粒子滤波器在图像序列目标跟踪中的应用研究

《粒子滤波器在图像序列目标跟踪中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国防科技大学研究生院学位论文摘要图像序列目标跟踪技术在军用和民用上都有十分重要的意义，研究和开发可靠性高、实时性好的跟踪算法和系统的需求越来越迫切。由于视觉系统本身的高度非线性和非高斯性，采用相关的理论和处理技术自然成为图像领域的一种重要的发展趋势。粒子滤波器是一种颇具特色的非线性、非高斯的理论，本论文具体研究了利用这一理论解决目标跟踪所面临的关键技术问题。粒子滤波器是一种从有噪声的观测数据序列估计运动状态的理论，利用该理论实现目标跟踪的核心内容，是基于粒子滤波器理论建立目标跟踪模型，并形成相应的自动处理过程。粒子滤波器模

2、型的两个重要组成部分是状态转移模型和观测模型，它们的建立都依赖于目标检测的结果。动态图像序列中存在两种运动：目标自运动和由摄像头转动造成的全局运动，为了能够沿用静止背景的目标检测方法，即差分法检测运动目标，本文采用经典的Shi．Tomasi．Kanadc特征点跟踪器和“金字塔结构”结合的方法有效的实现了图像的全局运动补偿，并且提出了一种简单的关于特征点可靠性分析的方法，提高了全局运动补偿的准确性。鉴于基本差分法的缺点，提出了改进差分算法，不仅实现了目标的准确检测，而且能够判定目标运动方向。最后，以目标在图像中的位置为状态变

3、量，以相邻两帧图像的差图像作为观测数据，建立了基于检测的图像序列目标跟踪粒子滤波器模型。将本文研究的方法用于室内环境步行者跟踪，实验结果表明，在图像帧间位移较小的情况下，该粒子滤波器跟踪算法能够实现目标可靠跟踪。关键词：图像序列目标跟踪；粒子滤波器；状态转移模型；观测模型；改进差分法；Shi．Tomasi．Kanade特征点跟踪器；金字塔结构；全局运动补偿第1页国防科技大学研究生院学位论文ABSTRACTAutomaticsequentialimagetargettrackingisofvitalimportanceinb

4、othcivilandmilitaryuse．Demandofresearchinganddevelopingtrackingalgorithmsandsystemswithhighreliabilityandhigllrealtimehavebeenmoreandmoretheseyears．Becausevisionprocedureisactuallynonlinear／nonganssian，usingthecorrespondingtechniquesbecomeonekindofimportantresearc

5、htendinimagefields．Particlefilterisoneoftheoriesasdescriptionabove，andhasdistinguishingfeatures．Inthispaperkeyissuesofapplyingthetheorytotargettrackingarestud／ed．Particlefilterisaninferencetheoryforestimatingthemotionstatefromanoisycollectionofobservations，thecore

6、contentinrealizingtargettrackingwiththistheoryistoconstructatargettrackingmodelandtoformacorrespondingautomaticprocess．Twoimportantcomponentsofthisparticlefilterarestatetransitionmodelandobservationmodel，whicharebuiltaccordingtotheresultsoftargetdetection．Thereare

7、twokindofmotionindynamicsequentialimage：targetmotionbyitselfandego—motionofimageduetothecamera．Todetectthetargetusingthedifferencemethodthatissuitableusuallywhenthesceneisfixedinthecaseofdynamicsequentialimage，ego·motioncompensationisimplementedefficientlybyfeatur

8、escorrespondencewithShi-Tomasi-Kanadefeaturestrackerand‘'pyramidstructures”andthenfeaturesreliabilityanalysis．Inaddition，allimprovedframedifferenceappro