基于卡爾曼濾波的多區(qū)域關(guān)聯(lián)視頻目標(biāo)跟蹤研究.pdf

1、隨著計(jì)算機(jī)軟硬件水平的不斷提高，視頻目標(biāo)跟蹤技術(shù)的應(yīng)用范圍越來越廣。然而，在目標(biāo)跟蹤過程中，常常會(huì)遇見目標(biāo)遮擋情況，使跟蹤變得不穩(wěn)定;或者遇見目標(biāo)特征與背景特征相似的情況，使跟蹤產(chǎn)生漂移現(xiàn)象，甚至導(dǎo)致跟蹤失敗。因此，要實(shí)現(xiàn)穩(wěn)定且準(zhǔn)確的目標(biāo)跟蹤，目標(biāo)遮擋及跟蹤漂移問題亟需解決。本文針對目標(biāo)遮擋及跟蹤漂移問題展開研究工作，其主要內(nèi)容及創(chuàng)新點(diǎn)如下:
　　 針對目標(biāo)遮擋及跟蹤漂移問題，選取顏色直方圖模型作為目標(biāo)特征，提出了多區(qū)域特征匹配

2、方法。該方法將目標(biāo)分為多個(gè)區(qū)域，用無向圖表示區(qū)域之間的關(guān)系，在單區(qū)域特征匹配巴氏系數(shù)的基礎(chǔ)上，引入相鄰區(qū)域的距離因子，建立了全局多區(qū)域相似性度量函數(shù)，使得在某些區(qū)域跟蹤出現(xiàn)異常時(shí)，其他區(qū)域可以校正其跟蹤位置，從而提升跟蹤的魯棒性及準(zhǔn)確性。
　　 在多區(qū)域特征匹配方法的基礎(chǔ)上，提出了基于卡爾曼濾波的多區(qū)域關(guān)聯(lián)目標(biāo)跟蹤模型（簡稱跟蹤模型）。應(yīng)用卡爾曼濾波對目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行預(yù)測及校正，預(yù)測為獲取準(zhǔn)確的觀測信息奠定了良好的基礎(chǔ)，校正提升

3、了跟蹤的準(zhǔn)確性。此外，還給出了基于該模型的目標(biāo)模板更新及目標(biāo)嚴(yán)重遮擋的解決方案。
　　 為實(shí)現(xiàn)跟蹤模型，提出了螺旋隊(duì)列區(qū)域采樣方法，建立了基于卡爾曼濾波與螺旋隊(duì)列采樣的多區(qū)域關(guān)聯(lián)跟蹤算法（簡稱螺旋算法）。相比傳統(tǒng)的等間隔區(qū)域采樣，螺旋采樣給出了采樣區(qū)域直方圖模型的遞推公式，降低了計(jì)算量，提高了跟蹤的實(shí)時(shí)性。實(shí)驗(yàn)結(jié)果表明，相對于經(jīng)典的Mean Shift方法及粒子濾波法，該算法可以較好地處理目標(biāo)遮擋和跟蹤漂移問題，并且擁有更好的魯

4、棒性、實(shí)時(shí)性及準(zhǔn)確性。
　　 為了解決跟蹤模型中觀測信息過多依賴于卡爾曼濾波預(yù)測狀態(tài)的問題，引入馬爾科夫鏈蒙特卡羅(MCMC)方法作為跟蹤模型中的采樣方法，并建立了基于卡爾曼濾波與MCMC采樣的多區(qū)域關(guān)聯(lián)跟蹤算法。通過卡爾曼濾波預(yù)測馬爾科夫鏈的初始狀態(tài)，再基于該狀態(tài)利用MCMC方法構(gòu)建一條平穩(wěn)分布為觀測密度的馬爾科夫鏈，用于獲取卡爾曼濾波校正階段所需的觀測信息。實(shí)驗(yàn)結(jié)果表明，該算法不僅可以解決目標(biāo)遮擋和跟蹤漂移問題，而且相對于螺