粒子濾波架構下視覺目標跟蹤相關技術研究.pdf

1、視覺目標跟蹤是計算機視覺研究的重要課題之一，也是機器智能化研究的重要分支。它被廣泛用于自動駕駛、智能監(jiān)控、人機交互、電影后期處理、虛擬現實等諸多領域中?；谪惾~斯濾波和蒙特卡羅采樣的粒子濾波，是目前視覺跟蹤的主要架構之一。粒子濾波以其能夠在非線性、多模態(tài)動態(tài)系統(tǒng)下能夠長時間穩(wěn)定的對視覺目標進行跟蹤，使得當前的主流跟蹤算法絕大多數在該架構下實現。粒子濾波大體上可以分為預測階段和更新階段。在預測階段，狀態(tài)轉移模型能否實現準確預測至關重要；在

2、更新階段，系統(tǒng)預測與真實運動目標之間的觀測模型需要重點關注，觀測模型的目的在于對運動目標的預測位置與真實位置之間的誤差進行修正。這兩個階段能否準確地交替協(xié)作運行，決定了粒子濾波最終能否實現高效魯棒的跟蹤。
　　雖然粒子濾波跟蹤算法相比于其他跟蹤算法存在明顯優(yōu)勢，但是仍然存在一些不足，如跟蹤性能取決于采樣粒子數目，耗時的觀測似然計算等等。為此，針對粒子濾波架構下的跟蹤算法的不足，結合當前主流跟蹤算法的研究趨勢，對粒子濾波架構下的視覺

3、目標跟蹤進行了探討和研究，主要研究工作分為以下幾個方面：
　?。?）針對傳統(tǒng)粒子濾波在復雜場景下的跟蹤不夠魯棒，提出了基于速度在線更新的狀態(tài)轉移模型和改進的真實狀態(tài)估計方法的自適應粒子濾波。基于速度在線更新的狀態(tài)轉移模型通過對目標狀態(tài)變化速率的在線更新，有效地把握目標的運動規(guī)律以及適應運動的變化，提高了狀態(tài)預測的性能；改進的真實狀態(tài)估計方法根據觀測似然的可靠性和粒子的分布情形，自適應地對真實狀態(tài)進行估計。實驗結果表明，提出的自適應

4、粒子濾波提高了復雜場景下的跟蹤魯棒性。
　?。?）針對基于稀疏表示的粒子濾波跟蹤算法計算代價過高的缺點，提出了基于粒子聚類分析的L1跟蹤算法。稀疏表示是當前計算機視覺研究的熱點，對于光照變化、噪聲干擾、部分遮擋下的跟蹤有較好的魯棒性。然而稀疏表示的求解計算復雜度較高，在粒子濾波架構下很難滿足跟蹤實時性要求。為此，采用改進的K均值算法對采樣粒子進行聚類分析，用以實現粒子的重要性篩選。實驗結果表明，將該粒子篩選嵌入到L1跟蹤算法，能有

5、效提高跟蹤的實時性和準確性。
　?。?）針對基于稀疏表示的粒子濾波跟蹤算法很難滿足實際環(huán)境的跟蹤實時性和魯棒性要求，提出了一種基于在線判別分析的L1跟蹤算法。它利用在線邏輯回歸模型實現粒子的重要性篩選和目標/背景的在線更新，將其嵌入到L1跟蹤算法，一方面減少L1最小化求解次數，降低計算復雜度，同時緩解不相似粒子對跟蹤結果的干擾；另一方面通過對目標/背景的在線更新，實現目標的自適應動態(tài)跟蹤。實驗結果表明，基于在線判別分析的L1跟蹤算