论文部分内容阅读
以计算机视觉、模式识别和人工智能相关技术为基础的矿井危险区域目标行为检测与跟踪,是智能视觉监控在煤矿的重要应用,将矿井视频监控从事后取证改为基于事前预防和实时事件驱动的监控方式,使煤矿综合自动化系统基于视频的报警联动成为可能,而目标跟踪作为关键技术直接决定了系统性能。运动目标跟踪不仅可以提供目标的运动轨迹和实现目标准确定位,为下一步的目标行为分析与理解提供可靠的数据来源,而且也可以为运动目标检测提供帮助,从而形成一个良性的循环。粒子滤波采用蒙特卡罗仿真来近似贝叶斯滤波,在有关非线性非高斯系统的数据处理和分析领域为估计目标状态的后验概率分布提供了一种方便、高效的解决方法。针对粒子滤波在矿井视频目标跟踪中存在的问题,本文在粒子滤波多观测模型以及融合策略、粒子滤波建议分布、粒子滤波重采样算法以及基于粒子滤波的多目标跟踪等方面开展了研究。本文的主要工作如下:针对CONDENSATION算法以状态转移作为建议分布从而导致“权值蜕化”问题,本文提出了以迭代最小斜度单型sigmaUKF建立建议分布的UPF算法。以最小斜度单型UKF产生统计线性误差项,再对IEKF推导产生不依赖于系统非线性映射Jacobian矩阵的迭代式,以此对状态均值和协方差进行迭代修正以近似0残差使状态收敛到MAP估计,平滑了状态一步预测误差,从而提高估计精度。结果表明:该算法扩大了预测样本与观测似然峰值区的重叠区域,提高了非线性系统的状态估计精度。针对矿井跟踪视场中由于单一线索对目标特征描述缺乏可分性以及多线索融合策略对场景变化缺乏自适应性导致人员跟踪失效的问题,本文提出了基于自适应多测量融合粒子滤波的矿井人员跟踪算法。将粒子邻域光流统计信息表征的运动性作为线索建立运动光流直方图模型,并与颜色相融合建立多观测模型;采用单观测估计状态粒子区域与融合估计粒子区域的质心距离作为单观测模型贡献率度量因子,定义了观测权值自适应策略,实现了粒子观测模型与跟踪目标状态特征的同步变化,通过采样补偿函数对粒子落入低观测似然时进行有效的采样补偿增强跟踪的鲁棒性。结果表明:本算法能够有效的解决矿井跟踪视场下(背景复杂)由于观测模型失效而导致的跟踪发散问题。针对粒子滤波中如何设计重采样策略解决“权值蜕化”的同时又避免“样本贫化”的问题,提出了基于分层转移的MCMC重采样算法。该算法打破了传统重采样以大权样本子代替换蜕化样本的思路,当样本容量检测出现“蜕化”时,将样本集据权值蜕化程度分层,提出变异繁殖算法,将其与PSO融合产生MCMC转移核施以分层子集;再通过Metroplis-Hastings算法做接收-拒绝采样,由此构建的Markov Chain收敛到与目标真实后验等价的平稳分布。结果表明:本算法以更快的收敛速度更小的估计误差贴近目标真实后验,提高了估计精度。针对矿井危险区域目标跟踪在多摄像机下无法协同的问题,本文提出一种多摄像机下基于目标区域的配准算法。采用Lucas-Kanade光流法和基于块的背景运动补偿分别实现静态背景和复杂背景下的目标区域分割;用DOG对目标区域做尺度空间极值检测获得特征点对,并用PCA-SIFT描述子作特征区域描述,在定义的目标区域匹配准则下,通过目标区域匹配度量比较实现匹配并通过基本矩阵约束消除误配区域。结果表明:该算法能够快速有效的实现矿井危险区域(低照度、目标类型复杂)多摄像机下的运动目标匹配。针对多目标聚集时经典JPDA-PF导致的跟踪发散问题,提出多目标聚集情况下快速联合概率数据关联算法,并与粒子滤波结合,实现矿井跟踪视场下多目标鲁棒跟踪。对跟踪门逻辑输出进行回波Bhattacharya系数比较,确定航迹的起始/消除;将波门内回波区域Bhattacharya均值作为量测与目标的关联度量,构建回波区域Bhattacharya均值矩阵,对确认矩阵元素取值进行修正,消除小概率关联事件对确认矩阵拆分复杂度的影响。结果表明:本算法实现低计算开销的同时保持了较高估计精度,当目标密集分布时关联准确率明显优于经典JPDA。