本文關(guān)鍵詞：復(fù)雜場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究

  更多相關(guān)文章： 運(yùn)動(dòng)目標(biāo)檢測(cè) 背景建模 目標(biāo)跟蹤 粒子濾波 在線學(xué)習(xí)算法 數(shù)據(jù)關(guān)聯(lián)

【摘要】：基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的研究熱點(diǎn),在智能監(jiān)控、人機(jī)交互、視覺導(dǎo)航等方面有著重要的應(yīng)用。但在實(shí)際應(yīng)用場(chǎng)景中,由于受到復(fù)雜環(huán)境的干擾以及目標(biāo)外觀變化等因素的影響,使得運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤仍是一項(xiàng)具有挑戰(zhàn)性的課題。為了解決上述問題,本文針對(duì)復(fù)雜場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)進(jìn)行了深入研究,主要工作和創(chuàng)新點(diǎn)如下:(1)針對(duì)現(xiàn)有的背景減除法對(duì)初始運(yùn)動(dòng)目標(biāo)、動(dòng)態(tài)背景、光照變化和攝像頭抖動(dòng)敏感等問題,提出了一種基于時(shí)空樣本一致性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。首先,在構(gòu)建背景模型方面,采用背景樣本點(diǎn)集的方式,將一個(gè)時(shí)空塊內(nèi)的時(shí)域信息與空間鄰域信息相融合;然后,在前景目標(biāo)分割方面,提出了背景樣本熵的概念,自適應(yīng)的將圖像分為復(fù)雜的動(dòng)態(tài)區(qū)域(多模態(tài)區(qū)域)和平穩(wěn)的靜態(tài)區(qū)域(單模態(tài)區(qū)),采用動(dòng)態(tài)閾值的方法對(duì)像素進(jìn)行分類;其次,為了使背景模型可以更好的適應(yīng)環(huán)境和目標(biāo)的變化,提出了背景像素級(jí)更新和前景目標(biāo)整體更新相結(jié)合的兩級(jí)更新模式;最后,為了消除光照的全局變化和局部變化對(duì)檢測(cè)結(jié)果的影響,提出了基于直方圖統(tǒng)計(jì)的亮度變換方法。通過與目前其它常用算法在公共數(shù)據(jù)集上定性和定量的對(duì)比實(shí)驗(yàn)表明了該算法的優(yōu)越性。(2)針對(duì)顏色粒子濾波算法對(duì)光照明敏感的問題,提出了一種改進(jìn)的顏色粒子濾波目標(biāo)跟蹤算法。該算法從提高特征的描述能力入手,首先對(duì)顏色直方圖的加權(quán)函數(shù)進(jìn)行了改進(jìn),然后將其與圖像局部熵結(jié)合,構(gòu)建了一種對(duì)光照變化魯棒的顏色局部熵目標(biāo)觀測(cè)模型,并且為了讓算法能更好的適應(yīng)目標(biāo)自身和環(huán)境的變化,減少模型漂移和全局遮擋對(duì)算法的影響,設(shè)計(jì)了目標(biāo)模型的自適應(yīng)更新策略和粒子數(shù)量的動(dòng)態(tài)調(diào)節(jié)方法。實(shí)驗(yàn)結(jié)果表明,相比原有粒子濾波算法,該算法具有更好的魯棒性,能夠在遮擋、光照變化等情況下對(duì)目標(biāo)進(jìn)行實(shí)時(shí)有效的跟蹤。(3)針對(duì)目標(biāo)在長(zhǎng)時(shí)間跟蹤過程中容易出現(xiàn)跟蹤漂移現(xiàn)象和目標(biāo)丟失后難以重新捕獲等問題,提出了一種基于壓縮感知和目標(biāo)檢測(cè)的在線學(xué)習(xí)跟蹤算法。該算法將運(yùn)動(dòng)目標(biāo)檢測(cè)作為一種監(jiān)督機(jī)制與改進(jìn)的壓縮跟蹤算法相融合,對(duì)目標(biāo)分別進(jìn)行獨(dú)立的檢測(cè)和跟蹤,通過構(gòu)造目標(biāo)狀態(tài)分析器將檢測(cè)器和跟蹤器的結(jié)果進(jìn)行匯總和分析,判斷當(dāng)前目標(biāo)的跟蹤狀態(tài)并制定相應(yīng)的處理策略,同時(shí)根據(jù)狀態(tài)分析器的判斷結(jié)果,對(duì)跟蹤器進(jìn)行自適應(yīng)的更新或修正。通過與目前其它常用算法在公共數(shù)據(jù)集上定性和定量的對(duì)比實(shí)驗(yàn)表明了該算法的優(yōu)越性。(4)針對(duì)多目標(biāo)跟蹤系統(tǒng)中的數(shù)據(jù)關(guān)聯(lián)和目標(biāo)合并兩個(gè)關(guān)鍵問題,提出一種基于多特征融合和粒子濾波的多目標(biāo)跟蹤算法。首先,在數(shù)據(jù)關(guān)聯(lián)方面,該算法提出了基于多特征融合的兩級(jí)匹配方法,采用粗細(xì)結(jié)合的模式,先利用距離信息對(duì)目標(biāo)進(jìn)行粗匹配,排除不相關(guān)目標(biāo),再利用顏色特征對(duì)目標(biāo)進(jìn)行精匹配,保證目標(biāo)關(guān)聯(lián)的準(zhǔn)確性;然后,通過構(gòu)建關(guān)聯(lián)矩陣對(duì)目標(biāo)狀態(tài)進(jìn)行分析推理,當(dāng)目標(biāo)發(fā)生合并遮擋時(shí),啟動(dòng)粒子濾波算法定位出每個(gè)目標(biāo)在前景塊中的具體位置,同時(shí)根據(jù)數(shù)據(jù)關(guān)聯(lián)結(jié)果自適應(yīng)地更新目標(biāo)特征;最后,通過實(shí)驗(yàn)驗(yàn)證了該算法能夠在光照變化以及目標(biāo)合并、分裂等復(fù)雜情況下對(duì)多目標(biāo)進(jìn)行有效的跟蹤。
【關(guān)鍵詞】：運(yùn)動(dòng)目標(biāo)檢測(cè) 背景建模 目標(biāo)跟蹤 粒子濾波 在線學(xué)習(xí)算法 數(shù)據(jù)關(guān)聯(lián)
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-12
• 第1章 緒論12-25
• 1.1 研究背景與意義12-13
• 1.2 研究現(xiàn)狀與存在問題13-22
• 1.2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)14-17
• 1.2.2 目標(biāo)跟蹤17-22
• 1.3 論文主要研究工作與創(chuàng)新性成果22-24
• 1.4 論文的章節(jié)內(nèi)容安排24-25
• 第2章 基于時(shí)空樣本一致性的運(yùn)動(dòng)目標(biāo)檢測(cè)25-48
• 2.1 引言25-26
• 2.2 背景減除方法的研究現(xiàn)狀26-30
• 2.2.1 相關(guān)方法26-28
• 2.2.2 存在問題28-30
• 2.3 基于時(shí)空樣本一致性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法30-39
• 2.3.1 背景建立與初始化31-32
• 2.3.2 基于背景樣本熵的動(dòng)態(tài)閾值分割32-35
• 2.3.3 兩級(jí)更新策略35-36
• 2.3.4 亮度變換36-39
• 2.3.5 后處理39
• 2.4 實(shí)驗(yàn)結(jié)果及分析39-47
• 2.4.1 初始幀存在運(yùn)動(dòng)目標(biāo)39-42
• 2.4.2 動(dòng)態(tài)背景42-43
• 2.4.3 光照變化43-44
• 2.4.4 定量分析44-47
• 2.5 本章小結(jié)47-48
• 第3章 改進(jìn)的顏色粒子濾波目標(biāo)跟蹤48-62
• 3.1 引言48-49
• 3.2 粒子濾波算法原理49-53
• 3.2.1 貝葉斯濾波49-51
• 3.2.2 粒子濾波51-53
• 3.3 改進(jìn)的顏色粒子濾波目標(biāo)跟蹤算法53-58
• 3.3.1 基于顏色局部熵的目標(biāo)模型53-57
• 3.3.2 模型更新策略及粒子數(shù)量的動(dòng)態(tài)調(diào)整57
• 3.3.3 算法步驟57-58
• 3.4 實(shí)驗(yàn)與分析58-61
• 3.4.1 校園內(nèi)車輛跟蹤58
• 3.4.2 遮擋情況下的跟蹤58-59
• 3.4.3 光照變化情況下的跟蹤59-61
• 3.5 本章小結(jié)61-62
• 第4章 基于壓縮感知和目標(biāo)檢測(cè)的在線學(xué)習(xí)目標(biāo)跟蹤62-88
• 4.1 引言62-63
• 4.2 壓縮跟蹤算法63-66
• 4.2.1 壓縮感知特征提取63-64
• 4.2.2 分類器構(gòu)造及其更新策略64-65
• 4.2.3 壓縮跟蹤算法的步驟65-66
• 4.3 基于壓縮感知和目標(biāo)檢測(cè)的在線學(xué)習(xí)目標(biāo)跟蹤算法66-72
• 4.3.1 算法概述66-67
• 4.3.2 改進(jìn)的壓縮跟蹤算法67-69
• 4.3.3 目標(biāo)檢測(cè)69
• 4.3.4 目標(biāo)狀態(tài)分析器69-70
• 4.3.5 ICT-STSC算法步驟70-72
• 4.4 實(shí)驗(yàn)與分析72-87
• 4.4.1 測(cè)試集選取72-73
• 4.4.2 評(píng)測(cè)準(zhǔn)則73-74
• 4.4.3 定性分析74-77
• 4.4.4 定量分析77-87
• 4.5 本章小結(jié)87-88
• 第5章 基于多特征融合和粒子濾波的多目標(biāo)跟蹤88-104
• 5.1 引言88-89
• 5.2 基于多特征融合和粒子濾波的多目標(biāo)跟蹤算法89-96
• 5.2.1 算法概述89-90
• 5.2.2 前景目標(biāo)檢測(cè)90-91
• 5.2.3 兩級(jí)目標(biāo)關(guān)聯(lián)91-93
• 5.2.4 跟蹤過程中事件類型判定93-94
• 5.2.5 基于粒子濾波的多目標(biāo)合并處理策略94-95
• 5.2.6 算法步驟95-96
• 5.3 實(shí)驗(yàn)與分析96-103
• 5.3.1 定性分析96-98
• 5.3.2 定量分析98-103
• 5.4 本章小結(jié)103-104
• 結(jié)論104-106
• 參考文獻(xiàn)106-123
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單123-124
• 致謝124

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李雄杰;周東華;;非線性系統(tǒng)測(cè)量數(shù)據(jù)丟失時(shí)的一種粒子濾波器算法[J];兵工學(xué)報(bào);2009年10期

2 陳志敏;薄煜明;吳盤龍;陳沁欣;;一種新的混合智能粒子濾波算法在雷達(dá)機(jī)動(dòng)目標(biāo)跟蹤中的應(yīng)用[J];兵工學(xué)報(bào);2012年01期

3 裴�？�;孫新蕊;劉紅云;崔平遠(yuǎn);;均勻重采樣粒子濾波器在SINS初始對(duì)準(zhǔn)中的應(yīng)用[J];北京工業(yè)大學(xué)學(xué)報(bào);2008年06期

4 張磊;李行善;于勁松;高占寶;;一種基于二元估計(jì)與粒子濾波的故障預(yù)測(cè)算法[J];北京航空航天大學(xué)學(xué)報(bào);2008年07期

5 鄭紅;隋強(qiáng)強(qiáng);孫玉泉;;基于OWRR-PF的機(jī)載圖像中導(dǎo)彈跟蹤方法[J];北京航空航天大學(xué)學(xué)報(bào);2012年04期

6 陸培源;王建中;施家棟;;基于紋理基元與顏色的室外自然場(chǎng)景分類[J];北京理工大學(xué)學(xué)報(bào);2011年11期

7 羅海勇;李錦濤;趙方;林以明;;基于均值漂移和聯(lián)合粒子濾波的移動(dòng)節(jié)點(diǎn)定位算法[J];傳感技術(shù)學(xué)報(bào);2009年03期

8 李雁斌;曹作良;劉常杰;葉聲華;;基于粒子濾波的全方位視覺傳感器實(shí)現(xiàn)移動(dòng)機(jī)器人導(dǎo)航[J];傳感技術(shù)學(xué)報(bào);2009年05期

9 李長(zhǎng)庚;李新兵;譚鵬飛;盛利元;;基于Monte Carlo的無(wú)線傳感器網(wǎng)絡(luò)定位算法[J];傳感器與微系統(tǒng);2008年03期

10 湯文亮;黃智水;;無(wú)約束插值的Monte Carlo無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位方法[J];傳感器與微系統(tǒng);2010年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 ;Bearings-only Multi-Sensor Multi-Target Tracking Based on Rao-Blackwellized Monte Carlo Data Association[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

2 張應(yīng)博;秦鐘;王法勝;;神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的粒子濾波算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

3 ;Rao-Blackwellized Particle Filtering for Fault Detection and Diagnosis[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

4 ;Particle Filter Tracking in Low Frame Rate Video[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

5 周開軍;余伶俐;;基于粒子濾波器的故障預(yù)測(cè)方法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

6 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(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

7 楊曉東;向鳳紅;毛劍琳;郭寧;;改進(jìn)粒子濾波算法在二元無(wú)線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤的應(yīng)用[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

8 呂德潮;馬冠一;;自適應(yīng)重采樣粒子濾波在GPS定位中的應(yīng)用[A];第三屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集——S07北斗/GNSS用戶終端技術(shù)[C];2012年

9 吳瓊;馬文強(qiáng);李茗萱;張漫;劉剛;;基于GPS和IMU的農(nóng)業(yè)機(jī)械導(dǎo)航定位融合方法研究[A];中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C];2011年

10 ;Research on the Improvement of Rao-Blackwellized Particle Filter for the Incremental Environment Mapping and Self-localization of a Mobile Robot[A];2009中國(guó)控制與決策會(huì)議論文集（1）[C];2009年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王玉全;基于全景視覺的移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建方法研究[D];哈爾濱工程大學(xué);2010年

2 孟凡彬;基于隨機(jī)集理論的多目標(biāo)跟蹤技術(shù)研究[D];哈爾濱工程大學(xué);2010年

3 王小旭;非線性SPKF濾波算法研究及其在組合導(dǎo)航中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

4 楊萌;非線性濾波及在慣導(dǎo)系統(tǒng)傳遞對(duì)準(zhǔn)中應(yīng)用研究[D];哈爾濱工程大學(xué);2010年

5 劉美;WSN多目標(biāo)跟蹤節(jié)點(diǎn)任務(wù)分配及跟蹤算法研究[D];華南理工大學(xué);2010年

6 鄧曉波;雜波中的弱小目標(biāo)檢測(cè)與跟蹤研究[D];電子科技大學(xué);2010年

7 陳鵬;目標(biāo)跟蹤與背景減除算法研究[D];浙江大學(xué);2010年

8 李鴻斌;面向目標(biāo)跟蹤的移動(dòng)無(wú)線傳感器協(xié)作算法研究[D];浙江大學(xué);2010年

9 宮軼松;粒子濾波算法研究及其在GPS/DR組合導(dǎo)航中的應(yīng)用[D];解放軍信息工程大學(xué);2010年

10 宋越明;基于粒子濾波的跟蹤方法研究[D];解放軍信息工程大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 馮衛(wèi)娜;非線性系統(tǒng)參數(shù)和狀態(tài)聯(lián)合估計(jì)新算法研究[D];鄭州大學(xué);2010年

2 李東起;基于VxWorks的水下目標(biāo)探測(cè)跟蹤研究[D];哈爾濱工程大學(xué);2010年

3 孫柏虹;基于MEMS的捷聯(lián)航姿系統(tǒng)初始對(duì)準(zhǔn)技術(shù)研究[D];哈爾濱工程大學(xué);2010年

4 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

5 韓冬梅;基于P2P的教學(xué)信息資源負(fù)載均衡調(diào)度算法的研究[D];哈爾濱工程大學(xué);2010年

6 徐濤;基于多傳感器融合的水下機(jī)器人自主導(dǎo)航方法研究[D];中國(guó)海洋大學(xué);2010年

7 馬勤;基于群體智能算法的動(dòng)態(tài)目標(biāo)跟蹤技術(shù)研究[D];天津理工大學(xué);2010年

8 黃文娟;基于人工魚群算法的動(dòng)態(tài)目標(biāo)跟蹤技術(shù)研究[D];天津理工大學(xué);2010年

9 吳孟俊;基于不同模型的運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D];華東理工大學(xué);2011年

10 張繼旺;無(wú)線定位中時(shí)延估計(jì)算法研究[D];北京交通大學(xué);2011年

，

本文編號(hào)：1106519