基于粒子濾波的視覺目標跟蹤方法關鍵技術研究.pdf

1、對視頻中運動目標進行跟蹤,一直是計算機視覺領域中活躍的研究課題。目標跟蹤融合了如圖像處理、模式識別、統(tǒng)計與機器學習和生物學等多方面的理論和方法,是一項跨越多個學科的綜合技術。作為一種較為基礎的技術,目標跟蹤融入到人們生產和生活的各個方面,在智能交通、智能監(jiān)控、汽車自動導航、智能人機交互和國防等領域有廣闊的應用前景。準確地跟蹤目標是有效地進行目標識別與決策的前提條件,也是實現智能視覺系統(tǒng)的基礎。因此對目標跟蹤方法的研究和優(yōu)化,以提高準確率

2、是十分必要的。在此背景下,研究工作主要是探討基于粒子濾波的目標跟蹤方法中一些關鍵技術。
　　提出了適用于標定環(huán)境下的基于空間信息的目標模型(SOM),該目標表示模型基于攝像機模型和透視投影原理,根據攝像機的內外參數而建立,該模型包含了現實三維場景與圖像平面的對應關系。由該模型生成的用來表示行人目標的四邊形區(qū)域可根據目標在地平面上的不同位置自動調整尺寸大小和朝向。該模型適用于攝像機視角固定且攝像機內外參數已知情況下的視頻行人目標跟蹤

3、應用。為驗證該目標表示模型的適用性,將該模型應用于粒子濾波架構下的行人跟蹤中。實驗結果表明,基于空間信息的目標表示模型的粒子濾波方法在行人跟蹤測試中比傳統(tǒng)的粒子濾波方法具有更高的穩(wěn)定性和精度。此外結合SOM、尺度不變特征變換(SIFT)特征和最小二乘估計(LSE)方法對行人旋轉角進行估計,也取得了理想的結果。文中最后指出了將SOM用于行人身高估計和行人檢測的基本思路和方法。
　　提出了一種適用于粒子濾波架構下的基于全局和局部動態(tài)模

4、型的目標跟蹤方法LDMPF。該方法根據目標外觀的整體和局部分別建立動態(tài)系統(tǒng)模型,即全局動態(tài)模型(GDM)和局部動態(tài)模型(LDM)。LDMPF方法采用全局粒子濾波和局部粒子濾波實施全局粒子與局部粒子的采樣與狀態(tài)預測,從而實現目標跟蹤。全局和局部動態(tài)模型同時進行狀態(tài)推進可以提高目標跟蹤的精度。實驗中將LDMPF方法分別與傳統(tǒng)的粒子濾波方法以及目前的幾種主流方法(?1Tracker,IVT、FragTrack等)進行對比。實驗結果表明LDMP

5、F方法在穩(wěn)定性和準確性方面更具有優(yōu)勢,并能夠有效地克服半遮擋和漂移等問題。
　　鑒于當前的目標跟蹤中模板匹配策略存在的弊端,提出了一種具有局部性特征的局部動態(tài)模板(LDT)和針對該模板的模板預測、模板更新與遮擋檢測等新策略。LDT模板針對可能出現的遮擋與目標外觀變化情況,對傳統(tǒng)的模板進行了局部化改進,將原模板劃分為多個局部模板(塊)。結合LDT模板和粒子濾波,提出了一種基于LDT模板的目標跟蹤方法LDTPF。LDTPF跟蹤過程中的

6、參考模板來自LDT模板動態(tài)預測生成。LDT模板能表示局部化特征和遮擋情況,并根據目標外觀變化進行實時地局部更新。在目標跟蹤過程中,LDT中每個局部模板(塊)獨立更新,同時對每個局部塊進行遮擋檢測。在實驗中將LDTPF方法分別和傳統(tǒng)的粒子濾波方法與目前的幾種主流方法進行對比,并且將LDT模板方法分別與SOM模型和LDM模型整合后進行實驗測試,實驗結果表明基于LDT模板的LDTPF方法能更好地提高目標跟蹤的穩(wěn)定性和準確性,并能解決半遮擋條件