学位论文 > 优秀研究生学位论文题录展示

复杂观测条件下的基于粒子滤波的视觉跟踪

作　者: 王其聪
导　师: 刘济林
学　校: 浙江大学
专　业: 通信与信息系统
关键词: 视觉跟踪粒子滤波卡尔曼滤波减背景高斯混合模型观测模型核密度估计均值平移遗传进化贫化问题重采样样条轮廓
分类号: TP391.41
类　型: 博士论文
年　份: 2007年
下　载: 1521次
引　用: 8次
阅　读: 论文下载

内容摘要

使用摄像机对各种场景进行监控,已经广泛深入到社会生活的方方面面。从银行和住宅小区的保安监控到市区街道和高速公路上的交通监控,从军事目标的跟踪和识别到智能武器系统,摄像机作为人类视觉的延伸,起着非常重要的作用。视觉跟踪是实现智能监控的关键技术,作为计算机视觉研究领域的核心课题之一,融合了图像处理、模式识别、人工智能、自动控制以及计算机等若干领域的先进技术,并在军事视觉制导、视频监控、机器人视觉导航、医疗诊断以及气象分析等方面都有广泛的应用。目前,基于贝叶斯推断的视觉跟踪方法成为视觉跟踪研究的主要方法之一,其思路是将目标跟踪问题转换为贝叶斯估计问题,已知目标状态的先验概率,在获得新的目标观测后不断求解目标状态的最大后验概率的过程。在实际的视觉跟踪过程中,后验概率的分布往往是非线性、非高斯、多模态的。为此,基于贝叶斯理论的粒子滤波视觉跟踪方法被提出用于解决这一问题,并且成为视觉跟踪研究中的常用方法。影响基于粒子滤波的视觉跟踪方法性能的因素主要有三个:粒子的贫化问题;可靠的观测模型;精确的运动模型。一般情况下,要从二维的被噪声污染的视频图像数据中建立精确的运动模型是相当困难的,因此,人们在解决基于粒子滤波视觉跟踪方法的鲁棒性问题时,主要是研究如何建立可靠的观测模型以及如何消除贫化问题。现实环境中的许多情况都会影响在视频图像中对运动目标的可靠观测,例如:复杂背景的干扰;同时存在多运动目标;场景中光线亮度的变化;景物遮挡;被跟踪目标的姿态改变;快速运动等等。人们希望视觉跟踪算法能够在各种复杂的情况下持续稳定的跟踪运动目标。因此,鲁棒性问题一直是视觉跟踪研究的难点和热点。本文主要针对目前视觉跟踪的难点,研究运动目标在多种复杂观测条件下的鲁棒跟踪问题,并提出相应的基于粒子滤波的解决方法。论文的创新点及主要工作包括:(1)为了解决室外复杂场景中的多目标鲁棒跟踪问题,提出了一种基于自适应目标提取的增强粒子滤波跟踪算法。首先用自适应高斯混合模型建模被监控场景的背景,并使用像素变化检测、阴影检测和形态学操作进行运动目标的自适应检测。在两阶段增强粒子滤波跟踪阶段,利用卡尔曼滤波结合最新的观测对目标状态进行更新,通过观测似然的计算实现对目标进入、退出场景以及相互遮挡事件进行处理。(2)为了解决光线变化的情况下,以及发生旋转、平移和尺度变化等姿态变化的运动目标的鲁棒跟踪问题,提出了一种基于自适应观测模型的粒子滤波跟踪算法。被跟踪对象通过概率密度的自适应高斯近似建模来适应光线变化,在计算运动目标的观测似然时,通过引入鲁棒统计处理目标的遮挡问题,并使用基于仿射变换的相似性度量方法处理目标的姿态变化。(3)为了解决目标在快速运动情况下的鲁棒跟踪问题,提出了基于遗传进化高斯核粒子滤波的跟踪算法。针对视觉跟踪中采用传统粒子滤波的缺陷,首先使用高斯核代替传统粒子滤波的狄拉克函数,并在滤波过程中内嵌重采样来减小粒子退化问题。为了进一步提高粒子滤波的性能,利用遗传进化策略改进滤波过程,提出了基于遗传进化高斯核粒子滤波的跟踪算法,不但可以防止粒子贫化问题,而且能使粒子重新分布到后验概率的局部模式上,使得只用较少的粒子数也能对快速运动的目标进行有效跟踪。(4)为了在目标姿态变化以及复杂背景下实现对目标轮廓的鲁棒跟踪,提出了一种基于改进粒子滤波的B样条轮廓跟踪算法。被跟踪对象的轮廓通过B样条建模,在形状空间中通过平面仿射变形处理目标的旋转、平移和尺度等姿态变化;通过最大似然估计方法学习得到较精确的系统运动模型,并使用非线性的观测模型计算观测似然,跟踪滤波过程中采用进行基于遗传进化的迭代重采样滤波,从而实现优于传统粒子滤波的轮廓跟踪性能。

全文目录

摘要  3-5
Abstract  5-11
第一章绪论  11-22
  1.1 论文研究背景和意义  11-13
  1.2 视觉跟踪的相关技术及其研究进展  13-18
  1.3 基于粒子滤波的视觉跟踪的难点  18-19
  1.4 本文的研究内容及主要贡献  19-20
  1.5 论文的章节安排  20-22
第二章复杂场景中的粒子滤波多目标跟踪  22-43
  2.1 引言  22-23
  2.2 减背景目标提取  23-28
    2.2.1 减背景目标提取的原理与过程  24-25
    2.2.2 背景建模方法简介  25-28
  2.3 基于自适应高斯混合模型的目标提取算法  28-33
    2.3.1 背景模型及更新  28-31
      2.3.1.1 背景颜色空间  28-29
      2.3.1.2 高斯混合背景模型  29-30
      2.3.1.3 背景更新  30-31
    2.3.2 运动目标提取  31-33
      2.3.2.1 像素变化检测  31
      2.3.2.2 阴影检测  31-32
      2.3.2.3 运动目标提取  32-33
  2.4 基于增强粒子滤波的多目标跟踪  33-38
    2.4.1 单目标跟踪  33-36
      2.4.1.1 基于概率推断的目标跟踪过程  33-34
      2.4.1.2 卡尔曼滤波  34
      2.4.1.3 粒子滤波  34-35
      2.4.1.4 基于增强粒子滤波的目标跟踪  35-36
    2.4.2 多目标跟踪  36-38
      2.4.2.1 多目标观测  36-37
      2.4.2.2 新目标进入场景  37
      2.4.2.3 目标退出场景  37-38
      2.4.2.4 遮挡处理  38
  2.5 实验结果及讨论  38-41
  2.6 本章小结  41-43
第三章目标表面变化时的粒子滤波跟踪  43-67
  3.1 引言  43-44
  3.2 特征空间分析方法  44-49
    3.2.1 概率密度估计  44-47
      3.2.1.1 核概率密度估计  45
      3.2.1.2 直方图密度估计  45-47
    3.2.2 均值平移  47-49
  3.3 基于不变目标表面模型的视觉跟踪  49-54
    3.3.1 目标的概率密度表面模型  49-51
    3.3.2 相似性度量  51-52
    3.3.3 基于均值平移的视觉跟踪  52-53
    3.3.4 基于不变观测模型的粒子滤波视觉跟踪  53-54
  3.4 基于自适应观测模型的粒子滤波视觉跟踪  54-61
    3.4.1 基于均值平移的局部模式搜索  55-56
    3.4.2 自适应目标表面概率模型  56-58
    3.4.3 观测似然  58-59
    3.4.4 遮挡处理  59-60
    3.4.5 基于自适应观测模型的粒子滤波视觉跟踪  60-61
  3.5 实验结果及分析  61-65
  3.6 本章小结  65-67
第四章快速运动目标的粒子滤波跟踪  67-83
  4.1 引言  67-69
  4.2 传统粒子滤波的采样算法  69-72
    4.2.1 所用的粒子数  69
    4.2.2 序列重要性采样滤波  69-71
    4.2.3 采样重要性重采样滤波  71-72
  4.3 基于高斯核粒子滤波的目标跟踪  72-75
    4.3.1 高斯核粒子滤波  72-73
    4.3.2 跟踪算法流程  73-75
  4.4 基于遗传进化高斯核粒子滤波的快速目标跟踪  75-78
    4.4.1 遗传算法  75-76
    4.4.2 遗传进化高斯核粒子滤波  76-78
  4.5 实验结果及讨论  78-82
  4.7 本章小结  82-83
第五章复杂情况下的粒子滤波轮廓跟踪  83-103
  5.1 引言  83-84
  5.2 轮廓线的B样条曲线表达  84-90
    5.2.1 B样条基函数  84-85
    5.2.2 B样条函数的范数和内积  85-87
    5.2.3 B样条参数曲线  87
    5.2.4 控制点向量  87-88
    5.2.5 形状空间  88-89
    5.2.6 B样条参数曲线的内积和范数  89-90
  5.3 基于随机方法的轮廓跟踪  90-92
    5.3.1 基于卡尔曼滤波器的视觉轮廓跟踪  90-91
    5.3.2 基于无迹卡尔曼滤波器的视觉轮廓跟踪  91-92
    5.3.3 基于粒子滤波的视觉轮廓跟踪  92
  5.4 基于改进粒子滤波的B样条轮廓跟踪  92-97
    5.4.1 运动模型的学习  93-94
    5.4.2 观测模型  94-95
    5.4.3 跟踪算法流程  95-97
  5.5 实验结果及讨论  97-102
  5.6 本章小结  102-103
第六章总结与展望  103-106
  6.1 本文工作总结  103-104
  6.2 研究展望  104-106
参考文献  106-121
作者攻读博士期间完成的论文  121-123
致谢  123

复杂观测条件下的基于粒子滤波的视觉跟踪

内容摘要

全文目录

相似论文