基于粒子滤波的运动对象追踪

论文摘要

目标追踪技术是计算机视觉研究领域中比较活跃的课题之一。随着计算机软硬件的发展,目标追踪技术已经在多个领域得到了应用,相关的算法研究日益深入。粒子滤波追踪算法作为一种基于贝叶斯估计的算法,采用多假设的估计方法,在处理非线性运动目标追踪问题上具有特殊的优势。粒子滤波的随机特性使之能避免陷入局部极优,但是为了提高样本的估计的准确度,必须设置大量数目的粒子,带来巨大的计算量,这样粒子滤波的实时性就很不尽人意。本文将确定性跟踪器Mean-shift引入粒子滤波的框架中,提出了一种新的基于粒子滤波和Mean-shift的混合追踪算法（KMSEPF）。状态接近的粒子经过确定性搜索之后大多会移到相同的匹配峰值,所以对每个粒子都进行确定性搜索是没有必要的。为了克服以上缺点,KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行了改进。该算法首先利用聚类算法给多假设聚类,然后对聚类中心进行Mean-shift确定性搜索。这样,降低了对同特性的粒子的重复处理,在低计算复杂度的情况下仍能够很好地搜索到后验峰值。实验表明,KMSEPF算法与其它Mean-shift和粒子滤波混合算法相比,同样拥有较高的精确性和处理遮挡的能力,并且提高了计算效率。文中还验证了一种自适应粒子滤波算法,该算法引入自适应性在线外观模型和自适应性运动模型,能更有效地处理追踪过程中目标外观变化、背景有遮挡等问题;同时该算法采用根据追踪误差自适应变化粒子数目的机制,提高了粒子的利用率,使计算量得到了降低。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.2 追踪过程中需要注意和解决的问题
• 1.3 追踪算法的分类
• 1.4 粒子滤波算法的研究现状
• 1.5 论文的主要工作以及结构
• 第二章 粒子滤波原理
• 2.1 蒙特卡罗方法
• 2.1.1 蒙特卡罗方法的原理
• 2.1.2 蒙特卡罗方法的收敛性
• 2.1.3 蒙特卡罗方法的实现
• 2.2 粒子滤波方法
• 2.2.1 粒子滤波概述
• 2.2.2 粒子滤波原理
• 2.2.3 粒子滤波追踪算法一般描述
• 第三章 基于粒子滤波和MEAN-SHIFT 的混合跟踪器
• 3.1 引言
• 3.2 基于粒子滤波和MEAN-SHIFT 的混合跟踪器
• 3.2.1 算法基本思路
• 3.2.2 算法模型建立
• 3.2.2.1 动态模型
• 3.2.2.2 观测模型
• 3.2.3 追踪算法的实现
• 3.2.3.1 粒子初始化以及权值计算
• 3.2.3.2 k-means 聚类
• 3.2.3.3 Mean-shift 处理
• 3.2.3.4 估计目标位置
• 3.2.3.5 重采样机制建立
• 3.3 实验以及结论分析
• 3.3.1 KMSEPF 算法分析
• 3.3.1.1 无遮挡情况的目标追踪测试
• 3.3.1.2 有遮挡目标追踪分析
• 3.3.1.3 追踪中的K-means 聚类分析
• 3.3.2 KMSEPF 与MSEPF 算法比较分析
• 3.4 本章小结
• 第四章 一种改进的自适应粒子滤波追踪算法
• 4.1 改进的OAM 观测模型
• 4.1.1 模型的描述
• 4.1.2 模型的更新
• 4.1.3 模型的初始化
• 4.2 自适应运动模型
• 4.2.1 自适应速率
• 4.2.2 自适应噪声
• 4.3 变化的粒子数目配置以及遮挡处理
• 4.3.1 变化的粒子数目配置
• 4.3.2 遮挡处理
• 4.4 实验分析
• 4.4.1 对正常背景和运动速率的目标进行追踪，目标运动过程中外形有变化
• 4.4.2 背景有遮挡情况下的追踪
• 4.4.3 自适应运动模型与零速率运动模型的比较
• 4.4.4 粒子数目自适应分析
• 4.5 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢
• 附录
• 攻读硕士期间发表的文章