粒子滤波技术在目标识别中的应用及其VC软件开发研究

摘要

随着经济的不断发展和交通量的持续增长，自主驾驶与辅助导航逐渐成为目前智能车辆领域的一个热点。作为一个集环境感知、规划决策、自动驾驶等多种功能于一体的综合系统，智能车辆能够提高车辆行驶的安全性、舒适性、达到提高交通效率、改善交通环境的目的。 本文通过对粒子滤波算法基本理论的分析和对该算法存在的问题的研究，详细阐述了序列重要性重采样算法和进化粒子滤波算法，分析了上述各种滤波方法的优缺点，并于最后通过对粒子滤波算法所存在的粒子数匮乏和粒子多样性丧失问题的分析以及鉴于减少运算量和满足实时性的考虑，针对智能车辆技术的视觉导航部分中的目标识别问题提出了一种基于新的采样方法的粒子滤波算法，并应用到目标识别系统中。整个目标识别系统的实现过程如下：首先利用图像处理技术对双目视频图像进行数据净化处理，以缩减数据量、获得目标所在区域的位置信息。然后根据障碍物的面特征，通过光流法或v—视差法检测前方路面上的目标，获得目标的位置、尺寸和灰度等信息。根据前面得到的目标信息作为初始值，选取适当数目的粒子，用粒子滤波技术进行目标跟踪，最终取得目标的实时位置和运动轨迹。本研究提出了一种改进的基于粒子滤波的运动目标跟踪算法。在理论算法研究的基础上，搭建了目标识别实验平台，进行了大量实验。文中给出了详细的算法思路及流程图，并对实验结果进行了分析。对观测结果的分析可以得出结论：本文基于粒子滤波的的图像运动目标识别系统具有良好的实时性，能够正确的进行运动物体的实时检测和跟踪，并具有一定的鲁棒性。

目录

文摘

英文文摘

声明

第1章引 言

1.1课题研究的目的和意义

1.2智能车辆研究的历史和现状

1.3目标跟踪研究的历史和现状

1.4本文的组织结构

第2章目标检测算法研究

2.1目标检测原理

2.2常用目标检测算法

2.2.1帧间差分法

2.2.2背景差分法

2.2.3光流法

2.2.4双目立体匹配

第3章目标跟踪算法研究

3.1目标跟踪原理

3.1.1基于区域的跟踪

3.1.2基于特征的跟踪

3.1.3基于变形模板的跟踪

3.1.4基于模型的跟踪

3.2贝叶斯最优估计

3.3卡尔曼滤波

3.3.1卡尔曼滤波的起源与发展

3.3.2离散卡尔曼滤波

3.3.3扩展卡尔曼滤波

3.4蒙特卡罗方法

3.5粒子滤波

3.5.1基本原理

3.5.2退化现象

3.6粒子滤波的改进算法

3.6.1序列重要性重采样滤波

3.6.2辅助粒子滤波

3.6.3正则粒子滤波

3.6.4高斯粒子滤波

第4章算法设计

4.1基于粒子滤波的运动目标跟踪

4.1.1确定运动模型

4.1.2目标的先验知识

4.1.3系统状态转移

4.1.4系统观测

4.1.5计算后验概率

4.1.6重采样

4.2粒子滤波跟踪算法的VC实现

第5章实验结果及分析

5.1粒子滤波跟踪效果图展示及分析

5.1.1近处目标跟踪效果

5.1.2远处目标跟踪效果

5.2实验小结

第6章总结与展望

6.1总结

6.2展望

参考文献

作者在攻读硕士学位期间发表的学术论文

致 谢