基于机器视觉的运动目标实时跟踪算法研究

摘要

随着计算机技术及数字图像处理技术的快速发展，基于视频序列的运动目标跟踪是目前研究的热点，它包括模式识别，计算机视觉，人工智能等技术，已被广泛的应用于各个领域。目前，基于滤波理论的运动目标跟踪算法备受关注。卡尔曼滤波算法（Kalman Filter, KF）经常被用来预测运动物体的位置及其它特征数据，且该算法在线性系统中能取得较好的跟踪效果。但是当运动物的状态发生剧烈变化时, KF算法会产生较大的预测误差，有时候可能导致滤波发散的情况。针对KF算法只适用于线性系统的局限，出现了扩展卡尔曼滤波（Extended Kalman Filter, EKF)。虽然EKF较KF局限性有所下降，可以应用非线性系统，但EKF只适用于弱非线性系统，在强非线性系统中, EKF算法的性能是及其不稳定的。因此，提高KF与EKF的滤波精度具有重要的理论与实际意义。
　　针对以上，本文就当运动目标状态发生突变时，基于KF滤波算法及EKF滤波算法跟踪效果不理想的情况做了进一步研究和改进。具体研究内容如下：
　　（1）深入研究了KF滤波算法及多新息理论，提出了基于多新息理论卡尔曼滤波算法（multi-innovation Kalman Filter，MI-KF）。MI-KF滤波算法除了考虑系统目标当前时刻的状态信息外，还考虑了前面时刻运动目标所包含的运行信息，使得 MI-KF在运动目标检测的应用中预测精度得到了提高，特别是当运动目标状态突变的情况下，预测效果更好。应用逼近理论证明了本文提出的MI-KF滤波算法的收敛性。最后，分别从曲线模拟和视频序列跟踪两个方面进行算法仿真研究，结果表明，本文改进的MI-KF较标准的KF在跟踪方面预测精度更高。
　　（2）针对标准的EKF在强非线性系统中估计精度较低的问题，结合多新息理论，提出了扩展卡尔曼滤波算法（MI-EKF）。MI-EKF在标准EKF的基础上增加了新息的数量，考虑了目标运动过程中的多步运动信息，从而在很大程度上提高了算法的滤波精度。在算法的仿真研究中，分别采用两个新息和三个新息对MI-EKF算法进行验证，并对结果进行了分析。
　　（3）通过实际课题，搭建基于机器视觉的远程伺服控制系统软、硬件平台。结合PLC、伺服电机等硬件设备和网际组态软件WebAccess实现了伺服电机的远程控制。在系统中，运动目标跟踪采用本文提出的MI-KF算法。通过实际应用验证，本文所提改进算法能够达到工程应用要求。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1论文选题依据、研究背景及意义

1.2 相关领域国内外发展现状

1.3 论文主要研究内容及安排

1.4 本章小结

2 运动目标检测、跟踪理论和方法

2.1 运动目标检测理论及方法

2.2运动目标跟踪滤波理论及方法

2.3 本章小结

3 基于多新息理论的卡尔曼滤波改进算法

3.1 多新息辨识理论

3.2 多新息Kalman滤波算法

3.3 仿真结果与分析

3.4 本章小结

4 基于多新息理论的扩展卡尔曼滤波改进算法

4.1多新息扩展卡尔曼滤波算法（MI-EKF）

4.2仿真结果与分析

4.3 本章小结

5. 机器视觉远程伺服控制系统软、硬件平台研究

5.1 机器视觉伺服控制系统总体设计

5.2 控制模块实现

5.3 报警模块实现

5.4 系统具体实例

5.5 本章小结

6.总结与展望

6.1 全文总结

6.2 未来工作展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢