学位论文 > 优秀研究生学位论文题录展示

自然条件下的运动目标鲁棒跟踪方法研究

作　者: 王智灵
导　师: 陈宗海
学　校: 中国科学技术大学
专　业: 控制科学与工程
关键词: 鲁棒性目标跟踪环境理解多结构混杂数据鲁棒估计子非参数估计背景建模与背景抑制运动估计与运动跟踪蛙眼认知 RANSAC M-估计 Mean-Shift
分类号: TP391.41
类　型: 博士论文
年　份: 2009年
下　载: 732次
引　用: 3次
阅　读: 论文下载

内容摘要

视觉信息是典型的非接触式传感信息。基于视觉信息的目标跟踪可以在不干涉观测目标,不对观测目标造成影响的前提下实现期望的功能。基于视觉信息的复杂环境中特定/非特定运动目标的可靠检测与鲁棒跟踪是当前备受关注的前沿方向。在实际应用中,观测数据集常含有大量离群数据,这就要求跟踪方法必须具有一定的鲁棒性。鲁棒性是跟踪算法实用化的前提。随着计算机硬件技术的发展,跟踪算法的实时性问题越来越多的依赖硬件方案解决;跟踪任务的核心问题,就是如何增强对各种应用环境和各种干扰因素的鲁棒性。研究如何提高复杂自然环境下运动目标检测与跟踪过程中的鲁棒性,不仅有助于实现和推广视觉信息的智能化自动处理,提升下一代移动机器人的智能行为,还将进一步推进人们对于生物视觉认知特性本身的认识。本文从鲁棒性需求、鲁棒性描述、鲁棒性处理策略和鲁棒的跟踪算法设计与评估的角度对基于视觉信息的运动目标跟踪任务进行研究。分别从鲁棒统计学和生物认知特性出发,针对目标跟踪任务不同环节——背景建模和背景抑制、运动估计和运动跟踪、目标跟踪——中的不同鲁棒性需求,对传统的鲁棒估计子进行改进,提出新的跟踪策略和实现算法。实验表明,这些方法与现有的算法相比,在效率、精度、鲁棒性等方面都具有一定优势。文章的主要工作和贡献如下:(1)首先阐述鲁棒估计的基本含义和基本理论,介绍鲁棒统计学中关于估计子鲁棒性的几个关键概念——离群数据、溃点和影响函数,着重讨论本文使用的几种鲁棒估计子——中位数估计子、RASNAC估计子、M估计子——的基本原理和各自的优缺点;然后分析非参数化估计方法与鲁棒估计之间的本质联系,介绍几种典型的非参数估计方法,着重分析基于核密度估计的Mean-Shift的性能和收敛性,并给出了实验验证。(2)以背景建模任务为示例,分析不同应用条件下的背景建模任务的鲁棒性需求,考察应用过程中干扰的引入原因,分析各种干扰现象相应的样本结构形态;为实现对多结构混杂数据的适应能力,本文对传统的RANSAC方法进行了改进,并首次将其推广到动态背景像素建模任务当中。通过MAD尺度估计子自适应估计阈值参数,经由随机采样、模型估计、模型数据扩充、多级建模的方式,使算法在保持高鲁棒性的同时仍能拥有较好的描述精度。在此基础上,采用三元组模型描述方式,以改进的多级RANSAC方法建立动态像素背景模型,以单端截尾均值估计子建立静态像素模型,并在一个统一的框架中快速更新。该方法有效的解决了RANSAC方法的固有缺陷,能容忍高比例的离群数据;该方法具有较好的描述能力,在保持算法准确性的前提下有较快的更新速度。通过对溃点的理论计算和统计分析验证了方法的鲁棒性,并与GMM估计、Median估计进行了对比。(3)研究基于运动信息的目标跟踪方法,应用光流方法和Kalman方法进行跟踪实验并分析其不足之处。针对Kalman估计子不能克服外点的影响,难以解决的运动分析过程中的非线性、粗差的问题,结合Turkey型M-估计子对UKF的迭代过程进行改造。M-估计子是一类重要的鲁棒估计子,可以通过选择不同类型的损失函数,实现不同的鲁棒效果。提出了一种M-UKF估计方法,该方法将M-估计的加权原理应用到UKF的迭代递推的过程中,可以有效地减弱或消除观测值中粗差的影响;在解决了运动模型非线性估计的同时,能较好的克服离群数据的干扰,大大提高了估计的鲁棒性。结合包含运动信息在内的多层次信息,给出了一个人的精细轮廓的跟踪方法和比较实验。(4)从生物视觉认知的角度对运动目标跟踪过程进行全面考察,提出了一种基于蛙眼认知特性的“模糊化区域理解”跟踪策略。首先详细分析了蛙眼视觉系统的行为特性、生理特性和神经特性,然后通过借鉴蛙眼认知的外部特性和神经生理特性,提出了一种与蛙眼跟踪方式类似的鲁棒跟踪策略;并以“模糊化区域理解”的方式,给出了这种跟踪策略的一种实现模式。将Mean-Shift滤波应用到“模糊化区域理解”的过程中,分析尺度参数解耦对理解效果的影响结果,并设计了一种自适应的局部尺度参数选择策略。最后,利用该方法解决存在背景场景突变、目标外观变化、环境光照变化、目标干扰运动等现象的复杂环境下的目标跟踪问题,提高跟踪方法对这些干扰因素的抵抗能力,并将该方法与传统的理解方法进行了对比。

全文目录

摘要  5-7
ABSTRACT  7-15
第1章绪论  15-37
  1.1 基于视觉信息的运动目标跟踪研究概况  15-21
    1.1.1 研究背景与研究意义  15-18
    1.1.2 运动目标跟踪的实际应用领域  18-19
    1.1.3 运动目标跟踪任务的假设条件  19-21
  1.2 运动目标跟踪的关键环节  21-27
    1.2.1 背景建模与背景抑制  22-23
    1.2.2 特征选择与目标建模  23-25
    1.2.3 运动模型与运动估计  25-27
  1.3 鲁棒估计及其在运动目标跟踪中应用和发展  27-31
    1.3.1 鲁棒估计的理论基础  27-29
    1.3.2 鲁棒估计在运动目标跟踪中的应用  29-30
    1.3.3 基于鲁棒估计的目标跟踪技术的发展趋势  30-31
  1.4 生物认知技术及其在运动目标跟踪中的应用与发展  31-33
  1.5 全文内容安排  33-37
    1.5.1 本文工作的切入点  33-34
    1.5.2 论文章节安排  34-37
第2章鲁棒估计的基础理论和方法  37-59
  2.1 鲁棒估计的基本涵义  37-39
  2.2 鲁棒统计学与鲁棒估计子  39-50
    2.2.1 基本定义  39-41
    2.2.2 鲁棒估计子  41-50
  2.3 非参数估计与Mean-Shift  50-58
    2.3.1 直方图统计  50-51
    2.3.2 核密度估计  51-54
    2.3.3 Mean-Shift算法  54-58
  2.4 本章小结  58-59
第3章基于多结构数据的背景建模的鲁棒估计方法  59-75
  3.1 背景建模任务的鲁棒性分析  59-63
    3.1.1 背景建模过程中的混杂干扰  60-61
    3.1.2 背景像素的样本结构分析  61-62
    3.1.3 具有多结构混杂的动态背景像素  62-63
  3.2 背景建模方法比较  63-66
    3.2.1 背景像素判定  63-64
    3.2.2 背景建模系统比较  64-66
  3.3 基于改进RANSAC的鲁棒背景建模与目标跟踪  66-71
    3.3.1 传统的RANSAC方法分析  66-68
    3.3.2 改进RANSAC方法及动态背景像素建模  68-69
    3.3.3 静态背景像素建模  69-70
    3.3.4 背景模型更新  70-71
  3.4 实验结果及分析  71-74
    3.4.1 分析与比较  71-72
    3.4.2 场景实验  72-74
  3.5 本章小结  74-75
第4章基于运动信息的鲁棒跟踪方法  75-94
  4.1 基于光流方法的运动分析与运动目标跟踪  75-77
    4.1.1 光流方程的Hom-Schunck解法  75-76
    4.1.2 基于光流方法的运动车辆跟踪实验  76-77
  4.2 Kalman估计器与运动目标跟踪  77-80
    4.2.1 Kalman滤波器  77-80
    4.2.2 应用Kalman估计的运动车辆跟踪  80
  4.3 基于M-估计的UKF算法(M-UKF)  80-86
    4.3.1 无迹Kalman滤波  80-82
    4.3.2 重降型M-估计子及其求解  82-84
    4.3.3 基于M-估计的UKF算法(M-UKF)  84-86
  4.4 基于M-UKF的跟踪结果及分析  86-90
    4.4.1 模型仿真  86-88
    4.4.2 特征跟踪  88-90
  4.5 基于多层次信息的人的轮廓跟踪  90-92
  4.6 本章小结  92-94
第5章基于蛙眼视觉特性的鲁棒跟踪方法  94-114
  5.1 蛙眼认知特性  94-102
    5.1.1 蛙眼视觉行为的外在表现  94-95
    5.1.2 蛙眼的生理结构  95-98
    5.1.3 蛙眼的神经机理  98-100
    5.1.4 不同种类动物视觉神经的差异  100-101
    5.1.5 蛙眼视觉认知的研究现状  101-102
  5.2 基于蛙眼视觉特性的模糊化区域理解跟踪策略  102-106
    5.2.1 跟踪算法设计  103
    5.2.2 自适应平滑滤波  103-104
    5.2.3 Mean-Shift滤波  104-106
    5.2.4 区域融合和跟踪位置获取  106
  5.3 实验和分析  106-113
    5.3.1 单帧图像理解与尺度参数分析  107-109
    5.3.2 图像序列理解与目标跟踪  109-112
    5.3.3 比较实验  112-113
  5.4 本章小结  113-114
第6章总结与展望  114-118
  6.1 论文总结  114-116
  6.2 工作展望  116-118
参考文献  118-131
攻博期间的主要研究成果及发表的论文  131-134
致谢  134

相似论文

Mean Shift结合拓扑约束法进行高密度细胞追踪,Q25
基于图像信息的运动目标检测与跟踪算法研究,TP391.41
视频图像序列中运动目标的获取与跟踪,TP391.41
基于KLT与Mean-Shift的目标跟踪研究,TP391.41
嵌入式目标检测与跟踪系统设计及算法实现,TP391.41
增强现实中虚拟物体注册方法的研究,TP391.41
视频跟踪中Mean-Shift算法的应用研究,TP391.41
基于视觉的粒子滤波目标跟踪算法及其在移动机器人中的应用,TP242
视频图像序列中运动目标检测和跟踪的研究,TP391.41
基于均值漂移的图像跟踪技术研究与实现,TP391.41
基于Mean Shift算法和卡尔曼滤波的视频目标跟踪技术研究,TP391.41
基于图像处理的目标识别和跟踪算法研究,TP391.41
图像分割方法研究,TP391.41
智能视觉监控中运动目标检测与跟踪的研究,TP391.41
融合MeanShift和卡尔曼滤波的运动目标跟踪算法研究,TP391.41
基于图像序列的运动目标检测与跟踪技术研究,TP391.41
基于红外视频目标检测和跟踪的交通参数提取技术研究,TP391.41
视频序列目标检测与跟踪技术的研究,TP391.41
基于SAR影像的变化检测技术研究,TN957.52
基于Mean Shift算法的目标跟踪在安防系统中的应用,TP277
Mean Shift聚类分析技术在安全人居中的应用,TP391.41