基于均值移動(dòng)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(jì)算機(jī)視覺(jué)領(lǐng)域的重點(diǎn)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(yùn)動(dòng)分析、智能交通管理、人機(jī)接口交互、軍事機(jī)器人視覺(jué)等領(lǐng)域。目標(biāo)跟蹤是對(duì)視頻圖像序列中的運(yùn)動(dòng)目標(biāo)利用模式識(shí)別、圖像處理等相關(guān)技術(shù)進(jìn)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(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)，如目標(biāo)質(zhì)心、速度、運(yùn)動(dòng)軌跡等，為視頻運(yùn)動(dòng)分析和場(chǎng)景分析提供一定的數(shù)據(jù)來(lái)源，進(jìn)而實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的行為理解，以完成更高一級(jí)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(cuò)、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(jì)算機(jī)視覺(jué)研究領(lǐng)域的難題。盡管國(guó)內(nèi)外的學(xué)者對(duì)該領(lǐng)域進(jìn)行了廣泛深入的研究，同時(shí)也提出了很多解決方法，但仍然有許多關(guān)鍵問(wèn)題沒(méi)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(duì)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(dòng)算法中的關(guān)鍵技術(shù)進(jìn)行了研究。以解決均值移動(dòng)和粒子濾波兩種算法的缺點(diǎn)為主線，以對(duì)復(fù)

3、雜場(chǎng)景條件下遮擋等問(wèn)題的處理和多特征融合為輔線，重點(diǎn)研究了均值移動(dòng)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(wèn)題、粒子濾波用于多目標(biāo)跟蹤等問(wèn)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(dòng)目標(biāo)跟蹤
　　 提出用空間相關(guān)背景加權(quán)直方圖對(duì)目標(biāo)進(jìn)行建模，設(shè)計(jì)出了基于空間相關(guān)背景加權(quán)直方圖的均值移動(dòng)跟蹤算法，首先給出新算法詳細(xì)的推導(dǎo)和證明過(guò)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(dòng)態(tài)更新方法以提高背景環(huán)境有很大變化時(shí)跟蹤的精確性，使跟蹤不過(guò)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(dòng)算法中，進(jìn)一步解決目標(biāo)和背景或遮擋物顏色相近時(shí)出現(xiàn)的跟蹤失敗或誤跟蹤問(wèn)題，同時(shí)克服了均值移動(dòng)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(wèn)題。最后在實(shí)際的視頻序列數(shù)據(jù)中進(jìn)行測(cè)試、分析和對(duì)比，以驗(yàn)證跟蹤算法的魯棒性。實(shí)驗(yàn)表明，與傳統(tǒng)的均值移動(dòng)跟蹤方法和空間直方圖均值移動(dòng)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(duì)具有較長(zhǎng)時(shí)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(wèn)題上，均取得了較好的實(shí)驗(yàn)結(jié)果。
　　 (2)均值移動(dòng)優(yōu)化的粒子濾波目標(biāo)跟蹤
　　 針對(duì)粒子濾波器的退化問(wèn)題，通過(guò)引入均值移動(dòng)算法對(duì)粒子進(jìn)行有效傳播，各種優(yōu)化機(jī)制整合在兩種算法中實(shí)現(xiàn)對(duì)粒子有效分散和聚類，減少了粒子集，提高了粒子濾波的計(jì)算和采樣效率。在粒子傳播過(guò)程中，用具有大小和尺度自適應(yīng)的均值移動(dòng)優(yōu)化每個(gè)粒子的位置和方向，初步解決退化問(wèn)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(jìn)一步使退化問(wèn)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(jìn)行測(cè)試，實(shí)驗(yàn)表明，這種多特征融合的均值移動(dòng)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(wèn)題得到了有效解決，取得了明顯的改進(jìn)。
　　 (3)Adaboost檢測(cè)和混合

7、粒子濾波相融合的多目標(biāo)跟蹤
　　 針對(duì)粒子濾波多目標(biāo)跟蹤時(shí)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(zhǎng)問(wèn)題，設(shè)計(jì)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(wèn)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(shí)現(xiàn)混合粒子濾波的過(guò)程，通過(guò)混合權(quán)值的計(jì)算實(shí)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(dòng)態(tài)模型和Adab

8、oost檢測(cè)信息合并成的混合觀測(cè)似然函數(shù)，融入Adaboost建議密度后算法能快速的檢測(cè)進(jìn)入場(chǎng)景的目標(biāo)而粒子濾波過(guò)程則能保持個(gè)體目標(biāo)的有效跟蹤，多特征的融合同時(shí)能有效的估計(jì)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(shí)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(duì)算法進(jìn)行測(cè)試，實(shí)驗(yàn)表明，算法對(duì)數(shù)目確定或數(shù)目變化的多目標(biāo)能實(shí)現(xiàn)有效跟蹤。
　　 (4)

9、改進(jìn)的粒子濾波多目標(biāo)跟蹤
　　 針對(duì)粒子濾波多目標(biāo)跟蹤中數(shù)據(jù)關(guān)聯(lián)和估計(jì)問(wèn)題，在粒子濾波和Gibbs采樣框架下對(duì)多目標(biāo)進(jìn)行研究。首先在給定幾個(gè)觀測(cè)過(guò)程時(shí)把經(jīng)典粒子濾波擴(kuò)展成多目標(biāo)狀態(tài)過(guò)程的估計(jì)。然后從隨機(jī)性這個(gè)角度考慮數(shù)據(jù)關(guān)聯(lián)，用Gibbs采樣作為估計(jì)和分配關(guān)聯(lián)向量的主要方法，即通過(guò)粒子集表示目標(biāo)狀態(tài)的聯(lián)合后驗(yàn)分布，目標(biāo)狀態(tài)向量和關(guān)聯(lián)概率被聯(lián)合估計(jì)不用經(jīng)過(guò)列舉，修剪、門(mén)限等運(yùn)算，避免了合并的弊端。在純方位目標(biāo)和實(shí)際的視頻序列中對(duì)算