学位论文 > 优秀研究生学位论文题录展示
基于粒子滤波的图像跟踪算法研究
作 者: 张波
导 师: 田蔚风
学 校: 上海交通大学
专 业: 精密仪器及机械
关键词: 图像跟踪 粒子滤波 自适应信息融合 均值偏移 辅助粒子滤波 辅助核粒子滤波 层次采样跟踪算法 表观模型
分类号: TP391.41
类 型: 博士论文
年 份: 2007年
下 载: 3176次
引 用: 40次
阅 读: 论文下载
内容摘要
以探测搜索、捕获跟踪、激光瞄准为技术依托的机载光电稳定跟踪系统已成为发展新一代光电装备的战略基点之一,对于国防安全、社会稳定、现代化生产和生活有着非常重要的意义。在机载光电稳定跟踪系统中,图像跟踪是一个关键技术,直接决定了跟踪系统的性能。同时,图像跟踪也是计算机视觉领域的一个热点研究问题,在视觉监控、人机互动、机器人导航等领域有着广泛的应用。图像跟踪方法大致可分为两大类:概率跟踪方法和确定性跟踪方法。概率跟踪方法由于跟踪性能稳定、可靠,已成为图像跟踪的主流方法,卡尔曼滤波和粒子滤波是这类方法的典型代表。卡尔曼滤波对系统模型和后验分布有严格限制,只能处理线性、高斯、单模态的情况,而在图像跟踪应用中,后验概率的分布往往是非线性、非高斯、多模态的,因此卡尔曼滤波的应用受到一定的限制。与卡尔曼滤波不同,粒子滤波对于系统模型没有特殊要求,而且能够保持状态的多模态分布,不易受杂波的影响,在跟踪领域得到了很大发展。但常规粒子滤波跟踪算法存在计算量大、采样效率低等问题,而且由于实际跟踪场景的复杂性,给常规粒子滤波跟踪算法提出了很大的挑战。为了提高粒子滤波跟踪算法的鲁棒性,进而为科学研究和工程应用提供理论和算法支持,针对粒子滤波跟踪算法中存在的问题,本文提出了改进的粒子滤波跟踪算法。改进工作主要从两方面入手:一方面设计有效的采样算法,使采样粒子尽可能集中在目标附近,更好地描述目标状态后验概率,提高粒子滤波的采样效率,减小计算量;另一个方面提高粒子滤波似然评价的区分性和精确性,设计了颜色和形状双重信息融合的似然模型、自适应似然模型和混合似然模型,并且将这些似然模型结合到粒子滤波中实施跟踪。具体的研究工作主要有:第一,针对单一视觉信息在动态变化环境下描述目标不够充分、跟踪目标不够稳定的缺点,设计了一种基于粒子滤波框架的自适应信息融合跟踪算法,研究中利用颜色和形状双重信息描述目标,通过民主融合策略将两种信息融合在一起,使得跟踪算法能根据当前跟踪形势自适应调整两种信息的权重,实现信息间的优势互补。由于这种算法能够始终利用对当前跟踪场景稳定的信息跟踪目标,解决了动态变化场景下单一信息跟踪失效的问题。在设计粒子滤波跟踪算法时,利用自适应信息融合策略构建似然模型,提高了粒子滤波跟踪算法在复杂场景下的稳健性。实验结果表明,自适应信息融合跟踪算法在目标平动、转动、部分遮挡等情形下都能成功地跟踪目标。当跟踪场景中出现颜色相似目标时,采用多块颜色模型能够很好的区分目标,解决了相似目标冲突问题。第二,针对粒子滤波采样效率低,计算量大的问题,提出了两种改进的粒子滤波跟踪算法:辅助核粒子滤波跟踪算法和层次采样跟踪算法。辅助核粒子滤波算法首先采用辅助粒子滤波采样粒子,然后利用均值偏移移动粒子到后验密度模式处。与粒子滤波和核粒子滤波相比,辅助核粒子滤波算法在采样时充分考虑观测值,解决了粒子滤波和核粒子滤波采样时由于没有利用观测值而造成粒子不能完全覆盖在目标位置附近的问题;辅助核粒子滤波算法减少了均值偏移迭代次数,与核粒子滤波相比,降低了计算量,同时跟踪性能还可能更高。层次式采样策略在采样粒子时,既强调了粒子的集中性又考虑粒子的多样性,所得粒子集能更好地表达后验概率密度,对于目标发生突然快速运动的情况,其跟踪性能优于粒子滤波和核粒子滤波。实验表明,本文提出的两种跟踪算法在目标快速运动、平动、转动、遮挡、复杂背景下均能较好地跟踪目标。第三,为了反映跟踪过程中目标表观的变化,提高跟踪算法在动态场景下的适应性和稳健性,提出了一种基于自适应表观模型的跟踪算法。利用递增核密度近似方法在线更新灰度表观模型,方便了跟踪算法的实时处理。在实施跟踪算法时,采用自适应表观模型设计粒子滤波的似然模型。另外,采用遮挡处理策略减少异常像素对状态估计的影响。实验结果表明,与固定表观模型跟踪算法相比,基于自适应表观模型的跟踪算法在光照变化、姿态变化、表情变化以及部分或完全遮挡等情形下,均具有较好的跟踪效果。第四,针对跟踪场景的复杂性,为了使跟踪算法能“辨别”目标,提高跟踪算法区分目标和背景的能力,提出了一种混合表观模型跟踪算法。混合表观模型由固定表观模型、快速变化表观模型和特征基表观模型组成,能充分反映目标表观变化。其中特征基表观模型通过加权递增主成分分析方法在线更新,获得的特征基能更好地描述目标表观,提高跟踪算法“辨别”目标的能力。采用上述混合表观模型设计粒子滤波似然模型,使跟踪算法在复杂场景下更稳定,更精确。另外,在整个跟踪算法中,采用遮挡处理策略,进一步提高了跟踪算法在遮挡发生时的有效性。实验表明,所提算法在光照变化、姿态变化、部分遮挡、全部遮挡等环境下均能稳定可靠地跟踪目标,性能优于利用单一表观模型的跟踪算法。本论文的研究主要集中在单目标跟踪的应用中,但由于图像跟踪在计算机视觉领域有着广泛的应用背景,因此,本文的研究成果对于计算机视觉的其它相关应用同样具有重要的意义。
|
全文目录
摘要 3-5 ABSTRACT 5-11 缩略语和符号说明 11-13 第一章 绪论 13-28 1.1 研究背景 13-14 1.2 图像跟踪问题 14-19 1.2.1 图像跟踪概述 14-15 1.2.2 图像跟踪的应用 15 1.2.3 图像跟踪研究现状 15-19 1.3 概率跟踪方法数学描述 19-21 1.4 本文研究内容与创新点 21-24 本章参考文献 24-28 第二章 理论知识 28-50 2.1 粒子滤波理论 28-32 2.1.1 概述 28-29 2.1.2 蒙特卡洛模拟 29 2.1.3 重要性采样 29-30 2.1.4 序列重要性采样 30-31 2.1.5 建议性分布的选择 31-32 2.1.6 重采样 32 2.1.7 粒子滤波算法 32 2.2 均值偏移方法 32-41 2.2.1 核密度估计 32-37 2.2.2 均值偏移 37-41 2.3 核密度近似 41-46 2.3.1 批处理核密度近似 41-43 2.3.2 递增核密度近似 43-46 2.4 本章小结 46-47 本章参考文献 47-50 第三章 基于颜色和形状双重信息自适应融合跟踪算法 50-64 3.1 引言 50-53 3.2 双重信息融合跟踪算法 53-58 3.2.1 目标运动模型 53 3.2.2 似然模型 53-56 3.2.3 民主融合策略 56-58 3.2.4 跟踪算法 58 3.3 实验结果与分析 58-61 3.3.1 跟踪女子头部 59-60 3.3.2 多块颜色模型跟踪头部 60-61 3.4 本章小结 61-62 本章参考文献 62-64 第四章 基于均值偏移采样策略的粒子滤波跟踪算法 64-77 4.1 引言 64-65 4.2 辅助核粒子滤波跟踪算法 65-72 4.2.1 辅助粒子滤波 66 4.2.2 辅助核粒子滤波算法 66-68 4.2.3 跟踪算法实施细节 68-69 4.2.4 实验结果和分析 69-72 4.3 基于层次式采样策略的跟踪算法 72-75 4.4 本章小结 75-76 本章参考文献 76-77 第五章 基于核密度近似的自适应表观模型跟踪算法 77-89 5.1 引言 77-79 5.2 基于自适应表观模型的跟踪算法 79-81 5.2.1 目标运动模型 79 5.2.2 似然模型 79-80 5.2.3 遮挡处理 80-81 5.2.4 跟踪算法的实施 81 5.3 实验结果与分析 81-86 5.3.1 汽车跟踪结 82-83 5.3.2 光照变化下人脸跟踪 83 5.3.3 姿态变化下人脸跟踪 83-84 5.3.4 跟踪表观变化复杂的目标 84 5.3.5 跟踪一个经历频繁遮挡的人 84-85 5.3.6 跟踪地面车辆 85 5.3.7 跟踪红外目标 85-86 5.4 本章小结 86-87 本章参考文献 87-89 第六章 基于混合表观模型的跟踪算法 89-110 6.1 引言 89-91 6.2 运动模型 91 6.3 混合似然模型 91-98 6.3.1 目标观测 91 6.3.2 特征基表观模型 91-97 6.3.3 混合似然模型 97-98 6.4 遮挡处理 98-99 6.5 跟踪算法 99-102 6.5.1 粒子预测 99 6.5.2 观测模型切换 99-100 6.5.3 粒子加权 100-101 6.5.4 状态估计 101 6.5.5 重采样 101 6.5.6 整个跟踪算法流程 101-102 6.6 实验结果与分析 102-107 6.6.1 跟踪汽车 102-103 6.6.2 跟踪一个部分遮挡和姿势变化的人脸 103-104 6.6.3 跟踪严重遮挡的人脸 104-106 6.6.4 跟踪复杂背景下的人 106-107 6.6.5 跟踪红外目标 107 6.7 本章小结 107-108 本章参考文献 108-110 第七章 总结与展望 110-114 7.1 本文研究工作及创新点 110-111 7.2 研究展望 111-113 本章参考文献 113-114 致谢 114-115 攻读博士期间发表和完成的学术论文 115-117
|
相似论文
- 基于AAM的多角度人脸识别方法研究,TP391.41
- 人脸识别特征提取算法研究,TP391.41
- 基于主动表观模型的三维人脸建模技术研究,TP391.41
- 基于人脸的性别识别,TP391.41
- 基于AAM的人脸特征点定位算法研究与改进,TP391.41
- 基于ASM与AAM的人脸特征定位与匹配算法研究,TP391.41
- 基于统计模型的人脸表情识别算法的研究与应用,TP391.41
- 人脸识别技术,TP391.41
- 用于大库人脸识别的脸型分类研究,TP391.41
- 基于粗糙集与混合特征的人脸表情识别研究,TP391.41
- AAM人脸特征点定位及在表情动画中的应用,TP391.41
- 基于图编辑距离的画像识别,TP391.41
- 人脸特征提取方法研究,TP391.41
- 基于AAM的人脸特征点定位方法研究,TP391.41
- 基于ASM的人脸定位研究,TP391.41
- 基于统计模型的人脸面部特征定位方法的研究,R318
- 表情识别中预处理与人脸特征提取算法的研究,TP391.41
- 人脸面部特征定位与人脸识别方法的研究,TP391.41
- 面向人脸识别的特征定位及几何校正研究,TP391.41
- 基于选择性特征提取与多HMMs的人脸表情识别研究,TP391.41
- 基于DSP的驾驶疲劳检测系统的研究与实现,TP274.4
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|