粒子濾波架構(gòu)下視覺目標(biāo)跟蹤相關(guān)技術(shù)研究.pdf

1、視覺目標(biāo)跟蹤是計(jì)算機(jī)視覺研究的重要課題之一，也是機(jī)器智能化研究的重要分支。它被廣泛用于自動(dòng)駕駛、智能監(jiān)控、人機(jī)交互、電影后期處理、虛擬現(xiàn)實(shí)等諸多領(lǐng)域中?；谪惾~斯濾波和蒙特卡羅采樣的粒子濾波，是目前視覺跟蹤的主要架構(gòu)之一。粒子濾波以其能夠在非線性、多模態(tài)動(dòng)態(tài)系統(tǒng)下能夠長(zhǎng)時(shí)間穩(wěn)定的對(duì)視覺目標(biāo)進(jìn)行跟蹤，使得當(dāng)前的主流跟蹤算法絕大多數(shù)在該架構(gòu)下實(shí)現(xiàn)。粒子濾波大體上可以分為預(yù)測(cè)階段和更新階段。在預(yù)測(cè)階段，狀態(tài)轉(zhuǎn)移模型能否實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)至關(guān)重要；在

2、更新階段，系統(tǒng)預(yù)測(cè)與真實(shí)運(yùn)動(dòng)目標(biāo)之間的觀測(cè)模型需要重點(diǎn)關(guān)注，觀測(cè)模型的目的在于對(duì)運(yùn)動(dòng)目標(biāo)的預(yù)測(cè)位置與真實(shí)位置之間的誤差進(jìn)行修正。這兩個(gè)階段能否準(zhǔn)確地交替協(xié)作運(yùn)行，決定了粒子濾波最終能否實(shí)現(xiàn)高效魯棒的跟蹤。
　　雖然粒子濾波跟蹤算法相比于其他跟蹤算法存在明顯優(yōu)勢(shì)，但是仍然存在一些不足，如跟蹤性能取決于采樣粒子數(shù)目，耗時(shí)的觀測(cè)似然計(jì)算等等。為此，針對(duì)粒子濾波架構(gòu)下的跟蹤算法的不足，結(jié)合當(dāng)前主流跟蹤算法的研究趨勢(shì)，對(duì)粒子濾波架構(gòu)下的視覺

3、目標(biāo)跟蹤進(jìn)行了探討和研究，主要研究工作分為以下幾個(gè)方面：
　?。?）針對(duì)傳統(tǒng)粒子濾波在復(fù)雜場(chǎng)景下的跟蹤不夠魯棒，提出了基于速度在線更新的狀態(tài)轉(zhuǎn)移模型和改進(jìn)的真實(shí)狀態(tài)估計(jì)方法的自適應(yīng)粒子濾波。基于速度在線更新的狀態(tài)轉(zhuǎn)移模型通過對(duì)目標(biāo)狀態(tài)變化速率的在線更新，有效地把握目標(biāo)的運(yùn)動(dòng)規(guī)律以及適應(yīng)運(yùn)動(dòng)的變化，提高了狀態(tài)預(yù)測(cè)的性能；改進(jìn)的真實(shí)狀態(tài)估計(jì)方法根據(jù)觀測(cè)似然的可靠性和粒子的分布情形，自適應(yīng)地對(duì)真實(shí)狀態(tài)進(jìn)行估計(jì)。實(shí)驗(yàn)結(jié)果表明，提出的自適應(yīng)

4、粒子濾波提高了復(fù)雜場(chǎng)景下的跟蹤魯棒性。
　?。?）針對(duì)基于稀疏表示的粒子濾波跟蹤算法計(jì)算代價(jià)過高的缺點(diǎn)，提出了基于粒子聚類分析的L1跟蹤算法。稀疏表示是當(dāng)前計(jì)算機(jī)視覺研究的熱點(diǎn)，對(duì)于光照變化、噪聲干擾、部分遮擋下的跟蹤有較好的魯棒性。然而稀疏表示的求解計(jì)算復(fù)雜度較高，在粒子濾波架構(gòu)下很難滿足跟蹤實(shí)時(shí)性要求。為此，采用改進(jìn)的K均值算法對(duì)采樣粒子進(jìn)行聚類分析，用以實(shí)現(xiàn)粒子的重要性篩選。實(shí)驗(yàn)結(jié)果表明，將該粒子篩選嵌入到L1跟蹤算法，能有

5、效提高跟蹤的實(shí)時(shí)性和準(zhǔn)確性。
　?。?）針對(duì)基于稀疏表示的粒子濾波跟蹤算法很難滿足實(shí)際環(huán)境的跟蹤實(shí)時(shí)性和魯棒性要求，提出了一種基于在線判別分析的L1跟蹤算法。它利用在線邏輯回歸模型實(shí)現(xiàn)粒子的重要性篩選和目標(biāo)/背景的在線更新，將其嵌入到L1跟蹤算法，一方面減少L1最小化求解次數(shù)，降低計(jì)算復(fù)雜度，同時(shí)緩解不相似粒子對(duì)跟蹤結(jié)果的干擾；另一方面通過對(duì)目標(biāo)/背景的在線更新，實(shí)現(xiàn)目標(biāo)的自適應(yīng)動(dòng)態(tài)跟蹤。實(shí)驗(yàn)結(jié)果表明，基于在線判別分析的L1跟蹤算