-16
第二章 国内外研究现状及分析  16-23
  2.1 引言  16
  2.2 运动目标检测  16-19
    2.2.1 背景减除法 （Background Subtraction ）  17-18
    2.2.2 时间差分法 （Temporal Difference ）  18
    2.2.3 光流法 （Optical Flow ）  18-19
  2.3 运动人体分类  19-20
    2.3.1 基于人体特征的分类方法  19-20
    2.3.2 基于运动特征的分类方法  20
  2.4 运动人体跟踪  20-23
    2.4.1 基于模型的跟踪方法 (Model-based Tracking)  20-21
    2.4.2 基于特征的跟踪方法 (Feature-based Tracking)  21-22
    2.4.3 基于区域的跟踪方法 (Region-based Tracking)  22
    2.4.4 基于轮廓的跟踪方法 (Contour-based Tracking)  22-23
第三章 基于自适应混合高斯模型的背景差分法  23-33
  3.1 引言  23-24
  3.2 混合高斯模型  24-26
  3.3 基于腐蚀区域的噪点去除法  26-27
  3.4 连通区域标定  27-29
  3.5 实验结果  29-33
第四章 Mean Shift 算法介绍及实现  33-48
  4.1 引言  33
  4.2 无参密度估计原理  33-38
    4.2.1 核概率密度估计方法  34-36
    4.2.2 常用的核函数  36-38
  4.3 Mean shift 算法原理  38-40
  4.4 Mean shift 算法在运动跟踪中的应用  40-44
    4.4.1 目标模型描述  41-42
    4.4.2 Bhattacharyya 系数  42-43
    4.4.3 Mean Shift 算法步骤  43-44
  4.5 基于Mean Shift 算法的运动跟踪实验及结果  44-48
第五章 粒子滤波算法介绍及实现  48-62
  5.1 引言  48
  5.2 粒子滤波器基本原理  48
  5.3 序贯粒子滤波算法  48-52
  5.4 粒子退化现象  52-53
  5.5 重要性函数的选取  53-54
  5.6 重采样原理  54-55
  5.7 粒子退化处理  55-56
  5.8 粒子滤波算法的描述  56-57
  5.9 算法实现及实验  57-62
第六章 算法融合设计与实现  62-80
  6.1 引言  62-63
  6.2 混合高斯模型背景差分  63-68
    6.2.1 背景模型初始化  63-65
    6.2.2 背景差分  65-66
    6.2.3 去噪处理  66
    6.2.4 标记连通区域  66-68
  6.3 粒子滤波与Mean Shift 算法融合  68
  6.4 基于粒子滤波算法的融合框架  68-73
    6.4.1 减少粒子滤波算法的粒子数量  70
    6.4.2 加快粒子聚集速度  70-71
    6.4.3 降低采样粒子参数计算复杂度  71-73
  6.5 系统设计  73-75
  6.6 实验结果  75-80
第七章 总结与展望  80-82
  7.1 本文的主要工作  80-81
  7.2 有待进一步解决的问题  81-82
参考文献  82-86
致谢  86-87
攻读硕士期间发表的学术论文及参与的项目  87

相似论文

  1. 基于多Agent理论的卫星协同定轨技术研究,V474
  2. 基于VRPF的机动目标跟踪的研究,TN957.52
  3. 有标记点的人体三维运动数据获取方法的研究,TP391.41
  4. 基于粒子滤波的自主机器人视觉目标跟踪研究,TP242
  5. 空间红外目标仿真与跟踪技术研究,TP391.41
  6. 复杂场景中运动目标的检测与跟踪,TP391.41
  7. 无线传感器网络的目标跟踪算法研究,TN929.5
  8. 基于鱼眼相机的运动物体检测和跟踪,TP391.41
  9. 基于无线传感器网络的目标定位跟踪研究,TN929.5
  10. 基于图像信息的运动目标检测与跟踪算法研究,TP391.41
  11. 运动目标检测与跟踪的研究,TP391.41
  12. 无线传感器网络定位及目标跟踪的研究,TN929.5
  13. 自主水下航行器组合导航算法研究与系统实现,U666.1
  14. 粒子滤波算法的硬件优化设计,TN713
  15. 基于深度图与彩色图像的跑步机游戏交互系统,TP391.41
  16. GPU加速的粒子滤波PET图像重建算法,TP391.41
  17. 基于粒子滤波的多分量调频定距侦察信号分离与参数提取,TN911.7
  18. 基于中层视觉特征和高层结构信息的互补目标跟踪模型,TP391.41
  19. 嵌入式目标检测与跟踪系统设计及算法实现,TP391.41
  20. 基于粒子滤波的目标跟踪算法研究及DirectShow实现,TP391.41
  21. 基于粒子滤波的可靠视觉跟踪技术研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com