学位论文 > 优秀研究生学位论文题录展示

基于粒子滤波的视频目标跟踪方法研究

作　者: 黄斌
导　师: 彭真明
学　校: 电子科技大学
专　业: 信号与信息处理
关键词: 贝叶斯滤波粒子滤波 H_∞滤波模板匹配多特征融合均值移位目标跟踪
分类号: TP391.41
类　型: 硕士论文
年　份: 2008年
下　载: 685次
引　用: 9次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  4-6
ABSTRACT  6-18
第一章绪论  18-27
  1.1 研究背景及意义  18
  1.2 视频序列目标跟踪概述  18-21
    1.2.1 视频目标跟踪的研究方法  20-21
    1.2.2 视频目标跟踪的评价指标  21
  1.3 粒子滤波算法概述  21-24
    1.3.1 粒子滤波算法的研究方向  22-24
    1.3.2 粒子滤波的应用领域与新发展  24
  1.4 本文主要工作及创新点  24-27
    1.4.1 本文的主要工作  24-25
    1.4.2 本文的创新点  25-27
第二章贝叶斯滤波基础理论  27-50
  2.1 引言  27
  2.2 贝叶斯滤波  27-33
    2.2.1 状态空间模型  27-28
    2.2.2 贝叶斯推理  28-29
    2.2.3 递推贝叶斯滤波  29-31
    2.2.4 系统状态估计方法  31-33
  2.3 多模式切换动态系统  33-35
  2.4 最优估计算法  35-39
    2.4.1 卡尔曼滤波  35-37
    2.4.2 网格滤波  37-38
    2.4.3 Bene(?)和Daum 滤波  38-39
  2.5 次优估计算法  39-49
    2.5.1 扩展卡尔曼滤波  39-41
    2.5.2 近似网格滤波  41-42
    2.5.3 高斯和滤波  42-45
    2.5.4 无迹卡尔曼滤波  45-49
  2.6 本章小结  49-50
第三章基于序贯蒙特卡罗方法的贝叶斯滤波  50-74
  3.1 引言  50
  3.2 粒子滤波理论基础  50-58
    3.2.1 蒙特卡罗方法  50-51
    3.2.2 贝叶斯重要性采样  51-52
    3.2.3 序贯重要性采样  52-55
    3.2.4 退化问题  55-56
    3.2.5 重要性函数的选择  56-57
    3.2.6 重采样  57-58
  3.3 基本粒子滤波算法  58-62
  3.4 常见粒子滤波改进算法  62-69
    3.4.1 SIR 粒子滤波  63
    3.4.2 辅助粒子滤波  63-65
    3.4.3 正则粒子滤波  65-69
    3.4.4 无迹粒子滤波  69
  3.5 鲁棒H_∞粒子滤波新方法  69-70
  3.6 本章小结  70-74
第四章基于粒子滤波的目标跟踪算法仿真  74-95
  4.1 引言  74
  4.2 目标模型  74-77
    4.2.1 运动模型  74-75
    4.2.2 观测模型  75-76
    4.2.3 噪声模型  76-77
  4.3 基本粒子滤波算法仿真  77-79
  4.4 基于粒子滤波的纯方位目标跟踪  79-86
  4.5 闪烁噪声背景下粒子滤波跟踪性能仿真  86-89
  4.6 粒子数目的对跟踪性能的影响  89
  4.7 几种滤波器跟踪性能比较  89-94
  4.8 本章小结  94-95
第五章基于最大匹配像素统计的粒子滤波跟踪  95-109
  5.1 引言  95
  5.2 灰度相关特征描述  95-96
  5.3 目标模型  96-98
    5.3.1 运动模型  96-97
    5.3.2 观测模型  97-98
  5.4 算法流程  98-104
  5.5 试验结果与分析  104-108
  5.6 本章小结  108-109
第六章基于多特征融合的自适应均值移位粒子滤波跟踪  109-132
  6.1 引言  109
  6.2 特征描述  109-115
    6.2.1 颜色特征  109-112
    6.2.2 纹理特征  112-114
    6.2.3 运动边缘特征  114-115
  6.3 目标模型  115-118
    6.3.1 运动模型  115-116
    6.3.2 观测模型  116-118
  6.4 多特征融合及模板更新策略  118-119
  6.5 均值移位重要性采样  119-120
  6.6 算法流程  120-123
  6.7 试验结果与分析  123-131
    6.7.1 目标相互遮挡的情况  123-126
    6.7.2 目标发生旋转的情况  126-127
    6.7.3 目标发生形变的情况  127-128
    6.7.4 光照发生变化的情况  128-130
    6.7.5 目标快速机动的情况  130-131
  6.8 本章小结  131-132
第七章总结与展望  132-134
  7.1 工作总结  132-133
  7.2 研究展望  133-134
致谢  134-135
参考文献  135-141
攻读硕士期间取得的研究成果  141-142

基于粒子滤波的视频目标跟踪方法研究

内容摘要

全文目录

相似论文