复杂背景下目标跟踪算法研究及其在移动机器人中的应用

论文摘要

目标跟踪在军事、工业、医疗、安防监控等诸多领域有着广泛的应用,使其成为机器视觉领域的研究热点;然而,由于背景环境的复杂性,以及运动目标本身姿态、光照、形状的变化和遮挡等因素的影响,对目标进行鲁棒实时的跟踪变的十分困难。本文重点研究复杂背景下兼具鲁棒性和实时性的目标检测跟踪算法。本文的主要的研究工作和成果如下:1.在对目标进行描述方面,本文将多种特征相融合共同描述目标,并在模板更新时提出了一种优化的特征提取算法,在大幅减少特征提取计算量的同时,能有效地将目标从复杂背景中区分出来。2.本文对目标检测算法进行了研究,提出了一种基于遗传算法和分类器相关性的改进Adaboost(Adaptive Boosting)目标检测算法。实验表明,该算法在相同样本集下,比人工神经网络和传统的Adaboost算法有更高的识别准确率,和支持向量机相比在准确率相似的情况下,检测时间却大大减少。3.在目标跟踪算法方面,本文提出了一种改进的粒子滤波跟踪算法,该算法用观测值优化参考分布,在跟踪性能相同的情况下,使粒子滤波大幅减少了跟踪所需粒子数,有效地提高了粒子滤波的采样效率。同时提出了快速模板更新策略,能快速进行模板更新和获取观察值,并且用粒子滤波的预测值来缩小目标的检测范围,提高了算法的实时性。实验表明,与传统的粒子滤波相比,该算法在不影响跟踪性能的前提下,大幅减少了粒子数,而且具有较好的鲁棒性。最后,将本文提出的算法应用于移动机器人平台,对进入视野的第一个目标进行主动跟踪,实现了机器人主动目标跟踪系统。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题背景和选题意义
• 1.2 国内外研究现状
• 1.2.1 国内外研究动态
• 1.2.2 目标跟踪的算法研究
• 1.3 本文的主要工作和结构安排
• 第二章 图像去噪及目标描述
• 2.1 引言
• 2.2 图像去噪
• 2.2.1 图像噪声分析
• 2.2.2 均值滤波器
• 2.2.3 中值滤波器
• 2.2.4 基于小波变换的图像去噪
• 2.3 目标特征描述及提取
• 2.3.1 颜色特征
• 2.3.2 纹理特征
• 2.3.3 Haar-like 特征
• 2.3.4 基于多特征融合的目标描述
• 2.4 本章小结
• 第三章 运动目标检测
• 3.1 引言
• 3.2 相邻帧差法
• 3.3 背景差分法
• 3.4 光流场法
• 3.5 块匹配法
• 3.6 基于机器学习的目标检测
• 3.6.1 人工神经网络
• 3.6.2 支持向量机
• 3.6.3 AdaBoost 算法
• 3.6.4 遗传算法
• 3.7 基于改进AdaBoost 算法的目标检测
• 3.7.1 冗余特征的去除策略
• 3.7.2 弱分类器的优化选择
• 3.7.3 强分类器训练改进算法
• 3.7.4 基于遗传算法的弱分类器权值优化
• 3.7.5 级联检测技术的优化
• 3.7.6 实验验证
• 3.8 本章小结
• 第四章 运动目标跟踪
• 4.1 引言
• 4.2 Camshift 算法
• 4.2.1 Meanshift 算法
• 4.2.2 Camshift 算法框架
• 4.3 卡尔曼滤波
• 4.3.1 卡尔曼滤波基本原理
• 4.3.2 扩展卡尔曼滤波
• 4.4 粒子滤波
• 4.4.1 贝叶斯重要性采样
• 4.4.2 序列重要性采样
• 4.4.3 退化问题
• 4.4.4 粒子滤波的实现过程
• 4.5 基于改进粒子滤波的目标跟踪算法
• 4.5.1 观测值测量和目标模板更新策略
• 4.5.2 基于改进AdaBoost 算法的参考分布
• t|x_t ）的估计'>4.5.3 似然性 p （z_t|x_t）的估计
• 4.5.4 改进粒子滤波跟踪算法的实现
• 4.5.5 实验验证
• 4.6 本章小结
• 第五章 目标跟踪算法在机器人平台上的应用
• 5.1 引言
• 5.2 跟踪系统硬件环境
• 5.3 系统软件环境
• 5.3.1 DirectShow 技术
• 5.3.2 OpenCV 开源工具包
• 5.4 决策系统
• 5.5 本章小结
• 总结与展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢