自然條件下的運(yùn)動目標(biāo)魯棒跟蹤方法研究.pdf

1、視覺信息是典型的非接觸式傳感信息?；谝曈X信息的目標(biāo)跟蹤可以在不干涉觀測目標(biāo)，不對觀測目標(biāo)造成影響的前提下實(shí)現(xiàn)期望的功能?；谝曈X信息的復(fù)雜環(huán)境中特定／非特定運(yùn)動目標(biāo)的可靠檢測與魯棒跟蹤是當(dāng)前備受關(guān)注的前沿方向。在實(shí)際應(yīng)用中，觀測數(shù)據(jù)集常含有大量離群數(shù)據(jù)，這就要求跟蹤方法必須具有一定的魯棒性。魯棒性是跟蹤算法實(shí)用化的前提。隨著計(jì)算機(jī)硬件技術(shù)的發(fā)展，跟蹤算法的實(shí)時(shí)性問題越來越多的依賴硬件方案解決；跟蹤任務(wù)的核心問題，就是如何增強(qiáng)對各種應(yīng)用

2、環(huán)境和各種干擾因素的魯棒性。研究如何提高復(fù)雜自然環(huán)境下運(yùn)動目標(biāo)檢測與跟蹤過程中的魯棒性，不僅有助于實(shí)現(xiàn)和推廣視覺信息的智能化自動處理，提升下一代移動機(jī)器人的智能行為，還將進(jìn)一步推進(jìn)人們對于生物視覺認(rèn)知特性本身的認(rèn)識。 本文從魯棒性需求、魯棒性描述、魯棒性處理策略和魯棒的跟蹤算法設(shè)計(jì)與評估的角度對基于視覺信息的運(yùn)動目標(biāo)跟蹤任務(wù)進(jìn)行研究。分別從魯棒統(tǒng)計(jì)學(xué)和生物認(rèn)知特性出發(fā)，針對目標(biāo)跟蹤任務(wù)不同環(huán)節(jié)——背景建模和背景抑制、運(yùn)動估計(jì)和運(yùn)

3、動跟蹤、目標(biāo)跟蹤——中的不同魯棒性需求，對傳統(tǒng)的魯棒估計(jì)子進(jìn)行改進(jìn)，提出新的跟蹤策略和實(shí)現(xiàn)算法。實(shí)驗(yàn)表明，這些方法與現(xiàn)有的算法相比，在效率、精度、魯棒性等方面都具有一定優(yōu)勢。 文章的主要工作和貢獻(xiàn)如下： (1)首先闡述魯棒估計(jì)的基本含義和基本理論，介紹魯棒統(tǒng)計(jì)學(xué)中關(guān)于估計(jì)子魯棒性的幾個關(guān)鍵概念——離群數(shù)據(jù)、潰點(diǎn)和影響函數(shù)，著重討論本文使用的幾種魯棒估計(jì)子——中位數(shù)估計(jì)子、RASNAC估計(jì)子、M估計(jì)子——的基本原理和各自的

4、優(yōu)缺點(diǎn)；然后分析非參數(shù)化估計(jì)方法與魯棒估計(jì)之間的本質(zhì)聯(lián)系，介紹幾種典型的非參數(shù)估計(jì)方法，著重分析基于核密度估計(jì)的Mean—Shift的性能和收斂性，并給出了實(shí)驗(yàn)驗(yàn)證。 (2)以背景建模任務(wù)為示例，分析不同應(yīng)用條件下的背景建模任務(wù)的魯棒性需求，考察應(yīng)用過程中干擾的引入原因，分析各種干擾現(xiàn)象相應(yīng)的樣本結(jié)構(gòu)形態(tài)；為實(shí)現(xiàn)對多結(jié)構(gòu)混雜數(shù)據(jù)的適應(yīng)能力，本文對傳統(tǒng)的RANSAC方法進(jìn)行了改進(jìn)，并首次將其推廣到動態(tài)背景像素建模任務(wù)當(dāng)中。通過MA

5、D尺度估計(jì)子自適應(yīng)估計(jì)閾值參數(shù)，經(jīng)由隨機(jī)采樣、模型估計(jì)、模型數(shù)據(jù)擴(kuò)充、多級建模的方式，使算法在保持高魯棒性的同時(shí)仍能擁有較好的描述精度。在此基礎(chǔ)上，采用三元組模型描述方式，以改進(jìn)的多級RANSAC方法建立動態(tài)像素背景模型，以單端截尾均值估計(jì)子建立靜態(tài)像素模型，并在一個統(tǒng)一的框架中快速更新。該方法有效的解決了RANSAC方法的固有缺陷，能容忍高比例的離群數(shù)據(jù)；該方法具有較好的描述能力，在保持算法準(zhǔn)確性的前提下有較快的更新速度。通過對潰點(diǎn)的

6、理論計(jì)算和統(tǒng)計(jì)分析驗(yàn)證了方法的魯棒性，并與GMM估計(jì)、Median估計(jì)進(jìn)行了對比。 (3)研究基于運(yùn)動信息的目標(biāo)跟蹤方法，應(yīng)用光流方法和Kalman方法進(jìn)行跟蹤實(shí)驗(yàn)并分析其不足之處。針對Kalman估計(jì)子不能克服外點(diǎn)的影響，難以解決的運(yùn)動分析過程中的非線性、粗差的問題，結(jié)合Turkey型M—估計(jì)子對UKF的迭代過程進(jìn)行改造。M—估計(jì)子是一類重要的魯棒估計(jì)子，可以通過選擇不同類型的損失函數(shù)，實(shí)現(xiàn)不同的魯棒效果。提出了一種M—UKF

7、估計(jì)方法，該方法將M—估計(jì)的加權(quán)原理應(yīng)用到UKF的迭代遞推的過程中，可以有效地減弱或消除觀測值中粗差的影響；在解決了運(yùn)動模型非線性估計(jì)的同時(shí)，能較好的克服離群數(shù)據(jù)的干擾，大大提高了估計(jì)的魯棒性。結(jié)合包含運(yùn)動信息在內(nèi)的多層次信息，給出了一個人的精細(xì)輪廓的跟蹤方法和比較實(shí)驗(yàn)。 (4)從生物視覺認(rèn)知的角度對運(yùn)動目標(biāo)跟蹤過程進(jìn)行全面考察，提出了一種基于蛙眼認(rèn)知特性的“模糊化區(qū)域理解”跟蹤策略。首先詳細(xì)分析了蛙眼視覺系統(tǒng)的行為特性、生理特

8、性和神經(jīng)特性，然后通過借鑒蛙眼認(rèn)知的外部特性和神經(jīng)生理特性，提出了一種與蛙眼跟蹤方式類似的魯棒跟蹤策略；并以“模糊化區(qū)域理解”的方式，給出了這種跟蹤策略的一種實(shí)現(xiàn)模式。將Mean—Shift濾波應(yīng)用到“模糊化區(qū)域理解”的過程中，分析尺度參數(shù)解耦對理解效果的影響結(jié)果，并設(shè)計(jì)了一種自適應(yīng)的局部尺度參數(shù)選擇策略。最后，利用該方法解決存在背景場景突變、目標(biāo)外觀變化、環(huán)境光照變化、目標(biāo)干擾運(yùn)動等現(xiàn)象的復(fù)雜環(huán)境下的目標(biāo)跟蹤問題，提高跟蹤方法對這些干