基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

摘要

在计算机视觉领域中，运动目标跟踪是关键问题之一，其在视频监控、军事、视频编码、交通等领域有着重要而广泛的应用。视频运动目标检测与跟踪算法作为智能视频监控系统、计算机视觉等领域的核心技术之一，己经取得了诸多研究成果，很多科研工作者创造性的提出了一系列优秀的算法，但是目前仍存在许多疑难问题，有待进一步分析、研究与探讨。本文针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题，提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。
　　 本文首先对运动目标的检测与跟踪作了综合概述，对本文用到的数字图像处理的基本理论知识以及具体方法进行了详细的阐述和分析。包括如何将将彩色图像转化为灰度图像;如何去掉夹杂在图像中的噪声;运用直方图均衡化的方法增加图像的对比度;数学形态学的相关内容等方面。其次，简要介绍和讨论了几种经典的运动目标检测算法，详细介绍了本文所用的背景差分法。然后，详细阐述了该论文的核心，即粒子群算法与卡尔曼滤波的基本理论知识以及怎样将二者结合起来解决跟踪的具体算法，即利用卡尔曼滤波预测运动目标中心在下一帧中可能出现的位置，结合目标灰度统计特性，以候选区域与目标模板的相似度作为粒子群算法的适应度函数，这样就可以应用粒子群算法求一个最优解，即与目标模板最相似的运动目标中心，将这个最优解赋值给离散卡尔曼滤波器的测量更新方程中的观测值，它联合增益矩阵来修正状态一步预测值，得到当前时刻的状态滤波值，得到的状态滤波值再代入卡尔曼滤波器的测量更新方程中进行下一步的预测，这就是粒子群算法与卡尔曼滤波结合的具体方法。最后，在新算法的理论的基础上，本文借助Matlab7.0.1的环境，分别对三段来源于CAVIAR数据集的视频测试序列WalkByShoplfront、oneLeaveShopReenter2cor、OneShopOneWaitlfront进行了仿真实验，并对实验结果进行了分析。分析表明本文提出的新算法基本满足了跟踪的鲁棒性、实时性和准确性，并能处理部分遮挡以及抵抗背景因素的干扰。

目录

第一章 绪论

第二章 图像处理的基本知识

第三章 运动目标检测方法研究及仿真实验分析

第四章 基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

第五章 总结与展望

参考文献

致谢

攻读学位期间发表的学术论文目录

声明