基于粒子滤波和活动轮廓模型的目标跟踪算法研究

摘要

长期以来，人们为了简化系统建模以及降低运算的复杂性，通常将非线性问题近似为线性问题来处理，然而非线性科学以及各种其他学科的发展证明这种线性化的方法并不总是适用的。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型表示的非线性系统，以及传统卡尔曼滤波无法表示的非线性系统，精度可以逼近最优估计。
　　 将粒子滤波应用于活动轮廓模型目标跟踪领域，目前这方面的研究成果国内外还较少。研究基于粒子滤波和活动轮廓模型的目标跟踪算法，对智能交通系统中的目标检测与跟踪，以及对拓展活动轮廓模型的应用范围等，不仅具有重要的理论意义，而且具有较高的应用价值。
　　 本论文着重研究了基于粒子滤波和活动轮廓模型的目标跟踪算法。在论文最后一章，将粒子滤波应用于认知无线电系统，研究了基于粒子滤波的自回归信道预测模型，可应用于认知无线电系统中的频谱空洞检测、自适应功率控制等。主要内容包括：
　　 (1)基于视频的目标检测与跟踪算法研究概述。首先介绍了交通检测系统，研究讨论了常用的目标检测算法，基于模型的目标检测算法；目标跟踪的基本类型，基于模板匹配、卡尔曼滤波和粒子滤波的目标跟踪的主要数学工具。在此基础上，研究讨论了粒子滤波原理：活动轮廓模型目标跟踪，重点分析了参数活动轮廓模型的梯度矢量流模型(GVF)，以及几何活动轮廓模型中的Chan-Vese(C-V)模型，讨论了活动轮廓模型目标跟踪研究现状。
　　 (2)研究了一种基于粒子滤波和GVF-Snake的自适应目标跟踪算法。该算法首先采用背景差分法获取目标初始轮廓，利用改进的GVF-Snake的强大搜索能力，使Snake收敛至运动目标的真实轮廓；然后根据控制点的距离增删控制点，达到自适应地跟踪运动和变形目标的目的；最后通过结合粒子滤波和改进的GVF-Snake，得到一种能量粒子滤波(EPF)目标跟踪算法，并利用提出的跟踪策略，改进其抗遮挡能力。实验结果表明，被跟踪目标在部分遮挡情况下也能够保持良好的跟踪效果。
　　 (3)在基于粒子滤波和GVF-Snake的目标跟踪算法研究的基础上，研究了一种基于改进的K均值聚类能量粒子滤波和GVF-Snake的自适应多目标跟踪算法。讨论了K均值聚类算法，结合粒子滤波和GVF-Snake提出了改进的K均值算法，并提出了克服跟踪过程中目标间相互遮挡的方法。实验表明：在整个跟踪过程中，本文算法能够充分利用GVF-Snake目标轮廓大部分没有被遮挡的轮廓点信息，并使得被跟踪目标在部分遮挡情况下也能保持良好的跟踪效果。
　　 (4)本论文最后一章为粒子滤波在认知无线电系统的应用研究。研究了一种基于粒子滤波的自回归信道预测模型，可用于认知无线电系统。讨论了系统模型，并采用p阶AR模型近似平坦瑞利衰落信道，并讨论了p阶AR模型的平稳性，给出了求解AR模型参数的算法。在此基础上，针对二阶AR模型，给出了一种基于粒子滤波和二阶AR模型的自回归信道预测模型。仿真实验表明，基于粒子滤波的自回归信道预测模型比卡尔曼滤波具有更好的性能。