Kalman濾波在視頻目標跟蹤中的應用研究.pdf

1、在計算機視覺的應用中，視頻目標的識別和跟蹤是一項重要的研究課題，在諸如人機交互、視頻監(jiān)控、智能建筑、司機助手和醫(yī)學圖像處理等領域已經(jīng)得到了廣泛的應用。經(jīng)過國內(nèi)外眾多學者的大量研究，視頻跟蹤技術已經(jīng)有了多方向的發(fā)展，也出現(xiàn)了很多優(yōu)秀的跟蹤算法。但是，這些算法往往基于一些特定的環(huán)境，如靜態(tài)背景、室內(nèi)、無遮擋等，而要在視頻序列中實現(xiàn)穩(wěn)定魯棒的跟蹤，并智能準確地分析目標運動隱含的語義信息，最終實現(xiàn)一個通用的目標自動檢測跟蹤系統(tǒng)仍然是極具挑戰(zhàn)的課

2、題。
　　 本文首先論述了課題研究的背景、意義以及現(xiàn)狀，并對視頻目標跟蹤的基本技術進行了綜述，包括常用的跟蹤算法、跟蹤流程、難點問題和技術要求等，然后回顧了Kalman濾波理論，從貝葉斯濾波的原理出發(fā)闡述了Kalman濾波的基本算法和性質(zhì)，并從發(fā)展的角度討論了擴展卡爾曼濾波(EKF)和Unscented 卡爾曼濾波(UKF)。
　　 本文討論了運動目標檢測和分割的理論，對運動目標檢測的幾種算法進行了對比，并詳細地探討了三

3、幀差法。最后提出了一種半自動的目標分割方法，實驗仿真結果表明論文提出的算法可以有效地分割出運動目標并提取其特征。
　　 本文還討論了經(jīng)典的均值偏移算法，從目標模型、候選模型、相似性度量、目標定位等方面闡述了均值偏移算法的基本原理，分析了該算法的優(yōu)缺點，并進行了實驗仿真。
　　 本文針對均值偏移(Mean shift)算法的不足，提出了一種融合改進的Mean shift和自適應卡爾曼濾波的視頻運動目標跟蹤算法。對于待跟蹤的

4、運動目標，采用三幀差和區(qū)域增長法分割目標并得到主顏色信息。在跟蹤過程中，利用自適應的卡爾曼濾波器估計每一幀的起始迭代位置，再利用改進的Mean shift算法得到跟蹤位置并作為測量值反饋給自適應Kalman濾波器，并引入遮擋率因子以動態(tài)調(diào)節(jié)Kalman濾波器的參數(shù)，使改進后的Mean shift算法具有對目標物體后繼狀態(tài)進行預測估計的能力，從而在目標發(fā)生短時間的遮擋后依然可以對目標進行準確跟蹤。實驗結果表明，本算法相對于均值偏移算法有較