粒子濾波及相關(guān)算法在目標跟蹤中的研究.pdf

1、隨著計算機技術(shù)和信息技術(shù)的飛速發(fā)展，使計算機能夠處理視覺信息，以彌補人類視覺的缺陷已經(jīng)成為一個引人注目的研究課題，因此促進了計算機視覺這門學(xué)科的產(chǎn)生和發(fā)展。目標跟蹤是計算機視覺的重要研究內(nèi)容，目前已經(jīng)被廣泛應(yīng)用于智能視頻監(jiān)控、智能交通、人機交互技術(shù)、三維重構(gòu)和視頻壓縮等領(lǐng)域。
　　現(xiàn)有的大多數(shù)跟蹤算法都能夠被描述為一個使用確定性或者隨機性方法的最優(yōu)化過程。確定性方法是使用梯度下降法來搜索代價函數(shù)的最小值，比如meanshift算法

2、。一般來說，確定性方法計算復(fù)雜度小，但是它搜索到的極值很有可能只是局部極值而不是全局極值。與確定性方法相比，隨機性方法更具有魯棒性但是計算復(fù)雜度較高。粒子濾波算法是隨機性方法中的典型代表，它用一系列帶有權(quán)值的隨機粒子來估計目標狀態(tài)，其中每一個粒子表示對目標狀態(tài)的一種假設(shè)，粒子的權(quán)值表示粒子的狀態(tài)是目標真實狀態(tài)的概率。目標狀態(tài)的最優(yōu)估計表示為所有粒子狀態(tài)的加權(quán)平均。
　　本文以基于顏色直方圖的粒子濾波算法為基礎(chǔ)，分析了算法中存在的一

3、些問題并提出了改進措施?；陬伾狈綀D的粒子濾波算法僅利用目標的顏色特征對粒子權(quán)值進行更新，當(dāng)背景與目標的顏色分布相似或者目標被遮擋時，易發(fā)生誤跟蹤。尺度不變特征(SIFT)具有較高的獨特性，但是僅使用SIFT特征不足以對小目標進行描述。本文將SIFT特征和顏色特征引入粒子濾波算法對上述兩種情況進行處理。為了防止顏色模板的誤更新，本文根據(jù)當(dāng)前幀跟蹤結(jié)果與SIFT模板中特征點的匹配數(shù)目決定是否對顏色模板進行更新。實驗結(jié)果表明，當(dāng)目標被遮擋

4、或者位于有相似顏色的雜亂背景時，提出的方法能有效地提高跟蹤的精確度。
　　粒子濾波算法中采用轉(zhuǎn)移模型作為重要性采樣函數(shù)，這不是一種最優(yōu)選擇。由于目標的快速隨意運動，從轉(zhuǎn)移模型中抽樣得到的預(yù)測粒子可能位于觀測模型分布的尾部，使得大多數(shù)粒子的權(quán)值較小，導(dǎo)致粒子濾波算法跟蹤失敗。本文用粒子群優(yōu)化算法(PSO)來解決這一問題。經(jīng)過PSO算法的迭代，粒子被移動到觀測模型的概率值較高的區(qū)域，從而使得每個粒子都獲得較大的權(quán)值，最終獲得更好的跟蹤