基于粒子滤波的运动目标跟踪研究

论文摘要

在计算机视觉系统大量应用的今天,人们越来越关注目标跟踪方面的应用,如场馆监控、智能交通、人脸识别与检测、公共安全等等。目标跟踪作为关键的应用涉及领域很广泛,其应用的条件也必须适应不同的环境。传统的跟踪方法其特点不同,产生效果也不一样。尤其对天气环境、目标遮挡、物体形变不能够很好的解决,容易出现失跟、误跟现象。针对以上问题本文主要采用一种改进粒子滤波(Particle Filter)估计算法能够对运动目标进行准确的跟踪。本文的主要核心是如何更稳定、精确的对运动目标进行跟踪。在颜色、形状和纹理的特征中,本文选用颜色特征作为观测模型。由于我们锁定目标的同时往往会带入一些非目标的颜色特征信息,这些信息对跟踪精度会有一定影响。因此本文算法将权函数加入到颜色观测模型中,增加了目标信息对模型的影响,同时也降低了边界信息的干扰。实时更新模板,对去除干扰颜色具有很好的作用。基本的粒子滤波算法经常会出现粒子退化问题。本文提出了将权值进行优化的思想,在原有的粒子上面增加部分粒子参与权值计算,并在状态估计过程中抽取权值较大的部分粒子参与估计,成功的解决了基本的粒子滤波算法在粒子退化过程中粒子多样性的匮乏导致跟踪精度下降的问题。在理论研究的同时进行了几组仿真实验,实验主要是分为背景静止和背景运动两种。其中,对于背景静止做了两组仿真,从不同的环境条件对本文算法进行了验证。并针对跟踪结果做了比较分析,充分证明了本文方法在运动目标跟踪理论中精度较高的特点。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 目标跟踪的目的和意义
• 1.2 研究背景和现状
• 1.2.1 传统跟踪方法研究现状
• 1.2.2 粒子滤波方法研究现状
• 1.3 目标跟踪框架
• 1.4 本文的主要内容及结构
• 第2章 颜色模型及特征选择
• 2.1 引言
• 2.2 色彩空间模式
• 2.2.1 RGB 空间模式
• 2.2.2 HSI 空间模式
• 2.2.3 HSV 空间模式
• 2.3 常见的特征选择
• 2.3.1 纹理基本特征
• 2.3.2 形状基本特征
• 2.3.3 颜色基本特征
• 2.4 本章小结
• 第3章 粒子滤波背景知识
• 3.1 引言
• 3.2 贝叶斯估计
• 3.2.1 贝叶斯定理
• 3.2.2 贝叶斯滤波
• 3.3 蒙特卡罗模拟
• 3.4 粒子滤波
• 3.4.1 贝叶斯重要性采样
• 3.4.2 序列重要性采样
• 3.4.3 粒子退化
• 3.4.4 粒子属性
• 3.5 基本粒子滤波算法
• 3.6 本章小结
• 第4章 粒子滤波算法在目标跟踪中的应用
• 4.1 引言
• 4.2 系统模型
• 4.2.1 状态变量转移
• 4.2.2 观测模型
• 4.2.3 目标位置的确定
• 4.2.4 模板更新
• 4.2.5 重新采样优选
• 4.3 本文算法流程
• 4.4 实验仿真及结果分析
• 4.4.1 实验仿真
• 4.4.2 实验结果分析
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士期间发表的学术论文
• 致谢