復(fù)雜環(huán)境下基于粒子濾波的視頻目標(biāo)跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)熱點(diǎn)研究方向，在導(dǎo)航制導(dǎo)、視頻監(jiān)控、人機(jī)交互以及醫(yī)療診斷等許多領(lǐng)域都有廣泛的應(yīng)用前景。視頻目標(biāo)跟蹤的任務(wù)就是跟蹤視頻序列中感興趣的運(yùn)動(dòng)目標(biāo)，獲得目標(biāo)運(yùn)動(dòng)參數(shù)，為進(jìn)一步處理分析奠定基礎(chǔ)。但是，由于現(xiàn)實(shí)中的跟蹤環(huán)境復(fù)雜多變，例如目標(biāo)發(fā)生遮擋、目標(biāo)自身形變、光照變化以及目標(biāo)運(yùn)動(dòng)規(guī)律突變等，要研究出一種準(zhǔn)確度高、魯棒性好、實(shí)時(shí)性強(qiáng)的視頻目標(biāo)跟蹤算法仍存在較大的困難。近幾年興起的粒子濾波算法在非線性、非高斯系統(tǒng)中

2、能保持良好魯棒性和準(zhǔn)確性，因此越來(lái)越多的學(xué)者將粒子濾波算法應(yīng)用于視頻目標(biāo)跟蹤領(lǐng)域。本文針對(duì)復(fù)雜環(huán)境下粒子濾波器在視頻目標(biāo)跟蹤應(yīng)用中存在的問(wèn)題，提出了兩種改進(jìn)的單機(jī)動(dòng)目標(biāo)跟蹤算法。
　　當(dāng)目標(biāo)的狀態(tài)空間的維數(shù)以及粒子數(shù)目增加時(shí)，傳統(tǒng)的基于多特征融合的粒子濾波方法計(jì)算復(fù)雜度呈現(xiàn)指數(shù)增長(zhǎng)。本文借鑒分層采樣思想，提出了一種基于分層采樣的自適應(yīng)多特征融合粒子濾波算法，所提算法將粒子集分割成兩種粒子來(lái)綜合表示目標(biāo)狀態(tài)，每種粒子只需要計(jì)算目標(biāo)的

3、一種特征，因此每種粒子僅需要表征一個(gè)較低維的狀態(tài)，既保留了多特征的信息，又降低了計(jì)算復(fù)雜度。為了突出可信度高的特征的地位，所提算法動(dòng)態(tài)地根據(jù)各特征可信度的大小為可信度高的特征分配更多的粒子。另外，所提算法能夠自適應(yīng)的更新各特征的融合系數(shù)、粒子總數(shù)、粒子傳播范圍以及特征模板，大大提高了算法對(duì)復(fù)雜跟蹤場(chǎng)景的適應(yīng)性。
　　針對(duì)粒子濾波算法固有的粒子退化問(wèn)題以及重采樣步驟導(dǎo)致的粒子匱乏問(wèn)題，本文提出一種基于局部多區(qū)域劃分的粒子群優(yōu)化遺傳粒

4、子濾波算法。所提算法利用粒子群優(yōu)化思想引導(dǎo)采樣粒子向高似然區(qū)域移動(dòng)，減緩粒子權(quán)值的退化;再通過(guò)遺傳算法增加粒子的多樣性，增強(qiáng)算法的全局搜索能力，進(jìn)而緩解粒子匱乏現(xiàn)象。所提算法將粒子的最新量測(cè)信息融入到重要性密度函數(shù)中，使重要性密度函數(shù)更加接近于目標(biāo)實(shí)際的后驗(yàn)概率分布。另外，當(dāng)目標(biāo)被遮擋的時(shí)候，所提算法隨機(jī)地選擇目標(biāo)區(qū)域的局部區(qū)域作為粒子狀態(tài)模型，這樣能夠使粒子狀態(tài)模型中盡可能少的包含遮擋干擾，有效克服了目標(biāo)被遮擋的問(wèn)題;同時(shí)，選擇局部區(qū)