三维环境下参数自适应粒子滤波目标跟踪算法研究

摘要

近年来，随着计算机存储成本的下降以及在市场上越来越广阔的应用前景，运动目标跟踪已经成为计算机视觉领域研究的热点问题;低成本点云(RGBD)获取设备也大量出现在市场中，与普通二维图像相比，点云图像包含了深度信息，并且不受光照的影响，常常被用于运动目标检测与跟踪的研究中。因此，三维环境下运动目标跟踪的研究，具有更加重要的意义。为了实现三维环境下实时多目标跟踪，本文首先设计了一套3D点云单目标跟踪系统，采用了KLD粒子滤波算法对目标进行跟踪，该算法中下采样滤波参数的设置与跟踪目标尺寸密切相关，最大粒子数目、距离阈值和小区域阈值等参数的选取与目标点云数目具有非常重要的关系，这些参数设置的不合适，会导致跟踪效果很差甚至是失败。在单目标跟踪系统上，通过大量实验研究不同尺寸物体的参数选取规则，得出参数设置的正确顺序和规则，从而设计了一种参数自适应粒子滤波算法。该算法能根据目标自动调整参数的值，对每个跟踪目标都能达到较好的跟踪效果，实现三维环境下多目标跟踪。
　　本研究主要内容包括：⑴运动目标跟踪系统中，需要对当前场景进行分割，确定目标的初始位置。提出了一种基于颜色和法向量的区域生长分割算法，通过分割单元邻域关系和RANSAC算法解决过得分割和分割不足问题，实现了目标分割。⑵目标分割后，提取目标颜色和距离两个特征，建立相似性度量函数，用于更新KLD粒子滤波算法中粒子的权值，实现了三维环境下基于KLD粒子滤波算法的单目标跟踪。⑶在单目标跟踪系统下，通过大量的实验分析参数与跟踪目标的关系，得出了参数设置的正确顺序和取值规则。由此设计了一种基于参数自适应粒子滤波算法，实现了多目标跟踪，提高了目标跟踪精度，减少了目标跟踪时间。

目录

声明

摘要

1．1 课题背景及意义

1．2 运动目标检测与跟踪国内外研究现状

1．3 本文的主要工作内容

1．4 章节安排

第二章 目标跟踪相关技术

2．1 目标跟踪概述

2．2 目标特征提取

2．3 相似性度量算法

2．4 卡尔曼滤波

2．5 粒子滤波

2．5．1 蒙特卡洛方法

2．5．2 重要性重采样

2．5．3 序列重要性重采样

2．5．4 粒子滤波基本算法流程

2．6 粒子滤波与卡尔曼滤波仿真结果分析及结论

2．7 本章小结

第三章 三维环境下单目标跟踪

3．1 单目标跟踪系统

3．1．1 开源点云数据处理平台PCL简介

3．1．2 深度图像数据重建

3．1．3 数据预处理算法

3．1．4 估计点云图像表面法向量

3．2 基于颜色和法向量区域生长分割算法

3．2．1 算法描述

3．2．2 目标分割结果

3．3 KLD粒子滤波算法实现单目标跟踪

3．3．1 KLD粒子滤波算法

3．3．2 单目标跟踪算法实现

3．4 本章小结

第四章 参数自适应粒子滤波跟踪算法

4．1 参数对跟踪性能的影响及选取规则

4．1．1 下采样参数

4．1．2 最大粒子数目

4．1．3 概率阈值

4．1．4 小区域阈值

4．1．5 距离阈值

4．2 参数自适应粒子滤波算法中参数设置方法

4．3 参数自适应粒子滤波算法目标跟踪

4．4 本章小结

第五章 目标跟踪平台设计与测试

5．1 实验平台

5．2 单目标跟踪性能测试

5．3 跟踪性能比较

5．4 多目标跟踪结果测试

5．5 本章小结

6．1 全文总结

6．2 后续工作展望

致谢

参考文献

攻读硕士学位期间发表的论文

攻读硕士学位期间参加的科研项目