基于機器視覺的運動目標實時跟蹤算法研究.pdf

1、隨著計算機技術及數(shù)字圖像處理技術的快速發(fā)展，基于視頻序列的運動目標跟蹤是目前研究的熱點，它包括模式識別，計算機視覺，人工智能等技術，已被廣泛的應用于各個領域。目前，基于濾波理論的運動目標跟蹤算法備受關注。卡爾曼濾波算法（Kalman Filter, KF）經常被用來預測運動物體的位置及其它特征數(shù)據，且該算法在線性系統(tǒng)中能取得較好的跟蹤效果。但是當運動物的狀態(tài)發(fā)生劇烈變化時, KF算法會產生較大的預測誤差，有時候可能導致濾波發(fā)散的情況。針

2、對KF算法只適用于線性系統(tǒng)的局限，出現(xiàn)了擴展卡爾曼濾波（Extended Kalman Filter, EKF)。雖然EKF較KF局限性有所下降，可以應用非線性系統(tǒng)，但EKF只適用于弱非線性系統(tǒng)，在強非線性系統(tǒng)中, EKF算法的性能是及其不穩(wěn)定的。因此，提高KF與EKF的濾波精度具有重要的理論與實際意義。
　　針對以上，本文就當運動目標狀態(tài)發(fā)生突變時，基于KF濾波算法及EKF濾波算法跟蹤效果不理想的情況做了進一步研究和改進。具體研

3、究內容如下：
　　（1）深入研究了KF濾波算法及多新息理論，提出了基于多新息理論卡爾曼濾波算法（multi-innovation Kalman Filter，MI-KF）。MI-KF濾波算法除了考慮系統(tǒng)目標當前時刻的狀態(tài)信息外，還考慮了前面時刻運動目標所包含的運行信息，使得 MI-KF在運動目標檢測的應用中預測精度得到了提高，特別是當運動目標狀態(tài)突變的情況下，預測效果更好。應用逼近理論證明了本文提出的MI-KF濾波算法的收斂性。最

4、后，分別從曲線模擬和視頻序列跟蹤兩個方面進行算法仿真研究，結果表明，本文改進的MI-KF較標準的KF在跟蹤方面預測精度更高。
　?。?）針對標準的EKF在強非線性系統(tǒng)中估計精度較低的問題，結合多新息理論，提出了擴展卡爾曼濾波算法（MI-EKF）。MI-EKF在標準EKF的基礎上增加了新息的數(shù)量，考慮了目標運動過程中的多步運動信息，從而在很大程度上提高了算法的濾波精度。在算法的仿真研究中，分別采用兩個新息和三個新息對MI-EKF算法