基于均值移動和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、視頻圖像序列目標(biāo)跟蹤是計算機視覺領(lǐng)域的重點研究課題之一，正日益廣泛地應(yīng)用到安全防范、智能視頻監(jiān)控、人體運動分析、智能交通管理、人機接口交互、軍事機器人視覺等領(lǐng)域。目標(biāo)跟蹤是對視頻圖像序列中的運動目標(biāo)利用模式識別、圖像處理等相關(guān)技術(shù)進行處理和分析，找到所感興趣的目標(biāo)所處的位置，最終獲得運動目標(biāo)的運動參數(shù)，如目標(biāo)質(zhì)心、速度、運動軌跡等，為視頻運動分析和場景分析提供一定的數(shù)據(jù)來源，進而實現(xiàn)對運動目標(biāo)的行為理解，以完成更高一級的任務(wù)。視頻中存在

2、復(fù)雜的背景環(huán)境、目標(biāo)姿態(tài)變化、目標(biāo)相互遮擋和交錯、光照和氣候變化等眾多干擾因素，這些均使目標(biāo)跟蹤成為計算機視覺研究領(lǐng)域的難題。盡管國內(nèi)外的學(xué)者對該領(lǐng)域進行了廣泛深入的研究，同時也提出了很多解決方法，但仍然有許多關(guān)鍵問題沒有得到有效的處理，迫切需要更加成熟穩(wěn)健的跟蹤技術(shù)和方法。
　　 本文針對視頻圖像序列目標(biāo)跟蹤中受研究人員高度重視的粒子濾波和均值移動算法中的關(guān)鍵技術(shù)進行了研究。以解決均值移動和粒子濾波兩種算法的缺點為主線，以對復(fù)

3、雜場景條件下遮擋等問題的處理和多特征融合為輔線，重點研究了均值移動算法中目標(biāo)的建模方法，粒子濾波目標(biāo)跟蹤中的退化問題、粒子濾波用于多目標(biāo)跟蹤等問題。論文的主要工作有：
　　 (1)基于空間相關(guān)背景加權(quán)直方圖均值移動目標(biāo)跟蹤
　　 提出用空間相關(guān)背景加權(quán)直方圖對目標(biāo)進行建模，設(shè)計出了基于空間相關(guān)背景加權(quán)直方圖的均值移動跟蹤算法，首先給出新算法詳細(xì)的推導(dǎo)和證明過程，以及用空間相關(guān)背景加權(quán)直方圖如何描述目標(biāo)外觀。其次，提出背景

4、模型的動態(tài)更新方法以提高背景環(huán)境有很大變化時跟蹤的精確性，使跟蹤不過分依賴于目標(biāo)的初始定位。然后將特征融合思想引入均值移動算法中，進一步解決目標(biāo)和背景或遮擋物顏色相近時出現(xiàn)的跟蹤失敗或誤跟蹤問題，同時克服了均值移動單一顏色特征缺乏空間信息和易受光照等外界環(huán)境影響等問題。最后在實際的視頻序列數(shù)據(jù)中進行測試、分析和對比，以驗證跟蹤算法的魯棒性。實驗表明，與傳統(tǒng)的均值移動跟蹤方法和空間直方圖均值移動跟蹤相比，本文提出的算法在初始目標(biāo)定位不準(zhǔn)確

5、的情況下，對具有較長時間以及和被跟蹤目標(biāo)顏色相近背景物的嚴(yán)重遮擋等問題上，均取得了較好的實驗結(jié)果。
　　 (2)均值移動優(yōu)化的粒子濾波目標(biāo)跟蹤
　　 針對粒子濾波器的退化問題，通過引入均值移動算法對粒子進行有效傳播，各種優(yōu)化機制整合在兩種算法中實現(xiàn)對粒子有效分散和聚類，減少了粒子集，提高了粒子濾波的計算和采樣效率。在粒子傳播過程中，用具有大小和尺度自適應(yīng)的均值移動優(yōu)化每個粒子的位置和方向，初步解決退化問題。不確定性權(quán)值自

6、適應(yīng)調(diào)整算法使粒子自適應(yīng)更新權(quán)值，權(quán)值更新中又結(jié)合多特征融合的有效方法，使目標(biāo)外觀模型得到了更好的描述，進一步使退化問題得到有效解決。為適應(yīng)復(fù)雜背景環(huán)境，算法又輔以相應(yīng)的模板更新策略。在具有相似背景、相似背景物的遮擋以及目標(biāo)有較大尺度變化等不同跟蹤條件的視頻數(shù)據(jù)上進行測試，實驗表明，這種多特征融合的均值移動優(yōu)化粒子濾波算法與現(xiàn)有的粒子濾波方法相比，退化問題得到了有效解決，取得了明顯的改進。
　　 (3)Adaboost檢測和混合

7、粒子濾波相融合的多目標(biāo)跟蹤
　　 針對粒子濾波多目標(biāo)跟蹤時如何連續(xù)維持目標(biāo)分配的多種模態(tài)，以及如何控制多模式的增長問題，設(shè)計了非參數(shù)化遞歸模型的混合粒子濾波。算法能較好的保持和有效處理多模式問題，在標(biāo)準(zhǔn)粒子濾波失效的地方保持固有的多模態(tài)，有利的解決了在非約束性跟蹤應(yīng)用中的很多難題。首先給出由蒙特卡羅推導(dǎo)遞歸實現(xiàn)混合粒子濾波的過程，通過混合權(quán)值的計算實現(xiàn)粒子間的相互關(guān)聯(lián)。其次，在跟蹤算法中，構(gòu)造了由多特征相融合的動態(tài)模型和Adab

8、oost檢測信息合并成的混合觀測似然函數(shù)，融入Adaboost建議密度后算法能快速的檢測進入場景的目標(biāo)而粒子濾波過程則能保持個體目標(biāo)的有效跟蹤，多特征的融合同時能有效的估計目標(biāo)外觀有較大變化的樣本。第三，為了克服模型漂移現(xiàn)象，提出使用交換概率主成分分析的模板更新方法，使目標(biāo)在背景復(fù)雜多變時穩(wěn)定跟蹤。在剛性、非剛性以及數(shù)目變化的多目標(biāo)視頻序列中對算法進行測試，實驗表明，算法對數(shù)目確定或數(shù)目變化的多目標(biāo)能實現(xiàn)有效跟蹤。
　　 (4)

9、改進的粒子濾波多目標(biāo)跟蹤
　　 針對粒子濾波多目標(biāo)跟蹤中數(shù)據(jù)關(guān)聯(lián)和估計問題，在粒子濾波和Gibbs采樣框架下對多目標(biāo)進行研究。首先在給定幾個觀測過程時把經(jīng)典粒子濾波擴展成多目標(biāo)狀態(tài)過程的估計。然后從隨機性這個角度考慮數(shù)據(jù)關(guān)聯(lián)，用Gibbs采樣作為估計和分配關(guān)聯(lián)向量的主要方法，即通過粒子集表示目標(biāo)狀態(tài)的聯(lián)合后驗分布，目標(biāo)狀態(tài)向量和關(guān)聯(lián)概率被聯(lián)合估計不用經(jīng)過列舉，修剪、門限等運算，避免了合并的弊端。在純方位目標(biāo)和實際的視頻序列中對算