基于粒子滤波的动态场景目标跟踪算法

摘要

视频中的运动目标跟踪是计算机视觉领域中最富有挑战性的课题之一，它在智能监控、武器装备、自主导航车、医学诊断、视频编码和气象分析等众多领域中都有着广阔的研究和应用前景。拍摄视频过程中基于摄像机是否运动可以将运动目标跟踪分为两种情况：一种是相机静止不动的静态场景，一种是由于摄像机发生运动或是抖动而产生的动态场景。其中动态场景中的背景不断变化、场景中的光照变化、目标形变和目标遮挡等是运动目标跟踪的主要困难。针对这些因素的影响，本文从目标的特征提取、特征融合方法进行改进并结合粒子滤波算法实现了对动态自然场景下的运动目标跟踪。
　　本文首先介绍了两种经典算法，即Meanshift和粒子滤波算法，并分别分析比价了它们的优缺点并最终采用粒子滤波算法。为了解决自然场景中光照变化、背景与目标颜色相似和目标部分遮挡等跟踪问题，本文提出了一种加权分块环形颜色直方图特征的提取方法。该方法首先对运动目标进行分块环形分割，分别提取分割区域的颜色直方图特征，根据区域中运动目标与背景像素个数的比例来对该区域进行加权。将该特征与HOG特征进行融合应用到粒子滤波算法中。
　　针对粒子滤波跟踪算法中目标漂移，导致跟踪失败的问题，本文提出了一种基于SVM评分的参考目标模板更新策略。该方法首先要离线训练基于HOG特征的行人SVM分类器，在得到输出跟踪目标坐标后，提取该区域的HOG特征并将该特征输入到分类器中，计算其到分类面的距离作为评分判断，若大于阈值且该区域与参考模型的直方图特征的巴氏距离小于阈值则更新参考模板，否则不更换；针对运动过程中目标尺度发生变化这一问题，本文在得到输出运动目标后，对该区域进行扩大和缩小，分别提取这三个区域的HOG特征计算其与参考目标模型HOG特征的巴氏距离，取其中距离最近者的尺寸更新所有粒子，然后继续进行粒子滤波算法的下一步。
　　论文的实验采用Windows系统实现：采用Visual Studio2010和OpenCV2.3.11作为编写程序的平台；在实验过程中，共采用了5段实验视频，其中1段来自于自拍视频，4段来自于国际通用的标准测试视频，本文用于作对比测试结果的目标跟踪算法的参数都与原文献中提供的实验参数一致，实验表明本文方法在背景变化、光照变化、运动目标尺寸变化、背景颜色相似和目标部分遮挡情况下具有较好的准确性和鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

1 引言

1.1研究背景与意义

1.2目标跟踪概述

1.3目标跟踪技术难点

1.4主要工作

1.5 章节安排

2经典运动目标跟踪算法

2.1MeanShift算法的基本原理

2.2 粒子滤波

2.3本章小结

3颜色直方图特征

3.1 颜色空间

3.2 环形颜色直方图

3.3 加权分块环形颜色直方图

3.4加权分块环形颜色直方图的提取

3.5本章小结

4 HOG特征和SVM支持向量机

4.1 HOG特征

4.2 SVM支持向量机分类器

4.3离线SVM分类器的训练

4.4 本章小结

5 目标跟踪系统实现

5.1 基于加权分块环形颜色直方图的粒子滤波跟踪系统

5.2 实验结果及分析

5.3本章小结

6总结与展望

6.1 研究总结

6.2 研究展望

致谢

参考文献