粒子濾波架構(gòu)下視覺目標(biāo)跟蹤相關(guān)技術(shù)研究.pdf

1、視覺目標(biāo)跟蹤是計算機視覺研究的重要課題之一，也是機器智能化研究的重要分支。它被廣泛用于自動駕駛、智能監(jiān)控、人機交互、電影后期處理、虛擬現(xiàn)實等諸多領(lǐng)域中?；谪惾~斯濾波和蒙特卡羅采樣的粒子濾波，是目前視覺跟蹤的主要架構(gòu)之一。粒子濾波以其能夠在非線性、多模態(tài)動態(tài)系統(tǒng)下能夠長時間穩(wěn)定的對視覺目標(biāo)進行跟蹤，使得當(dāng)前的主流跟蹤算法絕大多數(shù)在該架構(gòu)下實現(xiàn)。粒子濾波大體上可以分為預(yù)測階段和更新階段。在預(yù)測階段，狀態(tài)轉(zhuǎn)移模型能否實現(xiàn)準(zhǔn)確預(yù)測至關(guān)重要；在

2、更新階段，系統(tǒng)預(yù)測與真實運動目標(biāo)之間的觀測模型需要重點關(guān)注，觀測模型的目的在于對運動目標(biāo)的預(yù)測位置與真實位置之間的誤差進行修正。這兩個階段能否準(zhǔn)確地交替協(xié)作運行，決定了粒子濾波最終能否實現(xiàn)高效魯棒的跟蹤。
　　雖然粒子濾波跟蹤算法相比于其他跟蹤算法存在明顯優(yōu)勢，但是仍然存在一些不足，如跟蹤性能取決于采樣粒子數(shù)目，耗時的觀測似然計算等等。為此，針對粒子濾波架構(gòu)下的跟蹤算法的不足，結(jié)合當(dāng)前主流跟蹤算法的研究趨勢，對粒子濾波架構(gòu)下的視覺

3、目標(biāo)跟蹤進行了探討和研究，主要研究工作分為以下幾個方面：
　　（1）針對傳統(tǒng)粒子濾波在復(fù)雜場景下的跟蹤不夠魯棒，提出了基于速度在線更新的狀態(tài)轉(zhuǎn)移模型和改進的真實狀態(tài)估計方法的自適應(yīng)粒子濾波?；谒俣仍诰€更新的狀態(tài)轉(zhuǎn)移模型通過對目標(biāo)狀態(tài)變化速率的在線更新，有效地把握目標(biāo)的運動規(guī)律以及適應(yīng)運動的變化，提高了狀態(tài)預(yù)測的性能；改進的真實狀態(tài)估計方法根據(jù)觀測似然的可靠性和粒子的分布情形，自適應(yīng)地對真實狀態(tài)進行估計。實驗結(jié)果表明，提出的自適應(yīng)

4、粒子濾波提高了復(fù)雜場景下的跟蹤魯棒性。
　?。?）針對基于稀疏表示的粒子濾波跟蹤算法計算代價過高的缺點，提出了基于粒子聚類分析的L1跟蹤算法。稀疏表示是當(dāng)前計算機視覺研究的熱點，對于光照變化、噪聲干擾、部分遮擋下的跟蹤有較好的魯棒性。然而稀疏表示的求解計算復(fù)雜度較高，在粒子濾波架構(gòu)下很難滿足跟蹤實時性要求。為此，采用改進的K均值算法對采樣粒子進行聚類分析，用以實現(xiàn)粒子的重要性篩選。實驗結(jié)果表明，將該粒子篩選嵌入到L1跟蹤算法，能有

5、效提高跟蹤的實時性和準(zhǔn)確性。
　?。?）針對基于稀疏表示的粒子濾波跟蹤算法很難滿足實際環(huán)境的跟蹤實時性和魯棒性要求，提出了一種基于在線判別分析的L1跟蹤算法。它利用在線邏輯回歸模型實現(xiàn)粒子的重要性篩選和目標(biāo)/背景的在線更新，將其嵌入到L1跟蹤算法，一方面減少L1最小化求解次數(shù)，降低計算復(fù)雜度，同時緩解不相似粒子對跟蹤結(jié)果的干擾；另一方面通過對目標(biāo)/背景的在線更新，實現(xiàn)目標(biāo)的自適應(yīng)動態(tài)跟蹤。實驗結(jié)果表明，基于在線判別分析的L1跟蹤算