本文關(guān)鍵詞：視頻中運(yùn)動(dòng)目標(biāo)跟蹤算法及其改進(jìn)策略研究

  更多相關(guān)文章： 目標(biāo)跟蹤 多新息理論 Kalman Filter Extended Kalman Filter 車輛跟蹤計(jì)數(shù)系統(tǒng)

【摘要】：隨著計(jì)算機(jī)技術(shù)的發(fā)展,人工智能已經(jīng)影響到人們生活的方方面面,而人工智能中最重要的一個(gè)研究方向便是如何使計(jì)算機(jī)具有視覺能力,這便是機(jī)器視覺。在機(jī)器視覺領(lǐng)域中目標(biāo)跟蹤是其中最為基礎(chǔ)也最為重要的一個(gè)分支,它包括了圖像處理、機(jī)器學(xué)習(xí)、模式識(shí)別等多方面的內(nèi)容,是一個(gè)涉及領(lǐng)域非常廣泛的研究方向。在眾多跟蹤算法中,基于濾波理論的跟蹤算法也是當(dāng)前研究的熱點(diǎn),其中Kalman濾波算法由于其穩(wěn)定性好、效率高、易于使用等特點(diǎn)被廣泛應(yīng)用在計(jì)算機(jī)視覺領(lǐng)域。Kalman filter(Kalman濾波器)最初被用于狀態(tài)空間方程或者線性動(dòng)態(tài)系統(tǒng)中。Kalman濾波器提供了一種通過遞推的方式去解決線性系統(tǒng)中最佳估計(jì)問題的方法,由于其不僅具有濾波能力、同時(shí)還擁有預(yù)測(cè)能力,因此經(jīng)常被應(yīng)用于視覺跟蹤。然而Kalman濾波器只適用于線性系統(tǒng),對(duì)于非線性系統(tǒng)其計(jì)算精度將大大降低。Extended Kalman Filter(擴(kuò)展卡爾曼濾波EKF)是將Kalman濾波理論進(jìn)一步應(yīng)用到非線性系統(tǒng)中。然而當(dāng)系統(tǒng)為強(qiáng)非線性時(shí),EKF就會(huì)違背局部線性假設(shè),引起誤差增大,從而使得其精度降低,最終導(dǎo)致濾波發(fā)散。然而視頻序列中的運(yùn)動(dòng)目標(biāo)往往表現(xiàn)出很強(qiáng)的非線性,如:目標(biāo)突變,如果此時(shí)采用標(biāo)準(zhǔn)Kalman濾波器或EKF濾波器去跟蹤運(yùn)動(dòng)目標(biāo),則很容易出現(xiàn)目標(biāo)丟失或跟蹤失敗等情況,因此研究如何改進(jìn)Kalman濾波算法以及EKF算法是十分有必要的。針對(duì)以上問題本文重點(diǎn)將研究如何改進(jìn)KF以及EKF算法,使其能夠在視頻目標(biāo)跟蹤中處理強(qiáng)非線性的運(yùn)動(dòng)目標(biāo)。本文主要研究?jī)?nèi)容如下:(1)深入研究Kalman濾波器,并將其應(yīng)用于視頻中的運(yùn)動(dòng)目標(biāo)跟蹤。深入研究多新息理論(multi-innovation),結(jié)合多新息理論,提出基于多新息理論的Kalman濾波算法(MI-KF),并對(duì)改進(jìn)算法從實(shí)驗(yàn)與理論證明兩方面進(jìn)行驗(yàn)證。(2)結(jié)合多新息(multi-innovation)理論,提出基于多新息理論的擴(kuò)展Kalman濾波算法(MI-EKF),提高了EKF在強(qiáng)非線性系統(tǒng)下的濾波精度。最后通過仿真實(shí)驗(yàn)與收斂性證明驗(yàn)證了MI-EKF算法的有效性。(3)將本文提出的改進(jìn)算法應(yīng)用于車輛跟蹤計(jì)數(shù)系統(tǒng)中,通過采用面向?qū)ο蟮木幊谭绞?對(duì)系統(tǒng)中的每個(gè)模塊進(jìn)行了詳細(xì)的分析與設(shè)計(jì)。系統(tǒng)總體分為車輛檢測(cè)模塊與車輛跟蹤模塊,其中檢測(cè)模塊使用了本文提到的目標(biāo)檢測(cè)理論,而車輛跟蹤模塊使用了本文提出的MI-KF跟蹤算法。最終通過實(shí)際項(xiàng)目,證明了本文提出的改進(jìn)算法已達(dá)到工程應(yīng)用水平。
【關(guān)鍵詞】：目標(biāo)跟蹤 多新息理論 Kalman Filter Extended Kalman Filter 車輛跟蹤計(jì)數(shù)系統(tǒng)
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-11
• 1 緒論11-19
• 1.1 選題依據(jù)、研究背景及意義11-12
• 1.1.1 選題依據(jù)11
• 1.1.2 研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)研究現(xiàn)狀12-13
• 1.2.2 運(yùn)動(dòng)目標(biāo)跟蹤研究現(xiàn)狀13-15
• 1.3 本文主要研究?jī)?nèi)容及安排15-18
• 1.3.1 主要研究?jī)?nèi)容15
• 1.3.2 論文組織結(jié)構(gòu)15-18
• 1.4 本章小結(jié)18-19
• 2 視頻序列中運(yùn)動(dòng)目標(biāo)的檢測(cè)及跟蹤理論19-29
• 2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)理論及方法19-24
• 2.1.1 幀差法19-20
• 2.1.2 基于Haar-like特征的方法20-22
• 2.1.3 基于機(jī)器學(xué)習(xí)算法的目標(biāo)檢測(cè)22-24
• 2.2 運(yùn)動(dòng)目標(biāo)跟蹤理論及方法24-27
• 2.2.1 基于特征匹配的跟蹤方法24-26
• 2.2.2 基于主動(dòng)輪廓的跟蹤方法26-27
• 2.2.3 基于濾波理論的跟蹤方法27
• 2.3 本章小結(jié)27-29
• 3 基于多新息理論改進(jìn)的卡爾曼跟蹤算法及證明29-55
• 3.1 卡爾曼濾波跟蹤算法29-34
• 3.1.1 狀態(tài)預(yù)測(cè)方程29-30
• 3.1.2 測(cè)量方程30
• 3.1.3 最優(yōu)估計(jì)30-32
• 3.1.4 標(biāo)準(zhǔn)卡爾曼濾波方程32-34
• 3.1.5 卡爾曼濾波器應(yīng)用于視覺跟蹤34
• 3.2 多新息辨識(shí)理論34-42
• 3.2.1 多新息辨識(shí)方法35-37
• 3.2.2 多新息最小二乘辨識(shí)方法37-39
• 3.2.3 多新息辨識(shí)隨機(jī)梯度辨識(shí)方法39-42
• 3.3 多新息卡爾曼跟蹤算法42-46
• 3.3.1 多新息卡爾曼跟蹤算法（MI-KF）42-44
• 3.3.2 MI-KF收斂性分析44-46
• 3.4 實(shí)驗(yàn)結(jié)果分析46-54
• 3.4.1 跟蹤緩慢運(yùn)動(dòng)物體47-49
• 3.4.2 跟蹤突變運(yùn)動(dòng)物體49-51
• 3.4.3 處理目標(biāo)遮擋問題51-52
• 3.4.4 性能分析52-54
• 3.5 本章小結(jié)54-55
• 4 基于多新息理論的擴(kuò)展卡爾曼跟蹤算法及證明55-67
• 4.1 擴(kuò)展卡爾曼濾波算法55-57
• 4.2 多新息擴(kuò)展卡爾曼跟蹤算法57-59
• 4.3 收斂性證明59-62
• 4.4 仿真與結(jié)果分析62-66
• 4.5 本章小結(jié)66-67
• 5 基于多新息卡爾曼多目標(biāo)跟蹤算法的道路車輛計(jì)數(shù)系統(tǒng)67-83
• 5.1 系統(tǒng)設(shè)計(jì)的目的及意義67
• 5.2 車輛跟蹤系統(tǒng)總體設(shè)計(jì)67-68
• 5.3 車輛檢測(cè)模塊68-75
• 5.3.1 圖像預(yù)處理69-70
• 5.3.2 車輛檢測(cè)70-75
• 5.4 車輛跟蹤計(jì)數(shù)模塊75-77
• 5.5 系統(tǒng)實(shí)現(xiàn)77-81
• 5.6 本章小結(jié)81-83
• 6 總結(jié)與展望83-85
• 6.1 全文總結(jié)83-84
• 6.2 未來工作展望84-85
• 參考文獻(xiàn)85-93
• 攻讀碩士學(xué)位期間發(fā)表的論文及所取得的研究成果93-95
• 致謝95-96

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 常旭劍;韓燮;熊風(fēng)光;;基于FAST檢測(cè)及SIFT描述的特征檢測(cè)算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年10期

2 丁鋒;郭蘭杰;;線性參數(shù)系統(tǒng)的多新息辨識(shí)方法[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年04期

3 索江鐳;胡志堅(jiān);劉宇凱;張子泳;王尉;;基于多新息耦合最小二乘算法的電力系統(tǒng)狀態(tài)空間辨識(shí)[J];電力自動(dòng)化設(shè)備;2015年07期

4 鹿振宇;黃攀峰;;耦合多新息隨機(jī)梯度辨識(shí)方法性能分析[J];控制與決策;2015年08期

5 韓萍;桑威林;石慶研;;一種新型非線性卡爾曼濾波方法[J];儀器儀表學(xué)報(bào);2015年03期

6 項(xiàng)宇;馬曉軍;劉春光;可榮碩;趙梓旭;;基于改進(jìn)的粒子群優(yōu)化擴(kuò)展卡爾曼濾波算法的鋰電池模型參數(shù)辨識(shí)與荷電狀態(tài)估計(jì)[J];兵工學(xué)報(bào);2014年10期

7 LUO Yu;WANG YongQing;WU SiLiang;WANG Pai;;Multipath effects on vector tracking algorithm for GNSS signal[J];Science China(Information Sciences);2014年10期

8 黃凱奇;任偉強(qiáng);譚鐵牛;;圖像物體分類與檢測(cè)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2014年06期

9 Wei Liu;Nanning Zheng;Zejian Yuan;Pengju Ren;Tao Wang;;Robust monocular SLAM towards motion disturbance[J];Chinese Science Bulletin;2014年17期

10 王蒙;戴亞平;王慶林;;一種新的FAST-Snake目標(biāo)跟蹤方法[J];自動(dòng)化學(xué)報(bào);2014年06期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 包玉剛;視頻圖像中的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];哈爾濱工程大學(xué);2010年

2 奚慧婷;剛性運(yùn)動(dòng)目標(biāo)的跟蹤算法研究[D];華東師范大學(xué);2008年

，

本文編號(hào)：1081816