视频中运动目标跟踪算法及其改进策略研究

发布时间：2017-10-23 05:26

  本文关键词：视频中运动目标跟踪算法及其改进策略研究

  更多相关文章： 目标跟踪 多新息理论 Kalman Filter Extended Kalman Filter 车辆跟踪计数系统

【摘要】：随着计算机技术的发展,人工智能已经影响到人们生活的方方面面,而人工智能中最重要的一个研究方向便是如何使计算机具有视觉能力,这便是机器视觉。在机器视觉领域中目标跟踪是其中最为基础也最为重要的一个分支,它包括了图像处理、机器学习、模式识别等多方面的内容,是一个涉及领域非常广泛的研究方向。在众多跟踪算法中,基于滤波理论的跟踪算法也是当前研究的热点,其中Kalman滤波算法由于其稳定性好、效率高、易于使用等特点被广泛应用在计算机视觉领域。Kalman filter(Kalman滤波器)最初被用于状态空间方程或者线性动态系统中。Kalman滤波器提供了一种通过递推的方式去解决线性系统中最佳估计问题的方法,由于其不仅具有滤波能力、同时还拥有预测能力,因此经常被应用于视觉跟踪。然而Kalman滤波器只适用于线性系统,对于非线性系统其计算精度将大大降低。Extended Kalman Filter(扩展卡尔曼滤波EKF)是将Kalman滤波理论进一步应用到非线性系统中。然而当系统为强非线性时,EKF就会违背局部线性假设,引起误差增大,从而使得其精度降低,最终导致滤波发散。然而视频序列中的运动目标往往表现出很强的非线性,如:目标突变,如果此时采用标准Kalman滤波器或EKF滤波器去跟踪运动目标,则很容易出现目标丢失或跟踪失败等情况,因此研究如何改进Kalman滤波算法以及EKF算法是十分有必要的。针对以上问题本文重点将研究如何改进KF以及EKF算法,使其能够在视频目标跟踪中处理强非线性的运动目标。本文主要研究内容如下:(1)深入研究Kalman滤波器,并将其应用于视频中的运动目标跟踪。深入研究多新息理论(multi-innovation),结合多新息理论,提出基于多新息理论的Kalman滤波算法(MI-KF),并对改进算法从实验与理论证明两方面进行验证。(2)结合多新息(multi-innovation)理论,提出基于多新息理论的扩展Kalman滤波算法(MI-EKF),提高了EKF在强非线性系统下的滤波精度。最后通过仿真实验与收敛性证明验证了MI-EKF算法的有效性。(3)将本文提出的改进算法应用于车辆跟踪计数系统中,通过采用面向对象的编程方式,对系统中的每个模块进行了详细的分析与设计。系统总体分为车辆检测模块与车辆跟踪模块,其中检测模块使用了本文提到的目标检测理论,而车辆跟踪模块使用了本文提出的MI-KF跟踪算法。最终通过实际项目,证明了本文提出的改进算法已达到工程应用水平。
【关键词】：目标跟踪 多新息理论 Kalman Filter Extended Kalman Filter 车辆跟踪计数系统
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-11
• 1 绪论11-19
• 1.1 选题依据、研究背景及意义11-12
• 1.1.1 选题依据11
• 1.1.2 研究背景及意义11-12
• 1.2 国内外研究现状12-15
• 1.2.1 运动目标检测研究现状12-13
• 1.2.2 运动目标跟踪研究现状13-15
• 1.3 本文主要研究内容及安排15-18
• 1.3.1 主要研究内容15
• 1.3.2 论文组织结构15-18
• 1.4 本章小结18-19
• 2 视频序列中运动目标的检测及跟踪理论19-29
• 2.1 运动目标检测理论及方法19-24
• 2.1.1 帧差法19-20
• 2.1.2 基于Haar-like特征的方法20-22
• 2.1.3 基于机器学习算法的目标检测22-24
• 2.2 运动目标跟踪理论及方法24-27
• 2.2.1 基于特征匹配的跟踪方法24-26
• 2.2.2 基于主动轮廓的跟踪方法26-27
• 2.2.3 基于滤波理论的跟踪方法27
• 2.3 本章小结27-29
• 3 基于多新息理论改进的卡尔曼跟踪算法及证明29-55
• 3.1 卡尔曼滤波跟踪算法29-34
• 3.1.1 状态预测方程29-30
• 3.1.2 测量方程30
• 3.1.3 最优估计30-32
• 3.1.4 标准卡尔曼滤波方程32-34
• 3.1.5 卡尔曼滤波器应用于视觉跟踪34
• 3.2 多新息辨识理论34-42
• 3.2.1 多新息辨识方法35-37
• 3.2.2 多新息最小二乘辨识方法37-39
• 3.2.3 多新息辨识随机梯度辨识方法39-42
• 3.3 多新息卡尔曼跟踪算法42-46
• 3.3.1 多新息卡尔曼跟踪算法（MI-KF）42-44
• 3.3.2 MI-KF收敛性分析44-46
• 3.4 实验结果分析46-54
• 3.4.1 跟踪缓慢运动物体47-49
• 3.4.2 跟踪突变运动物体49-51
• 3.4.3 处理目标遮挡问题51-52
• 3.4.4 性能分析52-54
• 3.5 本章小结54-55
• 4 基于多新息理论的扩展卡尔曼跟踪算法及证明55-67
• 4.1 扩展卡尔曼滤波算法55-57
• 4.2 多新息扩展卡尔曼跟踪算法57-59
• 4.3 收敛性证明59-62
• 4.4 仿真与结果分析62-66
• 4.5 本章小结66-67
• 5 基于多新息卡尔曼多目标跟踪算法的道路车辆计数系统67-83
• 5.1 系统设计的目的及意义67
• 5.2 车辆跟踪系统总体设计67-68
• 5.3 车辆检测模块68-75
• 5.3.1 图像预处理69-70
• 5.3.2 车辆检测70-75
• 5.4 车辆跟踪计数模块75-77
• 5.5 系统实现77-81
• 5.6 本章小结81-83
• 6 总结与展望83-85
• 6.1 全文总结83-84
• 6.2 未来工作展望84-85
• 参考文献85-93
• 攻读硕士学位期间发表的论文及所取得的研究成果93-95
• 致谢95-96

【参考文献】

中国期刊全文数据库 前10条

1 常旭剑;韩燮;熊风光;;基于FAST检测及SIFT描述的特征检测算法[J];计算机工程与设计;2015年10期

2 丁锋;郭兰杰;;线性参数系统的多新息辨识方法[J];南京信息工程大学学报(自然科学版);2015年04期

3 索江镭;胡志坚;刘宇凯;张子泳;王尉;;基于多新息耦合最小二乘算法的电力系统状态空间辨识[J];电力自动化设备;2015年07期

4 鹿振宇;黄攀峰;;耦合多新息随机梯度辨识方法性能分析[J];控制与决策;2015年08期

5 韩萍;桑威林;石庆研;;一种新型非线性卡尔曼滤波方法[J];仪器仪表学报;2015年03期

6 项宇;马晓军;刘春光;可荣硕;赵梓旭;;基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计[J];兵工学报;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 黄凯奇;任伟强;谭铁牛;;图像物体分类与检测算法综述[J];计算机学报;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;戴亚平;王庆林;;一种新的FAST-Snake目标跟踪方法[J];自动化学报;2014年06期

中国硕士学位论文全文数据库 前2条

1 包玉刚;视频图像中的运动目标跟踪算法研究[D];哈尔滨工程大学;2010年

2 奚慧婷;刚性运动目标的跟踪算法研究[D];华东师范大学;2008年

，

本文编号：1081816