本文關(guān)鍵詞：基于粒子濾波的目標跟蹤算法研究

  更多相關(guān)文章： 粒子濾波 目標遮擋 視覺背景提取 多目標跟蹤

【摘要】：視頻目標跟蹤是計算機視覺的一個核心問題，其在視頻監(jiān)控、人機交互、機器人視覺導航等領(lǐng)域有著廣泛的應(yīng)用。一個有實際用途的跟蹤算法必須面對復(fù)雜背景、光照變化、相似物體干擾、目標遮擋等難題。為此，研究者們已經(jīng)提出了很多跟蹤算法，但設(shè)計一個魯棒通用的跟蹤算法仍然是一個富有挑戰(zhàn)性的課題。為此，本文主要基于粒子濾波框架，對目標跟蹤技術(shù)進行研究和改進。主要工作如下: 1、詳細介紹貝葉斯狀態(tài)估計的基本理論，引出基于蒙特卡洛的粒子濾波算法。然后介紹序貫重要性采樣和標準粒子濾波算法的一般流程。分析粒子濾波算法中的系統(tǒng)模型和觀測模型。通過實驗分析比較粒子濾波算法在目標跟蹤中的優(yōu)勢。 2、改進粒子濾波算法中的目標表示，論文采用基于核的顏色直方圖來更好地利用目標的顏色特征。并結(jié)合基于核的梯度方向直方圖表征目標。同時，論文采用一種新方法來自適應(yīng)融合多特征，使得在不同場景下能夠自適應(yīng)地加權(quán)不同特征。在跟蹤的過程中，需要對目標的模型進行更新，通過一個學習速率調(diào)節(jié)目標模板更新的快慢。如果發(fā)生目標遮擋，則應(yīng)該停止模板的更新。 3、針對目標變速，本文提出一種混合運動模型。這種方法能夠跟蹤到正常運動的目標，也能捕捉到變速的目標，計算簡單快速。針對目標遮擋，采用一種遮擋因子對遮擋時刻和遮擋程度進行判斷。如果是目標部分遮擋，采用子塊表決的方式，利用未被遮擋的區(qū)域信息持續(xù)跟蹤。如果是嚴重遮擋，則停止目標的更新，保留目標信息，依靠檢測技術(shù)嘗試重新找回。 4、改進后的粒子濾波算法與視覺背景提取算法相結(jié)合，進行多目標跟蹤。這種方法能夠快速發(fā)現(xiàn)新目標和找回被完全遮擋的目標。依靠檢測集和跟蹤集，，實現(xiàn)基于關(guān)聯(lián)矩陣的一般推理，可以較好地實現(xiàn)目標關(guān)聯(lián)，提高了多目標跟蹤的準確性和魯棒性。
【關(guān)鍵詞】：粒子濾波 目標遮擋 視覺背景提取 多目標跟蹤
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-21
• 1.1 課題背景及研究意義11-12
• 1.2 視頻目標跟蹤概述12-16
• 1.2.1 目標跟蹤算法的研究現(xiàn)狀12-14
• 1.2.2 目標狀態(tài)估計方法的現(xiàn)狀14-16
• 1.2.3 視頻目標跟蹤的難點16
• 1.3 粒子濾波的研究現(xiàn)狀16-18
• 1.4 本文主要工作及篇章結(jié)構(gòu)18-21
• 1.4.1 本文主要工作18-19
• 1.4.2 本文結(jié)構(gòu)19-21
• 第二章 粒子濾波技術(shù)21-36
• 2.1 引言21
• 2.2 貝葉斯狀態(tài)估計21-22
• 2.3 序貫重要性采樣22-24
• 2.4 粒子濾波算法的一般算法流程24-27
• 2.5 系統(tǒng)模型和觀測模型27-30
• 2.5.1 系統(tǒng)模型27-28
• 2.5.2 觀測模型28-30
• 2.5.2.1 HSV 顏色空間28-29
• 2.5.2.2 觀測似然函數(shù)29-30
• 2.6 仿真實驗30-35
• 2.6.1 標準粒子濾波算法流程31
• 2.6.2 Camshift 算法流程31-32
• 2.6.3 實驗結(jié)果比較32-35
• 2.7 本章小結(jié)35-36
• 第三章 標準粒子濾波算法的改進36-44
• 3.1 引言36-37
• 3.2 基于核的空間顏色直方圖37-38
• 3.3 梯度方向直方圖38-40
• 3.4 多特征自適應(yīng)融合40-42
• 3.5 模板更新42-43
• 3.6 本章小結(jié)43-44
• 第四章 遮擋情況下的粒子濾波跟蹤算法44-54
• 4.1 引言44-46
• 4.2 混合運動模型46-47
• 4.3 遮擋時刻判斷47
• 4.4 基于分塊的跟蹤算法47-49
• 4.4.1 子塊的劃分48
• 4.4.2 子塊的表決48-49
• 4.5 仿真實驗49-53
• 4.6 本章小結(jié)53-54
• 第五章 基于粒子濾波的多目標跟蹤54-69
• 5.1 引言54-55
• 5.2 視覺背景提取算法及改進55-59
• 5.2.1 視覺背景提取算法55-57
• 5.2.2 視覺背景提取算法的改進57-59
• 5.3 基于推理的關(guān)聯(lián)算法59-61
• 5.4 仿真實驗61-68
• 5.4.1 背景檢測仿真實驗61-64
• 5.4.2 基于粒子濾波多目標仿真實驗64-68
• 5.5 本章小結(jié)68-69
• 總結(jié)與展望69-71
• 參考文獻71-75
• 攻讀碩士學位期間取得的研究成果75-76
• 致謝76-77
• 答辯委員會對論文的評定意見77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 侯志強;韓崇昭;;視覺跟蹤技術(shù)綜述[J];自動化學報;2006年04期

2 沈志熙;楊欣;黃席樾;;均值漂移算法中的目標模型更新方法研究[J];自動化學報;2009年05期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 羅飛騰;目標跟蹤的粒子濾波技術(shù)研究[D];中國科學技術(shù)大學;2010年

2 牛長鋒;復(fù)雜背景下視頻運動目標跟蹤的研究[D];北京理工大學;2010年

3 王玉茹;基于粒子濾波器的視頻目標跟蹤關(guān)鍵技術(shù)及其應(yīng)用研究[D];哈爾濱工業(yè)大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 王健;基于Adaboost檢測和相關(guān)向量機回歸預(yù)測的多目標跟蹤算法研究[D];華南理工大學;2011年

2 廖雪超;基于粒子濾波和背景建模的多目標跟蹤技術(shù)的研究和實現(xiàn)[D];武漢科技大學;2006年

本文編號：919100