基于粒子濾波的動態(tài)場景目標跟蹤算法.pdf

1、視頻中的運動目標跟蹤是計算機視覺領(lǐng)域中最富有挑戰(zhàn)性的課題之一，它在智能監(jiān)控、武器裝備、自主導航車、醫(yī)學診斷、視頻編碼和氣象分析等眾多領(lǐng)域中都有著廣闊的研究和應用前景。拍攝視頻過程中基于攝像機是否運動可以將運動目標跟蹤分為兩種情況：一種是相機靜止不動的靜態(tài)場景，一種是由于攝像機發(fā)生運動或是抖動而產(chǎn)生的動態(tài)場景。其中動態(tài)場景中的背景不斷變化、場景中的光照變化、目標形變和目標遮擋等是運動目標跟蹤的主要困難。針對這些因素的影響，本文從目標的特征

2、提取、特征融合方法進行改進并結(jié)合粒子濾波算法實現(xiàn)了對動態(tài)自然場景下的運動目標跟蹤。
　　本文首先介紹了兩種經(jīng)典算法，即Meanshift和粒子濾波算法，并分別分析比價了它們的優(yōu)缺點并最終采用粒子濾波算法。為了解決自然場景中光照變化、背景與目標顏色相似和目標部分遮擋等跟蹤問題，本文提出了一種加權(quán)分塊環(huán)形顏色直方圖特征的提取方法。該方法首先對運動目標進行分塊環(huán)形分割，分別提取分割區(qū)域的顏色直方圖特征，根據(jù)區(qū)域中運動目標與背景像素個數(shù)的

3、比例來對該區(qū)域進行加權(quán)。將該特征與HOG特征進行融合應用到粒子濾波算法中。
　　針對粒子濾波跟蹤算法中目標漂移，導致跟蹤失敗的問題，本文提出了一種基于SVM評分的參考目標模板更新策略。該方法首先要離線訓練基于HOG特征的行人SVM分類器，在得到輸出跟蹤目標坐標后，提取該區(qū)域的HOG特征并將該特征輸入到分類器中，計算其到分類面的距離作為評分判斷，若大于閾值且該區(qū)域與參考模型的直方圖特征的巴氏距離小于閾值則更新參考模板，否則不更換；針

4、對運動過程中目標尺度發(fā)生變化這一問題，本文在得到輸出運動目標后，對該區(qū)域進行擴大和縮小，分別提取這三個區(qū)域的HOG特征計算其與參考目標模型HOG特征的巴氏距離，取其中距離最近者的尺寸更新所有粒子，然后繼續(xù)進行粒子濾波算法的下一步。
　　論文的實驗采用Windows系統(tǒng)實現(xiàn)：采用Visual Studio2010和OpenCV2.3.11作為編寫程序的平臺；在實驗過程中，共采用了5段實驗視頻，其中1段來自于自拍視頻，4段來自于國際通