本文關(guān)鍵詞：基于粒子濾波的視頻目標(biāo)跟蹤算法研究

  更多相關(guān)文章： 目標(biāo)跟蹤 粒子濾波 多特征融合 靜態(tài)目標(biāo)檢測

【摘要】：近年來,隨著計(jì)算機(jī)數(shù)據(jù)處理能力的不斷提高、硬件配置的不斷提升和先進(jìn)攝像技術(shù)的不斷發(fā)展,計(jì)算機(jī)技術(shù)得到了突飛猛進(jìn)的發(fā)展,視頻目標(biāo)跟蹤已經(jīng)成為計(jì)算機(jī)視覺的核心問題之一。視頻目標(biāo)跟蹤在視頻監(jiān)控、智能交通、智能導(dǎo)航、人機(jī)交互、醫(yī)療診斷和虛擬現(xiàn)實(shí)等領(lǐng)域都有著廣泛的應(yīng)用。雖然學(xué)者們已經(jīng)提出了許多有效的視頻目標(biāo)跟蹤算法,但應(yīng)用在實(shí)際場景中目標(biāo)跟蹤效果不盡人意,常常面臨著諸如目標(biāo)顏色與背景顏色相近、目標(biāo)移動(dòng)速度太快、目標(biāo)自身形變多樣性和光照突變等難題。因此,設(shè)計(jì)出一種魯棒性較高的視頻目標(biāo)跟蹤算法仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。本文調(diào)研了視頻目標(biāo)跟蹤技術(shù)和粒子濾波理論的研究現(xiàn)狀,介紹了基于預(yù)測的運(yùn)動(dòng)目標(biāo)跟蹤方法中的代表性算法,包括Meanshift算法、Camshift算法、卡爾曼濾波算法和粒子濾波算法,并著重闡述了粒子濾波算法應(yīng)用到目標(biāo)跟蹤的優(yōu)勢。針對靜態(tài)目標(biāo)的檢測問題,本文給出了一種基于粒子濾波框架下的檢測算法。多場景實(shí)驗(yàn)結(jié)果表明,該方法對視頻場景中的靜態(tài)目標(biāo)有較高的檢測精度和魯棒性,同時(shí)實(shí)現(xiàn)了較低的誤警率。本文主要研究工作如下：(1)研究了視頻目標(biāo)跟蹤過程中的常用技術(shù),包括目標(biāo)表示方法、目標(biāo)特征提取方法、目標(biāo)跟蹤方法的分類和常見的目標(biāo)跟蹤算法。(2)介紹了粒子濾波算法的基本理論知識,包括貝葉斯?fàn)顟B(tài)估計(jì)、重要性采樣、粒子匱乏以及重采樣,并給出經(jīng)典粒子濾波算法流程。接下來針對經(jīng)典粒子濾波算法的不足給出了相應(yīng)的改進(jìn)算法,并通過仿真實(shí)驗(yàn)進(jìn)行了實(shí)驗(yàn)對比。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的粒子濾波對系統(tǒng)狀態(tài)的估計(jì)相比于基本粒子濾波更加準(zhǔn)確,其對應(yīng)的估計(jì)誤差要優(yōu)于基本粒子濾波算法。(3)研究了視頻目標(biāo)跟蹤過程中的目標(biāo)運(yùn)動(dòng)模型和觀測模型。針對單一特征下粒子濾波目標(biāo)跟蹤魯棒性不高的問題,給出了一種自適應(yīng)的多特征融合方法,并結(jié)合實(shí)驗(yàn)數(shù)據(jù)對多特征融合的目標(biāo)跟蹤進(jìn)行了討論。實(shí)驗(yàn)結(jié)果表明基于多特征融合的粒子濾波視頻目標(biāo)跟蹤算法的魯棒性明顯優(yōu)于基于單一特征的粒子濾波視頻目標(biāo)跟蹤算法。(4)通過實(shí)驗(yàn)研究了粒子濾波理論應(yīng)用在靜態(tài)目標(biāo)檢測中的不足,并針對此不足給出了改進(jìn)措施。所給算法在現(xiàn)有粒子濾波框架內(nèi)增加背景模型,利用中心點(diǎn)以及目標(biāo)偏移信息檢測到目標(biāo)發(fā)生運(yùn)動(dòng)狀態(tài)轉(zhuǎn)換,再將被跟蹤目標(biāo)與背景模板進(jìn)行匹配,根據(jù)其相關(guān)度判斷目標(biāo)的狀態(tài)。實(shí)驗(yàn)結(jié)果表明該算法對靜態(tài)目標(biāo)檢測有一定的準(zhǔn)確性和魯棒性。
【關(guān)鍵詞】：目標(biāo)跟蹤 粒子濾波 多特征融合 靜態(tài)目標(biāo)檢測
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-5
• Abstract5-10
• 第一章 緒論10-19
• 1.1 課題研究背景及意義10-13
• 1.2 視頻目標(biāo)跟蹤的研究現(xiàn)狀與關(guān)鍵問題13-17
• 1.2.1 視頻目標(biāo)跟蹤的研究現(xiàn)狀13-15
• 1.2.2 視頻目標(biāo)跟蹤的關(guān)鍵問題15-17
• 1.3 粒子濾波的研究現(xiàn)狀17-18
• 1.4 論文主要工作與結(jié)構(gòu)安排18-19
• 第二章 視頻目標(biāo)跟蹤技術(shù)19-29
• 2.1 引言19
• 2.2 目標(biāo)表示方法19-21
• 2.3 目標(biāo)特征提取21-23
• 2.3.1 顏色特征21-22
• 2.3.2 邊緣特征22
• 2.3.3 紋理特征22-23
• 2.3.4 形狀特征23
• 2.4 目標(biāo)跟蹤方法分類23-25
• 2.4.1 基于區(qū)域的跟蹤方法23-24
• 2.4.2 基于模型的跟蹤方法24
• 2.4.3 基于特征的跟蹤方法24
• 2.4.4 基于主動(dòng)輪廓的跟蹤方法24
• 2.4.5 基于預(yù)測的跟蹤方法24-25
• 2.5 常見的目標(biāo)跟蹤算法25-28
• 2.5.1 Meanshift算法25-26
• 2.5.2 Camshift算法26
• 2.5.3 卡爾曼濾波算法26-28
• 2.5.4 粒子濾波算法28
• 2.6 本章小結(jié)28-29
• 第三章 粒子濾波算法29-46
• 3.1 引言29
• 3.2 貝葉斯?fàn)顟B(tài)估計(jì)29-30
• 3.3 粒子濾波算法30-33
• 3.3.1 蒙特卡洛方法30
• 3.3.2 重要性采樣30-31
• 3.3.3 序列重要性采樣31-32
• 3.3.4 粒子匱乏與重采樣32-33
• 3.4 粒子濾波算法的一般流程33-34
• 3.5 粒子濾波算法的改進(jìn)34-38
• 3.5.1 無跡粒子濾波34-35
• 3.5.2 則粒子濾波35-37
• 3.5.3 輔助變量粒子濾波37-38
• 3.6 仿真實(shí)驗(yàn)及分析38-43
• 3.7 本章小結(jié)43-46
• 第四章 基于多特征融合的粒子濾波目標(biāo)跟蹤46-57
• 4.1 引言46
• 4.2 目標(biāo)模型46-49
• 4.2.1 目標(biāo)運(yùn)動(dòng)模型46-47
• 4.2.2 目標(biāo)觀測模型47-49
• 4.2.3 目標(biāo)的相似性度量49
• 4.3 多特征融合算法49-52
• 4.3.1 多特征融合49-50
• 4.3.2 多特征融合的權(quán)值選擇50-52
• 4.4 多特征融合的粒子濾波目標(biāo)跟蹤算法52
• 4.5 仿真實(shí)驗(yàn)及分析52-56
• 4.6 本章小結(jié)56-57
• 第五章 基于粒子濾波的靜態(tài)目標(biāo)檢測57-75
• 5.1 引言57-58
• 5.2 粒子濾波算法對靜態(tài)目標(biāo)檢測的改進(jìn)58-60
• 5.2.1 粒子濾波在靜態(tài)目標(biāo)檢測的不足58-59
• 5.2.2 改進(jìn)的靜態(tài)目標(biāo)檢測算法59-60
• 5.3 仿真結(jié)果與分析60-74
• 5.4 本章小結(jié)74-75
• 第六章 總結(jié)與展望75-77
• 6.1 總結(jié)75-76
• 6.2 展望76-77
• 參考文獻(xiàn)77-84
• 附圖84-86
• 附表86-87
• 致謝87-88
• 攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果88

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 金忠;一種多目標(biāo)跟蹤算法[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);1985年S1期

2 龔萍;張輝;毛征;張慶龍;孔文超;;融合局部熵二維熵的空中目標(biāo)跟蹤算法研究[J];國外電子測量技術(shù);2014年01期

3 馬奔,史忠科,皮燕妮;成像目標(biāo)跟蹤算法分析[J];西安電子科技大學(xué)學(xué)報(bào);2005年03期

4 孫中森;孫俊喜;宋建中;喬雙;;一種抗遮擋的運(yùn)動(dòng)目標(biāo)跟蹤算法[J];光學(xué)精密工程;2007年02期

5 陳愛華;孟勃;朱明;王艷華;;多模式融合的目標(biāo)跟蹤算法[J];光學(xué)精密工程;2009年01期

6 牛長鋒;劉玉樹;;融合多特征的粒子濾波目標(biāo)跟蹤算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

7 蔡榮太;吳元昊;王明佳;吳慶祥;;視頻目標(biāo)跟蹤算法綜述[J];電視技術(shù);2010年12期

8 佟國峰;蔣昭炎;谷久宏;龐曉磊;;基于隨機(jī)蕨叢的長期目標(biāo)跟蹤算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

9 曹曉麗;李明;邢玉娟;譚萍;;幾種自動(dòng)目標(biāo)跟蹤算法的比較研究[J];硅谷;2013年02期

10 王魯平,李飚,胡敏露;一種基于多傳感器數(shù)據(jù)融合的目標(biāo)跟蹤算法[J];紅外與激光工程;2004年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 徐炳吉;;一種多站聯(lián)合目標(biāo)跟蹤算法[A];數(shù)學(xué)及其應(yīng)用文集——中南模糊數(shù)學(xué)和系統(tǒng)分會第三屆年會論文集（上卷）[C];1995年

2 杜方芳;劉士榮;邱雪娜;;一種改進(jìn)的粒子濾波目標(biāo)跟蹤算法[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

3 付曉薇;方康玲;李曦;;一種基于特征的多目標(biāo)跟蹤算法[A];2003年中國智能自動(dòng)化會議論文集（下冊）[C];2003年

4 許偉村;趙清杰;;一種基于粒子濾波的多目標(biāo)跟蹤算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

5 李軍;張華;單梁;;一種基于Mean shift和粒子濾波的綜合目標(biāo)跟蹤算法[A];2009年中國智能自動(dòng)化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

6 肖敬若;胡伏原;鄭江濱;張艷寧;;一種有效的多目標(biāo)跟蹤算法[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

7 鄭黎義;陳興無;王磊;李正東;;紅外/雷達(dá)雙傳感器融合目標(biāo)跟蹤算法[A];中國工程物理研究院科技年報(bào)（2005）[C];2005年

8 張震宇;王立松;;基于粒子濾波的傳感器目標(biāo)跟蹤算法[A];2008年中國高校通信類院系學(xué)術(shù)研討會論文集（上冊）[C];2009年

9 王亞楠;陳杰;甘明剛;;基于差分進(jìn)化的改進(jìn)粒子濾波目標(biāo)跟蹤算法[A];中國自動(dòng)化學(xué)會控制理論專業(yè)委員會C卷[C];2011年

10 張濤;費(fèi)樹岷;胡剛;;基于多特征信息自適應(yīng)融合的視頻目標(biāo)跟蹤算法[A];第二十九屆中國控制會議論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 胡子軍;基于隨機(jī)有限集的雷達(dá)多目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2015年

2 王保憲;復(fù)雜背景下的視頻目標(biāo)跟蹤算法研究[D];北京理工大學(xué);2016年

3 張雷;復(fù)雜場景下實(shí)時(shí)目標(biāo)跟蹤算法及實(shí)現(xiàn)技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2016年

4 盧建國;基于粒子濾波的視頻目標(biāo)跟蹤算法研究[D];北京郵電大學(xué);2011年

5 馮巍;分布式多視角目標(biāo)跟蹤算法研究[D];復(fù)旦大學(xué);2011年

6 王書朋;視頻目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2009年

7 劉晴;基于區(qū)域特征的目標(biāo)跟蹤算法研究[D];北京理工大學(xué);2014年

8 邱雪娜;基于視覺的運(yùn)動(dòng)目標(biāo)跟蹤算法及其在移動(dòng)機(jī)器人中的應(yīng)用[D];華東理工大學(xué);2011年

9 趙運(yùn)基;基于視覺的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2012年

10 張健;面向能效優(yōu)化的無線傳感器網(wǎng)絡(luò)分布式目標(biāo)跟蹤算法研究[D];東北大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張健;形變目標(biāo)跟蹤算法的研究與實(shí)現(xiàn)[D];遼寧大學(xué);2015年

2 張巧麗;基于LabVIEW的運(yùn)動(dòng)目標(biāo)跟蹤算法研究與實(shí)現(xiàn)[D];陜西科技大學(xué);2015年

3 鐘寶康;基于壓縮感知的預(yù)測目標(biāo)跟蹤算法研究[D];江西理工大學(xué);2015年

4 薛桐;基于CamShift的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];沈陽理工大學(xué);2015年

5 王增宇;基于稀疏表達(dá)的目標(biāo)跟蹤算法研究[D];沈陽理工大學(xué);2015年

6 王靜;結(jié)構(gòu)化的表觀模型及兩階段目標(biāo)跟蹤算法研究[D];沈陽理工大學(xué);2015年

7 葛凱蓉;自然場景下目標(biāo)跟蹤算法的研究[D];山東大學(xué);2015年

8 向偉;基于檢測的目標(biāo)跟蹤算法研究[D];上海交通大學(xué);2015年

9 單順勇;結(jié)合多示例學(xué)習(xí)和模板匹配的目標(biāo)跟蹤算法研究[D];江西理工大學(xué);2015年

10 張碧武;基于單目視覺的目標(biāo)跟蹤算法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

，

本文編號：560509