论文部分内容阅读
视频目标跟踪是计算机视觉研究领域的核心问题,融合了图像处理、模式识别、人工智能等不同领域的理论和知识,广泛应用在智能监控、智能交通、图像压缩、人机交互、医学诊断等领域。目标跟踪可以看成非线性、非高斯系统的状态估计问题,而粒子滤波算法是这类问题的最有效解决方法,但是粒子滤波在当前还不够成熟,仍然存在许多问题,本文对粒子滤波展开了深入研究,提出了以下几种方法：(1)提出了两种改进的UPF(Unscented Particle Filter)算法。主要针对标准粒子滤波中选取的建议分布不能充分利用量测信息以及存在的粒子退化现象等问题,从无味变换的Sigma点采样方式这个角度进行研究：第一种算法利用高斯分布采样Sigma点,以粒子样本的均值和方差作为高斯分布的均值和方差,基于高斯Sigma点采样的UKF(Unscented Kalman Filter)算法产生建议分布函数抽样粒子,并在此基础上利用Metropolis-Hastings(MH)方法优化粒子,对优化之后的粒子进行加权求和得出状态估计；第二种算法利用最小偏度单形采样策略采样Sigma点,并通过比例修正提高精度,同时采用迭代卡尔曼滤波(Iterated Kalman filter,IKF)思想优化量测更新得到的状态的均值和方差,得到建议分布函数抽样粒子,然后利用MH方法优化粒子,从而得出状态估计。仿真试验表明,这两种改进算法降低了粒子滤波算法的退化程度,提高了跟踪的准确性。(2)提出了一种基于多特征融合的改进UPF跟踪算法。针对单特征目标跟踪算法的鲁棒性较差以及不能充分利用最新的量测信息等问题,首先通过比例最小偏度单形采样策略的UKF算法和IKF算法产生建议分布函数,对粒子滤波算法进行改进,并在改进的算法框架下,采用不确定性度量方法融合目标的颜色和纹理特征,对目标进行跟踪。仿真试验表明,改进算法提高了跟踪精度,对复杂背景下的目标跟踪有较好的效果,并能有效跟踪被遮挡的目标。(3)提出了一种基于改进遗传算法的PF(Particle Filter)目标跟踪算法。针对粒子滤波重采样过程中带来的样本枯竭问题,该算法采用两次选择操作对粒子进行选择复制,以特定的交叉概率对粒子进行排序分组交叉繁殖,再通过变异繁殖以获得粒子的多样性,降低了粒子的样本枯竭现象。实验表明,本文算法提高了跟踪精度,并能鲁棒地跟踪复杂环境下的目标。