预览加载中，请您耐心等待几秒...

基于改进粒子滤波器目标跟踪算法的研究.pdf

预览
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲，该文档总共63页，到这已经超出免费预览范围，如果喜欢就直接下载吧～

下载提示 文本预览

如果您无法下载资料，请参考说明：

1、部分资料下载需要金币，请确保您的账户上有足够的金币

2、已购买过的文档，再次下载不重复扣费

3、资料包下载后请先用软件解压，在使用对应软件打开

安徽大学 硕士学位论文 基于改进粒子滤波器目标跟踪算法的研究 姓名：钱翔 申请学位级别：硕士 专业：信号与信息处理 指导教师：李新华 2010-05 安徽大学硕士学位论文摘要 摘要 目标跟踪被广泛应用于视频监控、安防系统、智能交通系统及机器人技术等 领域，是一些需要确定目标位置、运动和身份等智能系统的核心组成部分，可以 说是一个非常棘手而富有挑战性的课题。由于实际应用中存在诸如摄像头运动、 目标不稳定、背景复杂以及其他相似移动物体等的困难的情况，人们很难找到一 个广泛适用的鲁棒性高的跟踪算法。四十多年前，卡尔曼先生提出了卡尔曼滤波 算法，它简单而便于实现，是解决线性高斯环境下的问题的最佳方法。近年来由 于技术的发展和应用的需要，出现了一个研究非线性非高斯环境下滤波算法的高 潮。 本文首先介绍了近年来常见的一些目标跟踪滤波算法――卡尔曼滤波器 （Kalmanfilter,KF）、扩展卡尔曼滤波器（ExtendedKalmanfilter,EKF），无敏 卡尔曼滤波器（UnscentedKalmanfilter,UKF），粒子滤波器（Particlefilter,PF）。 KF简单而优雅，是线性高斯环境下的最佳递归贝叶斯滤波器。EKF利用泰勒级 数方法，将非线性问题转化到线性空间，再利用卡尔曼滤波器进行估计滤波，并 达到一阶估计精度。UKF通过固定样本集达到对状态概率分布的近似，在精度 和计算量上较之EKF优秀，但它是利用高斯分布来逼近系统状态的后验概率密 度，在复杂的环境中表现差。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法， 它将复杂的目标状态分布表示为一组加权值（称为粒子），通过寻找在粒子滤波 分布中最大权重的粒子来确定目标最可能所处的状态分布，已成为复杂环境下进 行目标跟踪的最好的方法。本论文通过量测非线性模型（正切）的对比实验，证 明了PF在非线性环境下有着最优异表现，UKF表现较之EKF优异，而EKF优 于KF，与理论分析的结果一致。 在目标跟踪系统中选取描述目标的特征是一个棘手的问题，使用更多的描述 目标的特征可以有效提高跟踪的准确性，但会增加计算机的计算量和计算时间， 只能取实时性和准确性的折衷。目标颜色直方图特征具有稳定性高、计算量较小 的特点，已成为主流的描述目标的特征。描述目标颜色特征的颜色空间有很多种， 本文介绍了常见的RGB空间、CMYK空间、HSV空间。其中HSV空间更符合人眼 感知色彩的方式，此空间模型具有线性伸缩性良好，色差与颜色分量在相应值上 I 安徽大学硕士学位论文基于改进粒子滤波器目标跟踪算法的研究 的欧几里德距离成比例等优点。但单一的颜色直方图特征对背景光照变化敏感， 而且当有相似颜色干扰信息时，跟踪的准确性大大降低。而目标的结构性特征主 要有矩特征，矩特征具有平移、旋转、尺度等不变特性，被广泛应用在图像匹配、 姿态识别等领域。 本文结合粒子滤波算法提出一种基于融合目标不变矩特征和颜色直方图特 征的目标跟踪方法，其中目标颜色直方图特征的计算是在HSV空间进行的。该方 法对目标的颜色信息和结构信息进行融合并建立目标模型，粒子权值的融合比例 由应用环境决定，在系统更新过程中比较目标与粒子间的欧几里德距离，淘汰劣 质的粒子，增加了粒子的可靠度，减少了噪声的影响。实验数据表明此改进方法 有效克服了单一颜色特征模型在应用中的不足，并能够在不影响实时性的基础上 提高跟踪的有效性。 关键词：目标跟踪；粒子滤波；颜色直方图；不变矩；融合特征 II 安徽大学硕士学位论文Abstract Abstract Targettrackingisthecorecomponentsofintelligentsystemstodetermine location,movementandidentitytargets,whichiswidelyusedinthefieldofvideo surveillance,securitysystemsandintelligenttransportationsystem.Itisreallyatough jobtorealizethissystemandfindawidelyusedandhighrobusttrackingalgorithm duetocameramovement,targetinstability,complexityofbackgroundandmoving similarity.Itishardtofind.Kalmanfilteralgorithm,proposedbyMr.Kalmanmore than40yearsago,isthebes