学位论文 > 优秀研究生学位论文题录展示

蒙特卡洛滤波算法在目标跟踪中的应用

作　者: 朱娟
导　师: 王延杰
学　校: 中国科学院研究生院（长春光学精密机械与物理研究所）
专　业: 机械电子工程
关键词: 目标跟踪蒙特卡洛滤波表观建模样本退化 Hough变换
分类号: TN713
类　型: 博士论文
年　份: 2010年
下　载: 717次
引　用: 4次
阅　读: 论文下载

内容摘要

准确,鲁棒的跟踪性能是跟踪学者们所追求的目标,为此,本论文选择了对目标模型和噪声没有限制的蒙特卡洛滤波算法。通过查阅国内外文献及软件仿真,对蒙特卡洛滤波算法的原理进行了深入的分析和研究,针对传统的蒙特卡洛滤波算法存在的主要问题——计算复杂度大和样本退化问题,分别提出了改进措施。好的模型是跟踪成败的关键,针对传统模型不能去除背景干扰的问题,论文提出了新的目标表观建模方案——基于轮廓的表观模型提取。首先通过边缘检测,直线段检测等一系列步骤提取出给定区域内目标的轮廓,用轮廓曲线内的信息表示目标,接下来用颜色信息和形状信息相结合的方式描述目标特征,使得特征描述符可以抵抗光照变化及旋转缩放等复杂情况。实验结果表明,在PC机上用VC++6.0实现时,对于300*300像素的区域以内的目标,这种建模方法提取模型时间<1ms,几乎可以忽略,匹配过程中,用新模板的匹配时间平均可以达到用原模板匹配时间的1/2。针对蒙特卡洛算法的样本退化问题,论文提出了基于人眼机制的样本集建立方案和半采样半重采样的样本集传播策略。初始帧需要建立样本集合,按照与中心距离越近样本越密集,反之越稀疏的原则建立样本集合;样本传播过程中,将样本集合分成优劣两类,对优样本集合通过重采样传播,对劣样本集合用样本建立方法重新采样代替。实验结果表明,这种样本集建立传播策略解决了样本的退化问题。针对Mean Shift算法不能很好解决非线性目标跟踪以及蒙特卡洛算法实时性差的问题,提出了一种自适应选择Mean Shift算法与蒙特卡洛算法的目标跟踪策略。引入一个跟踪方式选择标志,通过计算当前跟踪窗内的目标与模板的相似度来决定该标志的值,当目标与模板的相似度大于某个阈值时,选择实时性好的基于梯度最速下降的Mean Shift跟踪策略,以实现跟踪的实时性;否则选择基于随机采样、对目标模型没有限制的蒙特卡洛跟踪策略,使得位置预测结果更加准确。实验结果表明:与蒙特卡洛算法相比,该算法在跟踪性能不受影响的前提下,有效节省了系统时间,当目标简单运动时,对于100*56像素的目标,平均计算时间由原来的82ms降低为小于1ms;与Mean Shift算法相比,该算法在牺牲一些系统时间的基础上能够更加鲁棒地解决非线性目标跟踪问题。

全文目录

摘要  5-7
Abstract  7-12
第1章绪论  12-24
  1.1 课题研究背景及意义  12-13
  1.2 国内外研究现状  13-14
  1.3 目标跟踪中的技术难点  14-15
  1.4 跟踪算法概述  15-23
    1.4.1 相关跟踪算法  15-17
    1.4.2 Kalman 滤波算法  17-19
    1.4.3 Mean-Shift 算法  19-20
    1.4.4 蒙特卡洛滤波算法  20-23
  1.5 本论文的结构安排  23-24
第2章蒙特卡洛滤波算法  24-38
  2.1 概述  24-25
  2.2 基于Bayesian 框架的跟踪问题  25-26
  2.3 蒙特卡洛滤波算法实现目标跟踪  26-36
    2.3.1 蒙特卡洛思想  26-27
    2.3.2 重要性采样  27-30
    2.3.3 标准蒙特卡洛滤波算法实现流程  30-33
      2.3.3.1 初始化阶段  30-31
      2.3.3.2 状态预测阶段  31
      2.3.3.3 系统观测阶段  31-32
      2.3.3.4 后验状态估计  32-33
    2.3.4 算法复杂度分析  33
    2.3.5 样本退化问题  33-36
      2.3.5.1 选择最合适的提议分布  34-35
      2.3.5.2 样本重采样  35-36
  2.4 小结  36-38
第3章目标表观建模研究  38-62
  3.1 引言  38
  3.2 传统的表观建模方法  38-39
  3.3 基于轮廓的目标表观提取  39-54
    3.3.1 对目标区域进行边缘检测  39-43
      3.3.1.1 权重密度函数  40-41
      3.3.1.2 GAP 值的计算  41-43
    3.3.2 逆向Hough 变换检测直线段  43-51
      3.3.2.1 理想数字直线的特点  44-45
      3.3.2.2 逆向Hough 变换  45-47
      3.3.2.3 直线梯度方向  47-51
    3.3.3 Snake 算法更新目标轮廓  51-52
    3.3.4 目标轮廓模板的提取  52-54
  3.4 目标特征的选择  54-58
    3.4.1 基于颜色的目标模型  54-56
    3.4.2 基于形状的目标模型  56-57
    3.4.3 模型融合  57-58
  3.5 模型更新  58-60
  3.6 小结  60-62
第4章样本集的建立与传播  62-78
  4.1 引言  62-63
  4.2 样本集的建立  63-69
    4.2.1 传统样本集的初始建立过程  63-65
    4.2.2 基于视觉机制的样本集建立过程  65-69
  4.3 样本集的传播  69-76
    4.3.1 传统样本集采样贫瘠分析  69-70
    4.3.2 半采样半重采样的样本集传播策略  70-76
      4.3.2.1 Fisher 准则进行阈值分割  70-73
      4.3.2.2 权重的分配  73-74
      4.3.2.3 算法步骤  74-76
  4.4 本章小结  76-78
第5章 MS-MC 算法研究  78-90
  5.1 引言  78
  5.2 MS 算法概述  78-83
    5.2.1 核函数的选择  79-80
    5.2.2 MS 向量  80-81
    5.2.3 MS 在目标跟踪中的应用  81-83
  5.3 MS-MC 目标跟踪  83-89
    5.3.1 算法原理  83-84
    5.3.2 算法的实现步骤  84-85
    5.3.3 实验结果  85-89
  5.4 本章小结  89-90
第6章结论  90-94
  6.1 论文的主要工作总结  90-91
  6.2 论文的创新点  91-92
  6.3 展望  92-94
参考文献  94-102
在学期间学术成果情况  102-103
指导教师及作者简介  103-104
致谢  104-105

蒙特卡洛滤波算法在目标跟踪中的应用

内容摘要

全文目录

相似论文