基于粒子滤波的视觉目标跟踪算法研究

摘要

视觉跟踪是计算机视觉领域的核心问题之一，在军事、监测、生产控制、生物医学等方面有着广阔的市场前景。随着市场需求的增长，视觉跟踪技术特别是其核心算法得到了迅速地发展。诸多算法中，粒子滤波以其解决非线性非高斯问题的独特优势得到了研究人员的特别关注。随着近年来计算成本的迅速降低，粒子滤波逐渐摆脱了计算量过大的困扰，成为视觉跟踪中的主流算法。本文对粒子滤波算法进行了深入研究，并根据视觉跟踪中常出现的问题，优化和改进了粒子滤波算法。主要研究内容如下:
　　 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，算法中利用颜色、纹理和边缘信息描述目标，通过自适应融合策略将信息融合在一起，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、遮挡等情形下都能成功地跟踪目标。
　　 第二，粒子滤波方法虽然具有优异的跟踪性能，但是该算法也存在着一些缺点，最典型的缺点是运算量大和粒子的退化问题，以及采用传统的重采样之后又出现的粒子多样性减弱问题。针对上述问题，本文提出基于小生境遗传算法的粒子滤波算法，在该算法中，粒子滤波和Mean Shift同步进行目标跟踪，在Mean Shift跟踪结果附近采样粒子，并求其权值，与粒子滤波算法采样的粒子合并为粒子集，在重采样部分对该粒子集进行小生境遗传操作，提高粒子的多样性，避免粒子退化。由于Mean Shift运算量少，易实现等优点，减少了处理时间，且在Mean Shift附近采样的粒子考虑到了当前的观测信息，比较接近目标的真实状态。实验结果表明，基于小生境遗传算法的粒子滤波仅需要较少的粒子就可以实现状态的精确估计，实时性好。

目录

声明

摘要

第一章 绪论

1．1 本文研究背景及其意义

1．2 视觉跟踪研究现状

1．3 粒子滤波在运动目标跟踪中的研究现状

1．4 粒子滤波面临的挑战

1．5 本文主要内容及章节安排

第二章 粒子滤波基础理论知识

2．1 引言

2．2 贝叶斯滤波原理

2．2．1 概述

2．2．2 最优贝叶斯滤波

2．3 粒子滤波原理

2．3．1 贝叶斯重要性采样

2．3．2 序列重要性采样

2．3．3 建议分布的选择

2．3．4 重采样

2．3．5 粒子滤波算法流程

2．4 本章小结

第三章 基于多特征自适应融合的粒子滤波算法

3．1 引言

3．2 目标数学模型

3．2．1 状态模型

3．2．2 状态转移模型

3．2．3 观测模型

3．3 似然模型

3．4 多特征信息融合

3．5 似然函数噪声更新

3．6 算法流程

3．7 实验及结果分析

3．8 本章小结

第四章 基于小生境遗传算法的粒子滤波算法

4．1 引言

4．2 Mean Shift理论

4．2．1 基本Mean Shift

4．2．2 扩展Mean Shift

4．2．3 Mean Shift 在视频跟踪中的应用

4．3 遗传算法的基本原理及实现过程

4．3．1 遗传算法基本原理

4．3．2 遗传算法实现过程

4．4 小生境概念的遗传算法

4．5 基于小生境遗传算法的粒子滤波算法

4．6 实验结果分析

4．7 本章小结

第五章 总结与展望

5．1 本文工作总结

5．2 研究与展望

参考文献

致谢

攻读学位期间的主要研究成果