论文部分内容阅读
视频目标跟踪技术是计算机视觉、数字图像处理、机器学习等领域研究的一个热点、难点问题,吸引了越来越多的研究者。目标跟踪技术在在军事、安防及视频监控、智能交通、医疗诊断、人机交互等诸多领域,有着广泛的应用。随着计算机技术的发展,计算机视觉的范围会日益扩大,将对人类的生产生活产生巨大的影响。Mean Shift算法和粒子滤波器算法是视频目标跟踪中常用的几种方法,但这些算法也存在自身的缺陷。当目标运动较快,相邻两帧目标没有重合区域或者目标被遮挡又重新出现时,传统的Mean Shift算法容易收敛于局部极小值点,不能精确跟踪目标,或者容易跟丢目标。粒子滤波跟踪各种复杂情形中的目标时,发现粒子滤波器在对粒子进行重采样后,权值大的粒子被复制,在下一帧中权值大的粒子位置应该会朝着目标运动的方向发生一定的移动,所以用上一帧中权值大的粒子去估计下一帧中目标的位置,势必会有一定的误差,粒子滤波的建议分布和粒子搜索范围对跟踪鲁棒性影响也较大。通过查阅了大量的中文以及英文的参考文献,本文对Mean Shift算法和粒子滤波器算法在视频目标跟踪技术中的一些缺陷进行了深入和细致的学习研究,对以上缺点进行了改进。本论文所做的主要研究工作和创新性的研究成果总结如下:(1)详细介绍了国内外视频目标跟踪技术的研究现状,研究了视频目标跟踪技术的常用算法,针对各种方法的优缺点进行了分析,阐述了目标跟踪技术的应用领域,并对视频目标跟踪技术中的存在的难点问题进行了总结。(2)本文将模拟退火算法的思想融入到Mean Shift理论中,改进后的Mean Shift算法可以自适应迭代启发式概率性搜索,能以较大概率求得全局优化,克服了传统的Mean Shift算法容易收敛于局部极小值的缺点,对视频中运动较快的目标或者被遮挡的目标,具有较强的鲁棒性和跟踪性能。(3)提出了一种基于灰色系统理论和粒子滤波的目标跟踪算法,当粒子滤波器对当前帧目标状态估计输出后,利用灰色预测理论,把历史目标位置状态序列和当前状态作为输入信息,对下一帧目标的状态进行预测,通过预测值和当前目标状态估计值,修正重采样后粒子的状态和状态转移概率的过程噪声分布参数,实验表明,本文算法比传统算法具有较好的跟踪效果。(4)采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度,具有良好的抗辐射失真和抗几何失真能力,克服了Bhattacharyya系数对目标收缩较为敏感,而无法适应目标膨胀的缺点,并根据灰色预测值,自适应调整粒子滤波器的搜索范围,使目标跟踪算法具有更高的跟踪精度。(5)提出了基于Csiszer度量族和粒子滤波器的目标跟踪算法,认真研究分析了Csiszer度量族基本理论,并对Csiszer度量族中的四种特殊情况度量方式进行了编程仿真实现,具有较好的跟踪效果。