基于粒子滤波的视频目标跟踪算法研究

发布时间：2017-07-19 01:02

  本文关键词：基于粒子滤波的视频目标跟踪算法研究

  更多相关文章： 目标跟踪 粒子滤波 多特征融合 静态目标检测

【摘要】：近年来,随着计算机数据处理能力的不断提高、硬件配置的不断提升和先进摄像技术的不断发展,计算机技术得到了突飞猛进的发展,视频目标跟踪已经成为计算机视觉的核心问题之一。视频目标跟踪在视频监控、智能交通、智能导航、人机交互、医疗诊断和虚拟现实等领域都有着广泛的应用。虽然学者们已经提出了许多有效的视频目标跟踪算法,但应用在实际场景中目标跟踪效果不尽人意,常常面临着诸如目标颜色与背景颜色相近、目标移动速度太快、目标自身形变多样性和光照突变等难题。因此,设计出一种鲁棒性较高的视频目标跟踪算法仍然是一项具有挑战性的任务。本文调研了视频目标跟踪技术和粒子滤波理论的研究现状,介绍了基于预测的运动目标跟踪方法中的代表性算法,包括Meanshift算法、Camshift算法、卡尔曼滤波算法和粒子滤波算法,并着重阐述了粒子滤波算法应用到目标跟踪的优势。针对静态目标的检测问题,本文给出了一种基于粒子滤波框架下的检测算法。多场景实验结果表明,该方法对视频场景中的静态目标有较高的检测精度和鲁棒性,同时实现了较低的误警率。本文主要研究工作如下：(1)研究了视频目标跟踪过程中的常用技术,包括目标表示方法、目标特征提取方法、目标跟踪方法的分类和常见的目标跟踪算法。(2)介绍了粒子滤波算法的基本理论知识,包括贝叶斯状态估计、重要性采样、粒子匮乏以及重采样,并给出经典粒子滤波算法流程。接下来针对经典粒子滤波算法的不足给出了相应的改进算法,并通过仿真实验进行了实验对比。实验结果表明改进后的粒子滤波对系统状态的估计相比于基本粒子滤波更加准确,其对应的估计误差要优于基本粒子滤波算法。(3)研究了视频目标跟踪过程中的目标运动模型和观测模型。针对单一特征下粒子滤波目标跟踪鲁棒性不高的问题,给出了一种自适应的多特征融合方法,并结合实验数据对多特征融合的目标跟踪进行了讨论。实验结果表明基于多特征融合的粒子滤波视频目标跟踪算法的鲁棒性明显优于基于单一特征的粒子滤波视频目标跟踪算法。(4)通过实验研究了粒子滤波理论应用在静态目标检测中的不足,并针对此不足给出了改进措施。所给算法在现有粒子滤波框架内增加背景模型,利用中心点以及目标偏移信息检测到目标发生运动状态转换,再将被跟踪目标与背景模板进行匹配,根据其相关度判断目标的状态。实验结果表明该算法对静态目标检测有一定的准确性和鲁棒性。
【关键词】：目标跟踪 粒子滤波 多特征融合 静态目标检测
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-10
• 第一章 绪论10-19
• 1.1 课题研究背景及意义10-13
• 1.2 视频目标跟踪的研究现状与关键问题13-17
• 1.2.1 视频目标跟踪的研究现状13-15
• 1.2.2 视频目标跟踪的关键问题15-17
• 1.3 粒子滤波的研究现状17-18
• 1.4 论文主要工作与结构安排18-19
• 第二章 视频目标跟踪技术19-29
• 2.1 引言19
• 2.2 目标表示方法19-21
• 2.3 目标特征提取21-23
• 2.3.1 颜色特征21-22
• 2.3.2 边缘特征22
• 2.3.3 纹理特征22-23
• 2.3.4 形状特征23
• 2.4 目标跟踪方法分类23-25
• 2.4.1 基于区域的跟踪方法23-24
• 2.4.2 基于模型的跟踪方法24
• 2.4.3 基于特征的跟踪方法24
• 2.4.4 基于主动轮廓的跟踪方法24
• 2.4.5 基于预测的跟踪方法24-25
• 2.5 常见的目标跟踪算法25-28
• 2.5.1 Meanshift算法25-26
• 2.5.2 Camshift算法26
• 2.5.3 卡尔曼滤波算法26-28
• 2.5.4 粒子滤波算法28
• 2.6 本章小结28-29
• 第三章 粒子滤波算法29-46
• 3.1 引言29
• 3.2 贝叶斯状态估计29-30
• 3.3 粒子滤波算法30-33
• 3.3.1 蒙特卡洛方法30
• 3.3.2 重要性采样30-31
• 3.3.3 序列重要性采样31-32
• 3.3.4 粒子匮乏与重采样32-33
• 3.4 粒子滤波算法的一般流程33-34
• 3.5 粒子滤波算法的改进34-38
• 3.5.1 无迹粒子滤波34-35
• 3.5.2 则粒子滤波35-37
• 3.5.3 辅助变量粒子滤波37-38
• 3.6 仿真实验及分析38-43
• 3.7 本章小结43-46
• 第四章 基于多特征融合的粒子滤波目标跟踪46-57
• 4.1 引言46
• 4.2 目标模型46-49
• 4.2.1 目标运动模型46-47
• 4.2.2 目标观测模型47-49
• 4.2.3 目标的相似性度量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 多特征融合的权值选择50-52
• 4.4 多特征融合的粒子滤波目标跟踪算法52
• 4.5 仿真实验及分析52-56
• 4.6 本章小结56-57
• 第五章 基于粒子滤波的静态目标检测57-75
• 5.1 引言57-58
• 5.2 粒子滤波算法对静态目标检测的改进58-60
• 5.2.1 粒子滤波在静态目标检测的不足58-59
• 5.2.2 改进的静态目标检测算法59-60
• 5.3 仿真结果与分析60-74
• 5.4 本章小结74-75
• 第六章 总结与展望75-77
• 6.1 总结75-76
• 6.2 展望76-77
• 参考文献77-84
• 附图84-86
• 附表86-87
• 致谢87-88
• 攻读硕士学位期间取得的学术成果88

【相似文献】

中国期刊全文数据库 前10条

1 金忠;一种多目标跟踪算法[J];南京理工大学学报(自然科学版);1985年S1期

2 龚萍;张辉;毛征;张庆龙;孔文超;;融合局部熵二维熵的空中目标跟踪算法研究[J];国外电子测量技术;2014年01期

3 马奔,史忠科,皮燕妮;成像目标跟踪算法分析[J];西安电子科技大学学报;2005年03期

4 孙中森;孙俊喜;宋建中;乔双;;一种抗遮挡的运动目标跟踪算法[J];光学精密工程;2007年02期

5 陈爱华;孟勃;朱明;王艳华;;多模式融合的目标跟踪算法[J];光学精密工程;2009年01期

6 牛长锋;刘玉树;;融合多特征的粒子滤波目标跟踪算法[J];华中科技大学学报(自然科学版);2010年01期

7 蔡荣太;吴元昊;王明佳;吴庆祥;;视频目标跟踪算法综述[J];电视技术;2010年12期

8 佟国峰;蒋昭炎;谷久宏;庞晓磊;;基于随机蕨丛的长期目标跟踪算法[J];东北大学学报(自然科学版);2013年01期

9 曹晓丽;李明;邢玉娟;谭萍;;几种自动目标跟踪算法的比较研究[J];硅谷;2013年02期

10 王鲁平,李飚,胡敏露;一种基于多传感器数据融合的目标跟踪算法[J];红外与激光工程;2004年02期

中国重要会议论文全文数据库 前10条

1 徐炳吉;;一种多站联合目标跟踪算法[A];数学及其应用文集——中南模糊数学和系统分会第三届年会论文集（上卷）[C];1995年

2 杜方芳;刘士荣;邱雪娜;;一种改进的粒子滤波目标跟踪算法[A];PCC2009—第20届中国过程控制会议论文集[C];2009年

3 付晓薇;方康玲;李曦;;一种基于特征的多目标跟踪算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

4 许伟村;赵清杰;;一种基于粒子滤波的多目标跟踪算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

5 李军;张华;单梁;;一种基于Mean shift和粒子滤波的综合目标跟踪算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

6 肖敬若;胡伏原;郑江滨;张艳宁;;一种有效的多目标跟踪算法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

7 郑黎义;陈兴无;王磊;李正东;;红外/雷达双传感器融合目标跟踪算法[A];中国工程物理研究院科技年报（2005）[C];2005年

8 张震宇;王立松;;基于粒子滤波的传感器目标跟踪算法[A];2008年中国高校通信类院系学术研讨会论文集（上册）[C];2009年

9 王亚楠;陈杰;甘明刚;;基于差分进化的改进粒子滤波目标跟踪算法[A];中国自动化学会控制理论专业委员会C卷[C];2011年

10 张涛;费树岷;胡刚;;基于多特征信息自适应融合的视频目标跟踪算法[A];第二十九届中国控制会议论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 胡子军;基于随机有限集的雷达多目标跟踪算法研究[D];西安电子科技大学;2015年

2 王保宪;复杂背景下的视频目标跟踪算法研究[D];北京理工大学;2016年

3 张雷;复杂场景下实时目标跟踪算法及实现技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2016年

4 卢建国;基于粒子滤波的视频目标跟踪算法研究[D];北京邮电大学;2011年

5 冯巍;分布式多视角目标跟踪算法研究[D];复旦大学;2011年

6 王书朋;视频目标跟踪算法研究[D];西安电子科技大学;2009年

7 刘晴;基于区域特征的目标跟踪算法研究[D];北京理工大学;2014年

8 邱雪娜;基于视觉的运动目标跟踪算法及其在移动机器人中的应用[D];华东理工大学;2011年

9 赵运基;基于视觉的目标跟踪算法研究[D];华南理工大学;2012年

10 张健;面向能效优化的无线传感器网络分布式目标跟踪算法研究[D];东北大学;2011年

中国硕士学位论文全文数据库 前10条

1 张健;形变目标跟踪算法的研究与实现[D];辽宁大学;2015年

2 张巧丽;基于LabVIEW的运动目标跟踪算法研究与实现[D];陕西科技大学;2015年

3 钟宝康;基于压缩感知的预测目标跟踪算法研究[D];江西理工大学;2015年

4 薛桐;基于CamShift的运动目标跟踪算法研究[D];沈阳理工大学;2015年

5 王增宇;基于稀疏表达的目标跟踪算法研究[D];沈阳理工大学;2015年

6 王静;结构化的表观模型及两阶段目标跟踪算法研究[D];沈阳理工大学;2015年

7 葛凯蓉;自然场景下目标跟踪算法的研究[D];山东大学;2015年

8 向伟;基于检测的目标跟踪算法研究[D];上海交通大学;2015年

9 单顺勇;结合多示例学习和模板匹配的目标跟踪算法研究[D];江西理工大学;2015年

10 张碧武;基于单目视觉的目标跟踪算法的研究与实现[D];电子科技大学;2015年

，

本文编号：560509