复杂场景下的运动目标检测与跟踪研究

发布时间：2017-10-28 03:34

  本文关键词：复杂场景下的运动目标检测与跟踪研究

  更多相关文章： 运动目标检测 背景建模 目标跟踪 粒子滤波 在线学习算法 数据关联

【摘要】：基于视频的运动目标检测与跟踪是计算机视觉和模式识别领域的研究热点,在智能监控、人机交互、视觉导航等方面有着重要的应用。但在实际应用场景中,由于受到复杂环境的干扰以及目标外观变化等因素的影响,使得运动目标的检测与跟踪仍是一项具有挑战性的课题。为了解决上述问题,本文针对复杂场景下的运动目标检测与跟踪技术进行了深入研究,主要工作和创新点如下:(1)针对现有的背景减除法对初始运动目标、动态背景、光照变化和摄像头抖动敏感等问题,提出了一种基于时空样本一致性的运动目标检测算法。首先,在构建背景模型方面,采用背景样本点集的方式,将一个时空块内的时域信息与空间邻域信息相融合;然后,在前景目标分割方面,提出了背景样本熵的概念,自适应的将图像分为复杂的动态区域(多模态区域)和平稳的静态区域(单模态区),采用动态阈值的方法对像素进行分类;其次,为了使背景模型可以更好的适应环境和目标的变化,提出了背景像素级更新和前景目标整体更新相结合的两级更新模式;最后,为了消除光照的全局变化和局部变化对检测结果的影响,提出了基于直方图统计的亮度变换方法。通过与目前其它常用算法在公共数据集上定性和定量的对比实验表明了该算法的优越性。(2)针对颜色粒子滤波算法对光照明敏感的问题,提出了一种改进的颜色粒子滤波目标跟踪算法。该算法从提高特征的描述能力入手,首先对颜色直方图的加权函数进行了改进,然后将其与图像局部熵结合,构建了一种对光照变化鲁棒的颜色局部熵目标观测模型,并且为了让算法能更好的适应目标自身和环境的变化,减少模型漂移和全局遮挡对算法的影响,设计了目标模型的自适应更新策略和粒子数量的动态调节方法。实验结果表明,相比原有粒子滤波算法,该算法具有更好的鲁棒性,能够在遮挡、光照变化等情况下对目标进行实时有效的跟踪。(3)针对目标在长时间跟踪过程中容易出现跟踪漂移现象和目标丢失后难以重新捕获等问题,提出了一种基于压缩感知和目标检测的在线学习跟踪算法。该算法将运动目标检测作为一种监督机制与改进的压缩跟踪算法相融合,对目标分别进行独立的检测和跟踪,通过构造目标状态分析器将检测器和跟踪器的结果进行汇总和分析,判断当前目标的跟踪状态并制定相应的处理策略,同时根据状态分析器的判断结果,对跟踪器进行自适应的更新或修正。通过与目前其它常用算法在公共数据集上定性和定量的对比实验表明了该算法的优越性。(4)针对多目标跟踪系统中的数据关联和目标合并两个关键问题,提出一种基于多特征融合和粒子滤波的多目标跟踪算法。首先,在数据关联方面,该算法提出了基于多特征融合的两级匹配方法,采用粗细结合的模式,先利用距离信息对目标进行粗匹配,排除不相关目标,再利用颜色特征对目标进行精匹配,保证目标关联的准确性;然后,通过构建关联矩阵对目标状态进行分析推理,当目标发生合并遮挡时,启动粒子滤波算法定位出每个目标在前景块中的具体位置,同时根据数据关联结果自适应地更新目标特征;最后,通过实验验证了该算法能够在光照变化以及目标合并、分裂等复杂情况下对多目标进行有效的跟踪。
【关键词】：运动目标检测 背景建模 目标跟踪 粒子滤波 在线学习算法 数据关联
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• Abstract7-12
• 第1章 绪论12-25
• 1.1 研究背景与意义12-13
• 1.2 研究现状与存在问题13-22
• 1.2.1 运动目标检测14-17
• 1.2.2 目标跟踪17-22
• 1.3 论文主要研究工作与创新性成果22-24
• 1.4 论文的章节内容安排24-25
• 第2章 基于时空样本一致性的运动目标检测25-48
• 2.1 引言25-26
• 2.2 背景减除方法的研究现状26-30
• 2.2.1 相关方法26-28
• 2.2.2 存在问题28-30
• 2.3 基于时空样本一致性的运动目标检测算法30-39
• 2.3.1 背景建立与初始化31-32
• 2.3.2 基于背景样本熵的动态阈值分割32-35
• 2.3.3 两级更新策略35-36
• 2.3.4 亮度变换36-39
• 2.3.5 后处理39
• 2.4 实验结果及分析39-47
• 2.4.1 初始帧存在运动目标39-42
• 2.4.2 动态背景42-43
• 2.4.3 光照变化43-44
• 2.4.4 定量分析44-47
• 2.5 本章小结47-48
• 第3章 改进的颜色粒子滤波目标跟踪48-62
• 3.1 引言48-49
• 3.2 粒子滤波算法原理49-53
• 3.2.1 贝叶斯滤波49-51
• 3.2.2 粒子滤波51-53
• 3.3 改进的颜色粒子滤波目标跟踪算法53-58
• 3.3.1 基于颜色局部熵的目标模型53-57
• 3.3.2 模型更新策略及粒子数量的动态调整57
• 3.3.3 算法步骤57-58
• 3.4 实验与分析58-61
• 3.4.1 校园内车辆跟踪58
• 3.4.2 遮挡情况下的跟踪58-59
• 3.4.3 光照变化情况下的跟踪59-61
• 3.5 本章小结61-62
• 第4章 基于压缩感知和目标检测的在线学习目标跟踪62-88
• 4.1 引言62-63
• 4.2 压缩跟踪算法63-66
• 4.2.1 压缩感知特征提取63-64
• 4.2.2 分类器构造及其更新策略64-65
• 4.2.3 压缩跟踪算法的步骤65-66
• 4.3 基于压缩感知和目标检测的在线学习目标跟踪算法66-72
• 4.3.1 算法概述66-67
• 4.3.2 改进的压缩跟踪算法67-69
• 4.3.3 目标检测69
• 4.3.4 目标状态分析器69-70
• 4.3.5 ICT-STSC算法步骤70-72
• 4.4 实验与分析72-87
• 4.4.1 测试集选取72-73
• 4.4.2 评测准则73-74
• 4.4.3 定性分析74-77
• 4.4.4 定量分析77-87
• 4.5 本章小结87-88
• 第5章 基于多特征融合和粒子滤波的多目标跟踪88-104
• 5.1 引言88-89
• 5.2 基于多特征融合和粒子滤波的多目标跟踪算法89-96
• 5.2.1 算法概述89-90
• 5.2.2 前景目标检测90-91
• 5.2.3 两级目标关联91-93
• 5.2.4 跟踪过程中事件类型判定93-94
• 5.2.5 基于粒子滤波的多目标合并处理策略94-95
• 5.2.6 算法步骤95-96
• 5.3 实验与分析96-103
• 5.3.1 定性分析96-98
• 5.3.2 定量分析98-103
• 5.4 本章小结103-104
• 结论104-106
• 参考文献106-123
• 攻读学位期间发表论文与研究成果清单123-124
• 致谢124

【共引文献】

中国期刊全文数据库 前10条

1 李雄杰;周东华;;非线性系统测量数据丢失时的一种粒子滤波器算法[J];兵工学报;2009年10期

2 陈志敏;薄煜明;吴盘龙;陈沁欣;;一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用[J];兵工学报;2012年01期

3 裴福俊;孙新蕊;刘红云;崔平远;;均匀重采样粒子滤波器在SINS初始对准中的应用[J];北京工业大学学报;2008年06期

4 张磊;李行善;于劲松;高占宝;;一种基于二元估计与粒子滤波的故障预测算法[J];北京航空航天大学学报;2008年07期

5 郑红;隋强强;孙玉泉;;基于OWRR-PF的机载图像中导弹跟踪方法[J];北京航空航天大学学报;2012年04期

6 陆培源;王建中;施家栋;;基于纹理基元与颜色的室外自然场景分类[J];北京理工大学学报;2011年11期

7 罗海勇;李锦涛;赵方;林以明;;基于均值漂移和联合粒子滤波的移动节点定位算法[J];传感技术学报;2009年03期

8 李雁斌;曹作良;刘常杰;叶声华;;基于粒子滤波的全方位视觉传感器实现移动机器人导航[J];传感技术学报;2009年05期

9 李长庚;李新兵;谭鹏飞;盛利元;;基于Monte Carlo的无线传感器网络定位算法[J];传感器与微系统;2008年03期

10 汤文亮;黄智水;;无约束插值的Monte Carlo无线传感器网络节点定位方法[J];传感器与微系统;2010年05期

中国重要会议论文全文数据库 前10条

1 ;Bearings-only Multi-Sensor Multi-Target Tracking Based on Rao-Blackwellized Monte Carlo Data Association[A];第二十九届中国控制会议论文集[C];2010年

2 张应博;秦钟;王法胜;;神经网络训练中的粒子滤波算法[A];第二十九届中国控制会议论文集[C];2010年

3 ;Rao-Blackwellized Particle Filtering for Fault Detection and Diagnosis[A];第二十九届中国控制会议论文集[C];2010年

4 ;Particle Filter Tracking in Low Frame Rate Video[A];中国自动化学会控制理论专业委员会A卷[C];2011年

5 周开军;余伶俐;;基于粒子滤波器的故障预测方法[A];中国自动化学会控制理论专业委员会A卷[C];2011年

6 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

7 杨晓东;向凤红;毛剑琳;郭宁;;改进粒子滤波算法在二元无线传感器网络目标跟踪的应用[A];中国自动化学会控制理论专业委员会C卷[C];2011年

8 吕德潮;马冠一;;自适应重采样粒子滤波在GPS定位中的应用[A];第三届中国卫星导航学术年会电子文集——S07北斗/GNSS用户终端技术[C];2012年

9 吴琼;马文强;李茗萱;张漫;刘刚;;基于GPS和IMU的农业机械导航定位融合方法研究[A];中国农业工程学会2011年学术年会论文集[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中国控制与决策会议论文集（1）[C];2009年

中国博士学位论文全文数据库 前10条

1 王玉全;基于全景视觉的移动机器人同时定位与地图创建方法研究[D];哈尔滨工程大学;2010年

2 孟凡彬;基于随机集理论的多目标跟踪技术研究[D];哈尔滨工程大学;2010年

3 王小旭;非线性SPKF滤波算法研究及其在组合导航中的应用[D];哈尔滨工程大学;2010年

4 杨萌;非线性滤波及在惯导系统传递对准中应用研究[D];哈尔滨工程大学;2010年

5 刘美;WSN多目标跟踪节点任务分配及跟踪算法研究[D];华南理工大学;2010年

6 邓晓波;杂波中的弱小目标检测与跟踪研究[D];电子科技大学;2010年

7 陈鹏;目标跟踪与背景减除算法研究[D];浙江大学;2010年

8 李鸿斌;面向目标跟踪的移动无线传感器协作算法研究[D];浙江大学;2010年

9 宫轶松;粒子滤波算法研究及其在GPS/DR组合导航中的应用[D];解放军信息工程大学;2010年

10 宋越明;基于粒子滤波的跟踪方法研究[D];解放军信息工程大学;2010年

中国硕士学位论文全文数据库 前10条

1 冯卫娜;非线性系统参数和状态联合估计新算法研究[D];郑州大学;2010年

2 李东起;基于VxWorks的水下目标探测跟踪研究[D];哈尔滨工程大学;2010年

3 孙柏虹;基于MEMS的捷联航姿系统初始对准技术研究[D];哈尔滨工程大学;2010年

4 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

5 韩冬梅;基于P2P的教学信息资源负载均衡调度算法的研究[D];哈尔滨工程大学;2010年

6 徐涛;基于多传感器融合的水下机器人自主导航方法研究[D];中国海洋大学;2010年

7 马勤;基于群体智能算法的动态目标跟踪技术研究[D];天津理工大学;2010年

8 黄文娟;基于人工鱼群算法的动态目标跟踪技术研究[D];天津理工大学;2010年

9 吴孟俊;基于不同模型的运动目标跟踪算法研究[D];华东理工大学;2011年

10 张继旺;无线定位中时延估计算法研究[D];北京交通大学;2011年

，

本文编号：1106519