基于隨機有限集的視頻目標跟蹤算法研究.pdf

1、視頻目標跟蹤是指對圖像序列中感興趣的目標進行有效跟蹤并估計目標狀態(tài)參數(shù)，如位置、速度、尺寸等，以完成更高一級的任務，如行為識別與分析，姿態(tài)估計等。視頻目標跟蹤是計算機視覺領域的一個熱點研究問題，在視覺監(jiān)控、軍事制導、人機交互、機器人視覺導航、智能交通等方面有著廣泛的應用。由于跟蹤場景的復雜性，目標區(qū)域的動態(tài)變化，以及目標數(shù)變化等因素，視頻跟蹤算法的研究存在很多困難。
　　近年來，不同于傳統(tǒng)的基于數(shù)據(jù)關聯(lián)技術的多目標跟蹤算法，基于隨

2、機有限集的多目標貝葉斯濾波及其實現(xiàn)算法給多目標跟蹤問題的研究帶來了新的思路?；陔S機有限集的多目標貝葉斯濾波能夠避開數(shù)據(jù)關聯(lián)技術直接對多目標跟蹤。根據(jù)有限集統(tǒng)計理論，多目標狀態(tài)的隨機有限集模型對目標運動，目標新生和目標死亡均進行了建模，因此基于隨機有限集的多目標貝葉斯濾波適合于處理目標數(shù)變化的跟蹤問題。但由于常規(guī)的基于隨機有限集的目標跟蹤算法只針對點目標跟蹤問題，而且視頻跟蹤場景和帶有尺度特征的視頻目標本身具有復雜性，基于隨機有限集的跟

3、蹤算法在視頻目標跟蹤中的應用研究面臨著較多挑戰(zhàn)。
　　為了提高基于隨機有限集的視頻跟蹤算法的魯棒性，為科學研究和工程應用提供支持，針對基于隨機有限集的跟蹤算法存在的問題，本文提出了改進的基于隨機有限集的視頻目標跟蹤算法。改進工作主要從補充跟蹤算法的航跡識別功能，提高觀測似然函數(shù)的區(qū)分性和可靠性，以及提高算法狀態(tài)抽取的可靠性和準確性三個方面著手對基于隨機有限集的視頻目標跟蹤算法進行研究。通過運用狀態(tài)估計-航跡關聯(lián)、多特征信息融合、模

4、型自適應更新以及核密度估計等多種技術提出了帶有航跡識別功能的高斯混合概率假設密度（Probability Hypothesis Density，PHD）濾波視頻跟蹤算法，多特征自適應融合的粒子PHD視頻跟蹤算法，基于顏色特征和高斯混合模型聚類的粒子PHD視頻跟蹤算法，以及基于粒子PHD及核密度近似的視頻跟蹤算法，實現(xiàn)了對復雜場景下目標數(shù)變化的視頻目標的魯棒跟蹤。本文具體的研究工作主要有：
　　1.在基于高斯混合PHD算法基礎上，設

5、計了一種帶有航跡識別功能的多目標視頻跟蹤算法。該算法是基于視頻目標位置檢測的跟蹤算法。為提高算法魯棒性，我們通過改進基于背景減法的運動目標檢測方法以產(chǎn)生較為準確的視頻目標位置觀測，即利用當前圖像幀的非目標像素信息對目標背景模型進行更新以形成目標的自適應背景模型，從而提高復雜環(huán)境下目標位置量測的可靠性。針對基于PHD濾波的視頻跟蹤算法只輸出目標狀態(tài)估計隨機集（不帶有目標身份）卻無法識別目標的問題，提出了一種基于auction算法的航跡識別

6、方法對PHD濾波的狀態(tài)估計進行狀態(tài)估計-航跡關聯(lián)，在PHD濾波框架內補充了目標航跡識別的功能，同時進一步去除雜波，提高了基于目標檢測的PHD視頻跟蹤算法的魯棒性。
　　2.針對單一視覺特征在動態(tài)變化場景下描述目標不夠充分，觀測似然區(qū)分目標的能力下降，跟蹤目標不夠穩(wěn)定的缺點，提出了一種多特征自適應融合的粒子PHD視頻目標跟蹤算法。當跟蹤場景較復雜時，在基于單一特征的視頻跟蹤算法中，由于觀測似然模型不能有效“辨別”目標，有可能造成跟蹤

7、失效。我們采用顏色特征（全局特征）和尺度不變特征（局部特征）描述目標，構建兩種特征的觀測似然，并采用基于空間不確定性的融合方法對兩種特征的觀測似然自適應加權融合，根據(jù)特征可靠性在線調整融合觀測似然函數(shù)各分量的權重，實現(xiàn)了信息間的優(yōu)勢互補。在粒子 PHD算法中，利用多特征自適應融合策略構建似然模型，提高了粒子 PHD跟蹤算法在復雜場景下的魯棒性。該算法不僅能處理目標數(shù)變化的視頻跟蹤問題，還能在目標尺度變化、目標非平面轉動，遮擋及在目標附近

8、存在相似表觀等場景下魯棒地跟蹤目標。
　　3.提出基于顏色特征的粒子PHD及高斯混合模型聚類的視頻跟蹤算法。針對基于目標檢測的PHD視頻跟蹤算法（傳統(tǒng)方法）依賴所采用的目標檢測算法的缺點，我們將基于顏色直方圖的觀測似然直接引入粒子 PHD濾波器，目標特征信息和PHD濾波結合為統(tǒng)一的概率跟蹤框架，提高了算法的靈活性和觀測模型區(qū)分目標的能力。針對粒子PHD算法本身狀態(tài)抽取不可靠的問題，提出了一種基于高斯混合模型（GMM）聚類的狀態(tài)抽取

9、方法。在基于GMM聚類的狀態(tài)抽取方法中，結合視頻跟蹤算法的特點，設計了一種高斯元管理策略作為模型參數(shù)更新算法——期望最大（EM）的初始化方法，提高了狀態(tài)抽取的可靠性和準確性。通過在PHD框架內引入目標特征信息以及狀態(tài)抽取方法，提高了基于粒子PHD的視頻跟蹤算法的魯棒性和靈活性。
　　4.為了提高粒子 PHD濾波視頻跟蹤算法的可靠性，提出一種基于粒子 PHD及核密度近似的視頻跟蹤算法。由于多目標狀態(tài)的多峰分布特性，且在遮擋和雜波等復

10、雜情形的影響下，描述后驗PHD的粒子分布更加復雜?？紤]到粒子分布的復雜性，我們將狀態(tài)抽取問題轉化為對后驗PHD的粒子分布進行密度估計問題。參數(shù)化的密度估計方法如基于高斯混合模型（GMM）的密度估計方法往往需要已知混合密度函數(shù)的形式和混合密度分量的個數(shù)等先驗知識，而且混合密度模型初始化條件直接影響密度估計的準確性。而核密度估計方法作為一種非參數(shù)密度估計方法不需要密度分布的先驗知識，且核密度估計方法所得到的密度函數(shù)僅由數(shù)據(jù)本身的結構所決定，