基于粒子滤波的目标跟踪算法研究

论文摘要

视频中运动目标的跟踪是计算机视觉领域非常重要的研究课题之一。运动目标跟踪的主要过程是：在各帧图像中准确的检测出运动目标,然后在后续的图像序列中进行目标定位,从而得到特定运动目标的完整运动轨迹。它在智能监控、交通监视、人机交互以及军事领域都有着广泛的应用,因此运动目标跟踪算法的研究具有很大的理论价值和应用价值。在线性、高斯的系统中,卡尔曼滤波的性能可以达到最优估计；而扩展的卡尔曼滤波通过对非线性系统的局部线性化,从而间接利用了卡尔曼滤波的原理,但是它只适用于滤波误差和预测误差都很小的情况。在实际的应用中,系统大多是非线性的,因此已有的算法已经不能满足应用的需要。在蒙特卡罗方法的基础上,人们提出了粒子滤波算法。这种基于贝叶斯估计的非线性滤波器,在处理非线性的问题时具有显著的优势。本文具体的研究内容和创新之处主要体现在以下几个方面：(1)对视频目标跟踪的基本理论进行了深入的分析,并详细阐述了粒子滤波的基本原理。(2)针对自然环境下运动目标容易受背景因素干扰的情况,提出了一种改进的颜色分布模型,并把它结合到粒子滤波的观测模型中。改进的颜色分布模型能最大限度的描述目标的特征,并用此模型为运动目标区域建模。(3)在对目标跟踪中的遮挡问题进行深入分析和研究的基础上,提出了一种改进的遮挡检测的方法,该方法能准确的检测出遮挡的发生和结束。在目标非遮挡时,根据文中采用的模板更新策略及时的更新目标模板：并在遮挡结束后,能够及时恢复对模板的更新。(4)在具体分析各种相似性度量方法优劣的基础上,本文使用Bhattacharyya距离来计算参考帧中目标的相似度。(5)当运动目标完全遮挡时,采用Kalman预测继续跟踪目标。最后将本文的方法应用于自然环境下的视频图像中。实验结果表明：在目标严重遮挡时,本文的方法能准确的跟踪目标,达到了较高的鲁棒性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题背景及研究意义
• 1.2 国内外研究的现状及存在的问题
• 1.3 运动目标跟踪的一般方法
• 1.4 本文的主要研究内容及组织结构
• 1.4.1 主要研究内容
• 1.4.2 组织结构
• 第二章 视频目标跟踪的基本理论
• 2.1 引言
• 2.2 非线性贝叶斯理论
• 2.3 卡尔曼滤波
• 2.3.1 卡尔曼滤波的信号模型
• 2.3.2 卡尔曼滤波的一步递推模型
• 2.3.3 卡尔曼滤波的递推公式
• 2.4 蒙特卡罗方法
• 2.4.1 蒙特卡罗方法的基本原理
• 2.4.2 蒙特卡罗方法的收敛性
• 2.4.3 蒙特卡罗方法的实现
• 2.4.4 蒙特卡罗方法的特点
• 2.5 粒子滤波的基本原理
• 2.5.1 序列重要性采样（Sequential Importance Sampling（SIS））
• 2.5.2 粒子的退化和重采样策略
• 2.5.3 粒子滤波算法的描述
• 第三章 目标模型的建立
• 3.1 引言
• 3.2 图像的色彩模式
• 3.2.1 RGB模型
• 3.2.2 HSV模型
• 3.2.3 RGB模型到HSV模型的转换
• 3.3 目标特征的提取
• 3.3.1 颜色特征
• 3.3.2 纹理特征
• 3.3.3 形状特征
• 3.4 传统的颜色分布模型
• 3.5 改进的颜色分布模型
• 第四章 运动目标的遮挡判定
• 4.1 引言
• 4.2 目标跟踪中的遮挡问题分析及解决策略
• 4.3 一种改进的遮挡检测方法
• 4.4 目标模板更新策略
• 第五章 基于粒子滤波的非刚性目标跟踪
• 5.1 引言
• 5.2 基于粒子滤波的非刚性目标跟踪
• 5.2.1 本文中粒子滤波算法流程
• 5.2.2 粒子滤波的状态模型
• 5.2.3 粒子的初始化
• 5.2.4 目标模型的建立
• 5.2.5 粒子权值的评价
• 5.2.6 目标模板的更新机制
• 5.2.7 完全遮挡情况下的Kalman预测跟踪
• 5.2.8 本文中粒子滤波算法的实现步骤
• 5.3 实验结果
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 未来的研究方向
• 参考文献
• 致谢
• 研究生期间发表论文