基于隨機(jī)有限集的視頻目標(biāo)跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤是指對(duì)圖像序列中感興趣的目標(biāo)進(jìn)行有效跟蹤并估計(jì)目標(biāo)狀態(tài)參數(shù)，如位置、速度、尺寸等，以完成更高一級(jí)的任務(wù)，如行為識(shí)別與分析，姿態(tài)估計(jì)等。視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)熱點(diǎn)研究問(wèn)題，在視覺(jué)監(jiān)控、軍事制導(dǎo)、人機(jī)交互、機(jī)器人視覺(jué)導(dǎo)航、智能交通等方面有著廣泛的應(yīng)用。由于跟蹤場(chǎng)景的復(fù)雜性，目標(biāo)區(qū)域的動(dòng)態(tài)變化，以及目標(biāo)數(shù)變化等因素，視頻跟蹤算法的研究存在很多困難。
　　近年來(lái)，不同于傳統(tǒng)的基于數(shù)據(jù)關(guān)聯(lián)技術(shù)的多目標(biāo)跟蹤算法，基于隨

2、機(jī)有限集的多目標(biāo)貝葉斯濾波及其實(shí)現(xiàn)算法給多目標(biāo)跟蹤問(wèn)題的研究帶來(lái)了新的思路。基于隨機(jī)有限集的多目標(biāo)貝葉斯濾波能夠避開(kāi)數(shù)據(jù)關(guān)聯(lián)技術(shù)直接對(duì)多目標(biāo)跟蹤。根據(jù)有限集統(tǒng)計(jì)理論，多目標(biāo)狀態(tài)的隨機(jī)有限集模型對(duì)目標(biāo)運(yùn)動(dòng)，目標(biāo)新生和目標(biāo)死亡均進(jìn)行了建模，因此基于隨機(jī)有限集的多目標(biāo)貝葉斯濾波適合于處理目標(biāo)數(shù)變化的跟蹤問(wèn)題。但由于常規(guī)的基于隨機(jī)有限集的目標(biāo)跟蹤算法只針對(duì)點(diǎn)目標(biāo)跟蹤問(wèn)題，而且視頻跟蹤場(chǎng)景和帶有尺度特征的視頻目標(biāo)本身具有復(fù)雜性，基于隨機(jī)有限集的跟

3、蹤算法在視頻目標(biāo)跟蹤中的應(yīng)用研究面臨著較多挑戰(zhàn)。
　　為了提高基于隨機(jī)有限集的視頻跟蹤算法的魯棒性，為科學(xué)研究和工程應(yīng)用提供支持，針對(duì)基于隨機(jī)有限集的跟蹤算法存在的問(wèn)題，本文提出了改進(jìn)的基于隨機(jī)有限集的視頻目標(biāo)跟蹤算法。改進(jìn)工作主要從補(bǔ)充跟蹤算法的航跡識(shí)別功能，提高觀測(cè)似然函數(shù)的區(qū)分性和可靠性，以及提高算法狀態(tài)抽取的可靠性和準(zhǔn)確性三個(gè)方面著手對(duì)基于隨機(jī)有限集的視頻目標(biāo)跟蹤算法進(jìn)行研究。通過(guò)運(yùn)用狀態(tài)估計(jì)-航跡關(guān)聯(lián)、多特征信息融合、模

4、型自適應(yīng)更新以及核密度估計(jì)等多種技術(shù)提出了帶有航跡識(shí)別功能的高斯混合概率假設(shè)密度（Probability Hypothesis Density，PHD）濾波視頻跟蹤算法，多特征自適應(yīng)融合的粒子PHD視頻跟蹤算法，基于顏色特征和高斯混合模型聚類(lèi)的粒子PHD視頻跟蹤算法，以及基于粒子PHD及核密度近似的視頻跟蹤算法，實(shí)現(xiàn)了對(duì)復(fù)雜場(chǎng)景下目標(biāo)數(shù)變化的視頻目標(biāo)的魯棒跟蹤。本文具體的研究工作主要有：
　　1.在基于高斯混合PHD算法基礎(chǔ)上，設(shè)

5、計(jì)了一種帶有航跡識(shí)別功能的多目標(biāo)視頻跟蹤算法。該算法是基于視頻目標(biāo)位置檢測(cè)的跟蹤算法。為提高算法魯棒性，我們通過(guò)改進(jìn)基于背景減法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法以產(chǎn)生較為準(zhǔn)確的視頻目標(biāo)位置觀測(cè)，即利用當(dāng)前圖像幀的非目標(biāo)像素信息對(duì)目標(biāo)背景模型進(jìn)行更新以形成目標(biāo)的自適應(yīng)背景模型，從而提高復(fù)雜環(huán)境下目標(biāo)位置量測(cè)的可靠性。針對(duì)基于PHD濾波的視頻跟蹤算法只輸出目標(biāo)狀態(tài)估計(jì)隨機(jī)集（不帶有目標(biāo)身份）卻無(wú)法識(shí)別目標(biāo)的問(wèn)題，提出了一種基于auction算法的航跡識(shí)別

6、方法對(duì)PHD濾波的狀態(tài)估計(jì)進(jìn)行狀態(tài)估計(jì)-航跡關(guān)聯(lián)，在PHD濾波框架內(nèi)補(bǔ)充了目標(biāo)航跡識(shí)別的功能，同時(shí)進(jìn)一步去除雜波，提高了基于目標(biāo)檢測(cè)的PHD視頻跟蹤算法的魯棒性。
　　2.針對(duì)單一視覺(jué)特征在動(dòng)態(tài)變化場(chǎng)景下描述目標(biāo)不夠充分，觀測(cè)似然區(qū)分目標(biāo)的能力下降，跟蹤目標(biāo)不夠穩(wěn)定的缺點(diǎn)，提出了一種多特征自適應(yīng)融合的粒子PHD視頻目標(biāo)跟蹤算法。當(dāng)跟蹤場(chǎng)景較復(fù)雜時(shí)，在基于單一特征的視頻跟蹤算法中，由于觀測(cè)似然模型不能有效“辨別”目標(biāo)，有可能造成跟蹤

7、失效。我們采用顏色特征（全局特征）和尺度不變特征（局部特征）描述目標(biāo)，構(gòu)建兩種特征的觀測(cè)似然，并采用基于空間不確定性的融合方法對(duì)兩種特征的觀測(cè)似然自適應(yīng)加權(quán)融合，根據(jù)特征可靠性在線調(diào)整融合觀測(cè)似然函數(shù)各分量的權(quán)重，實(shí)現(xiàn)了信息間的優(yōu)勢(shì)互補(bǔ)。在粒子 PHD算法中，利用多特征自適應(yīng)融合策略構(gòu)建似然模型，提高了粒子 PHD跟蹤算法在復(fù)雜場(chǎng)景下的魯棒性。該算法不僅能處理目標(biāo)數(shù)變化的視頻跟蹤問(wèn)題，還能在目標(biāo)尺度變化、目標(biāo)非平面轉(zhuǎn)動(dòng)，遮擋及在目標(biāo)附近

8、存在相似表觀等場(chǎng)景下魯棒地跟蹤目標(biāo)。
　　3.提出基于顏色特征的粒子PHD及高斯混合模型聚類(lèi)的視頻跟蹤算法。針對(duì)基于目標(biāo)檢測(cè)的PHD視頻跟蹤算法（傳統(tǒng)方法）依賴(lài)所采用的目標(biāo)檢測(cè)算法的缺點(diǎn)，我們將基于顏色直方圖的觀測(cè)似然直接引入粒子 PHD濾波器，目標(biāo)特征信息和PHD濾波結(jié)合為統(tǒng)一的概率跟蹤框架，提高了算法的靈活性和觀測(cè)模型區(qū)分目標(biāo)的能力。針對(duì)粒子PHD算法本身狀態(tài)抽取不可靠的問(wèn)題，提出了一種基于高斯混合模型（GMM）聚類(lèi)的狀態(tài)抽取

9、方法。在基于GMM聚類(lèi)的狀態(tài)抽取方法中，結(jié)合視頻跟蹤算法的特點(diǎn)，設(shè)計(jì)了一種高斯元管理策略作為模型參數(shù)更新算法——期望最大（EM）的初始化方法，提高了狀態(tài)抽取的可靠性和準(zhǔn)確性。通過(guò)在PHD框架內(nèi)引入目標(biāo)特征信息以及狀態(tài)抽取方法，提高了基于粒子PHD的視頻跟蹤算法的魯棒性和靈活性。
　　4.為了提高粒子 PHD濾波視頻跟蹤算法的可靠性，提出一種基于粒子 PHD及核密度近似的視頻跟蹤算法。由于多目標(biāo)狀態(tài)的多峰分布特性，且在遮擋和雜波等復(fù)

10、雜情形的影響下，描述后驗(yàn)PHD的粒子分布更加復(fù)雜?？紤]到粒子分布的復(fù)雜性，我們將狀態(tài)抽取問(wèn)題轉(zhuǎn)化為對(duì)后驗(yàn)PHD的粒子分布進(jìn)行密度估計(jì)問(wèn)題。參數(shù)化的密度估計(jì)方法如基于高斯混合模型（GMM）的密度估計(jì)方法往往需要已知混合密度函數(shù)的形式和混合密度分量的個(gè)數(shù)等先驗(yàn)知識(shí)，而且混合密度模型初始化條件直接影響密度估計(jì)的準(zhǔn)確性。而核密度估計(jì)方法作為一種非參數(shù)密度估計(jì)方法不需要密度分布的先驗(yàn)知識(shí)，且核密度估計(jì)方法所得到的密度函數(shù)僅由數(shù)據(jù)本身的結(jié)構(gòu)所決定，