基于機器視覺的運動目標實時跟蹤算法研究.pdf_第1頁
已閱讀1頁,還剩91頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論