论文部分内容阅读
视频目标跟踪作为计算机视觉领域中的重要组成部分，已经广泛应用于医疗诊断、智能交通系统、弹道导弹防御以及军事制导等国民和军事的众多方面，受到相关领域科研学者的广泛关注和深入研究。目前，粒子滤波作为目标跟踪技术的主流跟踪方法，但在实际应用中存在着粒子退化的缺陷，解决粒子滤波算法的粒子退化枯竭问题，是视频目标跟踪的重要研究课题。本文以非线性、非高斯系统的目标状态估计理论为主线，在研究传统目标跟踪方法的基础上，结合粒子滤波理论和均值漂移理论，针对跟踪算法优化、多目标之间的合并分离遮挡冲突等问题进行系统地研究，改进了跟踪算法的性能，提高了在复杂环境下目标跟踪的实时性和鲁棒性。本文的主要工作包括：(1)提出了一种自适应免疫优化的无迹粒子滤波器(AIO-UPF)，由于在重要性函数的选取上充分考虑了最新的观测数据信息来产生粒子和更新权值，同时将引入自适应阈值因子δ的Metropolis准则的自适应免疫算法(AIO)中的粒子寻优机制应用于粒子重采样过程中，使得粒子集能够有效地分布于高似然区域，提高了系统在较偏观测情况下目标状态估计的精确度和稳定性。仿真实验的结果表明，本文算法的性能优于传统的UPF和常规粒子滤波。因此，在目标跟踪精确性和抗干扰性要求较高的场合，新滤波器具有较高的应用价值。(2)提出了一种基于AIO-UPF与MS的多目标跟踪算法。该算法在提取目标观测值后，利用基于推理的多目标关联算法建立关联矩阵，从而确定目标状态序列。然后，利用AIO-UPF的抗遮挡和Mean Shift算法实时性特征，通过引入帧数因子τ以及在目标冲突时的不同处理机制，跟踪系统就可以自适应选择AIO-UPF算法或均值漂移算法对多目标进行跟踪状态估计。仿真结果表明，本文提出的算法可有效地解决多目标之间的冲突、合并和分离问题，从而实现在实际场景中对多目标的鲁棒跟踪。