学位论文 > 优秀研究生学位论文题录展示

复杂场景中运动目标的检测与跟踪

作　者: 丁婕
导　师: 汪亚明；郑俊褒
学　校: 浙江理工大学
专　业: 信号与信息处理
关键词: 混合高斯模型 阴影消除 粒子滤波 Markov Chain Monte Carlo 数据关联
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 39次
引　用: 0次
阅　读: 论文下载
 

内容摘要


运动目标检测与跟踪是计算机视觉中一个重要的研究方向,它融合了计算机图像处理、人工智能与模式识别等诸多领域的知识,并在虚拟现实、交通监控、生物医学、智能人机交互等领域有着广泛的应用前景。在基于传统的目标检测过程中,模型的建立、模型参数的更新和模型对场景变化的敏感度等,影响了检测的速度;以及运动目标受光照的影响产生的投射阴影也会影响到检测的准确性。在复杂的场景中,由于光照的变化、运动目标与背景的相似度高以及运动目标的交叉运动等,使得在运动目标跟踪过程中会出现跟踪丢失的现象。针对这些问题,本文对复杂场景下运动目标的检测和跟踪的问题进行了研究,其主要内容和成果如下:(1)提出了高斯混合模型的自学习算法,该算法通过在传统EM(Expectation Maximization)算法的基础上,推导出学习率因子和遗忘因子的递归表达式,从而使得参数更新更加精确,收敛速度更快。针对光照所产生的投射阴影,在检测过程中运动阴影也被检测出来,本文通过HSV(Hue, Saturation, Value)颜色模型对阴影进行消除,使得在复杂背景下检测的前景目标更加精确。实验结果表明,传统的混合高斯模型需要到第40帧左右才能很好的检测出运动目标,而高斯混合模型的自学习算法在第22帧左右就可以很好的检测出运动目标,且通过阴影消除后,前景目标也更加精确。(2)提出了交互MCMC(Markov Chain Monte Carlo)粒子滤波,用来解决粒子数匮乏问题,通过引入粒子间的交互信息来减少粒子历史状态之间的联系,不仅解决粒子数退化的问题,还加快了算法的收敛速度,提高了算法的性能。利用人体运动检测的结果,选择包含目标区域边界的两个对角顶点作为跟踪的特征点,用交互MCMC粒子滤波来预测并跟踪特征点的位置和速度,从而得到特征点的轨迹,选择特征点的三维空间位置和速度作为状态变量,从而避免了将非线性函数直接线性化引起的跟踪误差。实验结果表明,在复杂环境下对目标进行跟踪时,即使存在光照、目标与背景相似度高等情况,也不会出现跟踪目标丢失的现象,同时,也能可靠地预测和跟踪运动人体在3D空间的运动轨迹。(3)提出了将模糊数据关联和粒子滤波相结合的方法,并用于多目标跟踪过程中,该方法通过在粒子滤波重采样后加入改进的模糊隶属度函数,将由数据关联得到的最佳隶属度作为粒子的权值,从而有效的避免了噪音数据的干扰,并通过算法性能的分析可知,在目标航迹有交叉的时候也不会丢失跟踪目标。实验结果表明,在复杂的环境下,当人体运动出现交叉时也能很好的对人体进行跟踪,而不会出现跟踪丢失的现象,从而增强了目标跟踪的鲁棒性和准确性。

全文目录


摘要  4-6
Abstract  6-10
第一章 绪论  10-18
  1.1 研究背景及意义  10-11
  1.2 国内外研究现状  11-16
    1.2.1 运动目标检测技术的发展  12-13
    1.2.2 运动目标跟踪技术的发展  13-16
  1.3 运动目标检测和跟踪算法的研究难点  16
  1.4 本论文的主要工作和框架  16-18
    1.4.1 论文的主要工作  16
    1.4.2 论文的框架  16-18
第二章 基于自学习混合高斯模型的运动目标检测  18-35
  2.1 引言  18-19
  2.2 高斯背景模型的基本理论  19-23
    2.2.1 单高斯背景模型  19-20
    2.2.2 混合高斯背景模型  20-23
  2.3 基于混合高斯背景模型的自学习方法  23-29
    2.3.1 参数更新递归方程  23-26
    2.3.2 学习率因子和遗忘因子  26-28
    2.3.3 算法收敛的证明  28-29
  2.4 基于HSV 颜色模型的阴影检测与消除  29-30
  2.5 实验结果  30-34
  2.6 本章小结  34-35
第三章 粒子滤波基本理论  35-44
  3.1 引言  35-36
  3.2 背景知识和理论  36-39
    3.2.1 贝叶斯滤波原理  36-37
    3.2.2 蒙特卡罗原理  37-39
  3.3 粒子滤波算法  39-43
    3.3.1 重要性采样  39-40
    3.3.2 序贯重要性采样（SIS）  40-41
    3.3.3 重采样  41-43
  3.4 本章小结  43-44
第四章 基于交互MCMC 粒子滤波的运动目标跟踪  44-61
  4.1 引言  44-45
  4.2 MCMC 粒子滤波理论  45-49
    4.2.1 马尔可夫链  45-47
    4.2.2 MCMC 算法基本原理  47-49
    4.2.3 基于MCMC 粒子滤波算法  49
  4.3 基于交互的MCMC 粒子滤波算法  49-56
    4.3.1 交互MCMC 方法  49-50
    4.3.2 粒子群算法  50
    4.3.3 交互MCMC 粒子滤波算法  50-52
    4.3.4 算法性能分析  52-56
  4.4 实验结果  56-60
  4.5 本章小结  60-61
第五章 基于模糊数据关联和粒子滤波的多目标跟踪  61-74
  5.1 引言  61-62
  5.2 多目标跟踪方法  62-65
    5.2.1 联合概率数据关联算法  62-64
    5.2.2 多假设跟踪方法  64-65
  5.3 基于模糊数据关联和粒子滤波的跟踪方法  65-70
    5.3.1 模糊数据关联算法  65-66
    5.3.2 改进模糊隶属度  66-67
    5.3.3 数据关联和粒子滤波的跟踪算法  67-68
    5.3.4 算法性能分析  68-70
  5.4 实验结果  70-72
  5.5 本章小结  72-74
第六章 总结与展望  74-77
  6.1 本文研究工作总结  74-75
  6.2 未来展望  75-77
参考文献  77-83
致谢  83-84
攻读学位期间的研究成果  84

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. 基于视频的运动目标检测与跟踪方法应用研究,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. 基于中层视觉特征和高层结构信息的互补目标跟踪模型,TP391.41
  16. 嵌入式目标检测与跟踪系统设计及算法实现,TP391.41
  17. 基于粒子滤波的目标跟踪算法研究及DirectShow实现,TP391.41
  18. 基于粒子滤波的可靠视觉跟踪技术研究,TP391.41
  19. 分布式麦克风阵列跟踪算法研究,TN912.3
  20. 基于FISST理论的多目标跟踪技术研究,TN953

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