基于粒子滤波的目标跟踪算法研究

【摘要】： 视频中运动目标的跟踪是计算机视觉领域非常重要的研究课题之一。运动目标跟踪的主要过程是：在各帧图像中准确的检测出运动目标,然后在后续的图像序列中进行目标定位,从而得到特定运动目标的完整运动轨迹。它在智能监控、交通监视、人机交互以及军事领域都有着广泛的应用,因此运动目标跟踪算法的研究具有很大的理论价值和应用价值。 在线性、高斯的系统中,卡尔曼滤波的性能可以达到最优估计；而扩展的卡尔曼滤波通过对非线性系统的局部线性化,从而间接利用了卡尔曼滤波的原理,但是它只适用于滤波误差和预测误差都很小的情况。在实际的应用中,系统大多是非线性的,因此已有的算法已经不能满足应用的需要。在蒙特卡罗方法的基础上,人们提出了粒子滤波算法。这种基于贝叶斯估计的非线性滤波器,在处理非线性的问题时具有显著的优势。 本文具体的研究内容和创新之处主要体现在以下几个方面：(1)对视频目标跟踪的基本理论进行了深入的分析,并详细阐述了粒子滤波的基本原理。(2)针对自然环境下运动目标容易受背景因素干扰的情况,提出了一种改进的颜色分布模型,并把它结合到粒子滤波的观测模型中。改进的颜色分布模型能最大限度的描述目标的特征,并用此模型为运动目标区域建模。(3)在对目标跟踪中的遮挡问题进行深入分析和研究的基础上,提出了一种改进的遮挡检测的方法,该方法能准确的检测出遮挡的发生和结束。在目标非遮挡时,根据文中采用的模板更新策略及时的更新目标模板：并在遮挡结束后,能够及时恢复对模板的更新。(4)在具体分析各种相似性度量方法优劣的基础上,本文使用Bhattacharyya距离来计算参考帧中目标的相似度。(5)当运动目标完全遮挡时,采用Kalman预测继续跟踪目标。 最后将本文的方法应用于自然环境下的视频图像中。实验结果表明：在目标严重遮挡时,本文的方法能准确的跟踪目标,达到了较高的鲁棒性。