基于改進粒子濾波器目標跟蹤算法的研究.pdf

1、目標跟蹤被廣泛應用于視頻監(jiān)控、安防系統(tǒng)、智能交通系統(tǒng)及機器人技術等領域，是一些需要確定目標位置、運動和身份等智能系統(tǒng)的核心組成部分，可以說是一個非常棘手而富有挑戰(zhàn)性的課題。由于實際應用中存在諸如攝像頭運動、目標不穩(wěn)定、背景復雜以及其他相似移動物體等的困難的情況，人們很難找到一個廣泛適用的魯棒性高的跟蹤算法。四十多年前，卡爾曼先生提出了卡爾曼濾波算法，它簡單而便于實現(xiàn)，是解決線性高斯環(huán)境下的問題的最佳方法。近年來由于技術的發(fā)展和應用的需要

2、，出現(xiàn)了一個研究非線性非高斯環(huán)境下濾波算法的高潮。
　　 本文首先介紹了近年來常見的一些目標跟蹤濾波算法――卡爾曼濾波器（Kalman filter, KF）、擴展卡爾曼濾波器（Extended Kalman filter, EKF），無敏卡爾曼濾波器（Unscented Kalman filter, UKF），粒子濾波器（Particle filter, PF）。KF簡單而優(yōu)雅，是線性高斯環(huán)境下的最佳遞歸貝葉斯濾波器。EKF利

3、用泰勒級數(shù)方法，將非線性問題轉化到線性空間，再利用卡爾曼濾波器進行估計濾波，并達到一階估計精度。UKF通過固定樣本集達到對狀態(tài)概率分布的近似，在精度和計算量上較之EKF優(yōu)秀，但它是利用高斯分布來逼近系統(tǒng)狀態(tài)的后驗概率密度，在復雜的環(huán)境中表現(xiàn)差。PF是一種采用蒙特卡羅采樣的貝葉斯濾波方法，它將復雜的目標狀態(tài)分布表示為一組加權值（稱為粒子），通過尋找在粒子濾波分布中最大權重的粒子來確定目標最可能所處的狀態(tài)分布，已成為復雜環(huán)境下進行目標跟蹤的

4、最好的方法。本論文通過量測非線性模型（正切）的對比實驗，證明了PF在非線性環(huán)境下有著最優(yōu)異表現(xiàn)，UKF表現(xiàn)較之EKF優(yōu)異，而EKF優(yōu)于KF，與理論分析的結果一致。
　　 在目標跟蹤系統(tǒng)中選取描述目標的特征是一個棘手的問題，使用更多的描述目標的特征可以有效提高跟蹤的準確性，但會增加計算機的計算量和計算時間，只能取實時性和準確性的折衷。目標顏色直方圖特征具有穩(wěn)定性高、計算量較小的特點，已成為主流的描述目標的特征。描述目標顏色特征的顏

5、色空間有很多種，本文介紹了常見的RGB空間、CMYK空間、HSV空間。其中HSV空間更符合人眼感知色彩的方式，此空間模型具有線性伸縮性良好，色差與顏色分量在相應值上的歐幾里德距離成比例等優(yōu)點。但單一的顏色直方圖特征對背景光照變化敏感，而且當有相似顏色干擾信息時，跟蹤的準確性大大降低。而目標的結構性特征主要有矩特征，矩特征具有平移、旋轉、尺度等不變特性，被廣泛應用在圖像匹配、姿態(tài)識別等領域。
　　 本文結合粒子濾波算法提出一種基于