基于MCMC粒子滤波的视频目标跟踪方法研究

论文摘要

对视频中运动目标进行跟踪,是近年来一个新兴的且日渐活跃的研究领域,它融合了诸如计算机视觉、模式识别、人工智能以及一些生物学的技术,是一门跨学科的技术。准确的跟踪目标是有效的进行识别与决策的前提条件,是高级视觉系统的基础。作为一种较为基础的技术,目标跟踪在生产和生活的各个方面比如交通、监控和国防等领域有广阔的应用前景。经过前人不懈的研究,很多跟踪方法已经被提出,并且得到了一定的应用。常见的跟踪算法包括卡尔曼滤波法、Meanshift方法、粒子滤波法以及在粒子滤波基础上提出的MCMC粒子滤波法、RJMCMC粒子滤波法和AMCMC粒子滤波法等。这些方法,在一定的约束条件下,成功地解决了一部分跟踪问题。然而,在动态背景条件下,这些方法都受到了巨大的制约,效果不尽理想。尤其是在摄像头前进的条件下,由于运动的特殊性,导致出现许多有待解决的跟踪问题。考虑到这些问题,同时注意到了摄像头前进的过程中,会存在FOE点,而此点的存在为这些问题的解决提供了契机。FOE点是由于摄像头的前进过程中,静止的背景点光流交汇于一个点所形成的,恰好该点能够代表摄像机的运动方向。通过对该点的运用,能在一定程度上预测目标的运动,避免由于摄像机运动产生的运动偏移。所以本文把FOE与AMCMC方法相互结合运用,成功的解决了由于摄像头前进而引起的一些问题,提高了跟踪效果。MCMC粒子滤波方法以及在该方法基础上提出的各种跟踪算法,提供给我们一些有效地跟踪方法,能较为稳定地跟踪各种运动目标。同时,此方法也存在着一些这样或者那样的问题,其中较慢的运行速度严重制约着其应用。M-H方法,是MCMC方法的常用实现形式,其实现过程中存在着少则数百次的抽样过程,这是速度问题得不到解决的关键。抽样效率不高,是由于随机抽取过程本身的特性造成的。为了解决这个问题,对M-H方法经过深入研究后,本文提出一种改进的抽样方法,基于贪婪算法,采用了分段的抽样核函数,较为有效地解决了这个问题。在MCMC等参数估计方法之后,还对Mean shift这种非参数估计的方法进行了研究。不同于参数估计的方法,一旦确定了跟踪目标,Mean shift方法不需其他的额外输入,而且该方法有计算概率密度梯度的功能。由于这些原因,本文中尝试将Meanshift方法与MCMC方法相互结合,使用Mean shift对目标进行优化,进一步获得更好的跟踪效果。

论文目录

• 摘要
• ABSTRACT
• 英文缩略词
• 第一章 绪论
• 1.1 课题研究的背景及意义
• 1.2 视频目标跟踪的研究综述
• 1.3 视频目标跟踪的难点和评价
• 1.4 论文的组织安排与创新
• 第二章 经典跟踪算法研究
• 2.1 前景检测与系统的观测模型
• 2.1.1 前景检测
• 2.1.2 观测模型
• 2.2 贝叶斯统计算法
• 2.3 卡尔曼滤波法（Kalman filter）
• 2.4 基本粒子滤波（particle filter）
• 2.5 MCMC算法
• 2.6 实验结果与分析
• 2.7 小结
• 第三章 RJMCMC、AMCMC粒子滤波和FOE
• 3.1 RJMCMC算法
• 3.2 AMCMC滤波算法
• 3.3 FOE
• 3.4 采用FOE的MCMC跟踪算法
• 3.5 实验仿真与结果分析
• 3.6 小结
• 第四章 Metropolis Hastings算法及其改进
• 4.1 M-H方法
• 4.2 贪婪算法
• 4.3 贪婪算法用于M-H过程
• 4.4 实验结果及分析
• 4.5 小结
• 第五章 基于Meanshift方法的MCMC改进
• 5.1 Meanshift算法基础
• 5.2 核密度估计的问题
• 5.3 Meanshift扩展形式
• 5.4 Mean Shift算法步骤
• 5.5 Meanshift进行目标跟踪
• 5.6 MCMC与Meanshift的结合
• 5.7 实验结果与分析
• 5.8 小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士期间发表论文
• 学位论文评阅及答辩情况表