基于粒子滤波的多目标跟踪算法研究

西安电子科技大学硕士学位论文基于粒子滤波的多目标跟踪算法研究姓名：梁敏申请学位级别：硕士专业：控制理论与控制工程指导教师：刘贵喜20100101基于粒子滤波的多目标跟踪算法研究作者：梁敏学位授予单位：西安电子科技大学相似文献(10条)1.学位论文廖雪超基于粒子滤波和背景建模的多目标跟踪技术的研究和实现2006多目标跟踪技术是计算机视觉研究领域中最活跃的研究课题之一。随着现代计算机和信息技术的飞速发展及图形识别算法的革命性改进，多目标的实时追踪技术脱颖而出，在军事国防、交通监视、天文预测、智能监控等领域有着非常重要的实用价值。粒子滤波作为一种基于贝叶斯估计的非线性滤波算法，在处理非线性运动目标跟踪问题方面有独到的优势。但粒子滤波的框架中并没有包含数据关联的机制，当对多个目标进行跟踪，目标数发生变化或目标相互遮挡时，会出现跟踪目标的丢失。此外，多个目标之间的干扰也会影响跟踪的准确性。本文在应用粒子滤波进行目标跟踪的基础上，提出了将粒子滤波和背景建模相结合来处理多目标跟踪问题的技术框架，将多目标跟踪分为背景建模、多目标跟踪、初始化、重新初始化和粒子滤波五个模块。本文的研究成果如下：使用高斯混合模型(GMM)对图像的每个像素进行建模，来计算当前图像中属于背景像素的概率，从而提取出前景运动目标。在处理前景目标的阴影问题时，为了克服了图像局部或整体的光照变化的影响，通过建立亮度变化和色度变化的彩色模型，来区分阴影背景、高亮背景、普通背景及前景目标，然后自动选择阈值对图像的像素点进行分类。实验表明，该算法能够较好的区分前景目标及其产生的阴影，从而提高后续跟踪算法的效率。在背景建模的基础上，详细研究了对每个目标生成其粒子集，进行粒子滤波的算法流程及技术框架，实现了3种粒子重采样算法(替换选择算法、线性时间算法和权值函数算法)。在评价粒子权值时，为了较好的区分目标之间的颜色特征，对原有的用Bhattacharyya距离评价的算法进行了改进，仅统计背景建模后粒子区域前景像素的颜色分布，从而提高了目标跟踪的精度和效率。利用背景建模的结果，并结合目标运动的时间和空间关系，使用信任理论来处理新目标出现和旧目标消失的情况。实验表明，本算法能实现多个运动行人的有效跟踪。2.期刊论文刘美.高欢萍.刘林.LIUMei.GAOHuan-ping.LIULin一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法-科学技术与工程2010,10(10)针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM-RPF)的多目标跟踪方法.把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态.仿真表明,DFCM-RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.4377m下降到1.3073m,DFCM-RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量.3.学位论文陈宏文利用视频分割与粒子滤波实现多目标跟踪研究2010多目标跟踪技术广泛应用于弹道导弹防御、空中预警、空中多目标攻击、战场监视、城市安保、虚拟现实中人机交互等领域。随着传感器技术的日益完善和机器人技术发展要求，基于计算机视觉的多目标跟踪技术成为各国顶尖科研机构竞相追逐的热点问题。br　　粒子滤波是进行目标跟踪的有效方法，但被用于多目标跟踪时也容易出错，尤其是当多个目标相互交叉的时候。为了解决这个问题，本文提出了粒子滤波与视频分割相结合的方法，利用视频分割提供的信息区分不同的目标，以达到正确跟踪的目的。br　　第一章介绍多目标跟踪的概念、组成与分类，多目标跟踪的研究意义、国内外研究现状以及本文贡献。br　　第二章介绍粒子滤波在目标跟踪中的应用。br　　第三章介绍利用视频分割与粒子滤波实现多目标跟踪的算法。br　　第四章叙述了多目标跟踪算法的实现结果。br　　第五章为总结与展望。4.学位论文杨进基于粒子滤波的多目标跟踪算法研究2008多目标跟踪是当前计算机视觉中的热点问题之一，是一项包括图像处理、模式识别、概率论与统计推理、系统状态估计等多学科交叉的活跃研究主题，已经被广泛的应用在视频监控、视频压缩编码、成像制导等领域。迄今为止在计算机视觉领域已经提出了很多目标跟踪算法，其中粒子滤波是一种基于贝叶斯估计理论的非线性滤波算法，由于它能够处理非线性非高斯系统而被广泛的应用在目标跟踪当中。本文主要研究了基于粒子滤波的多目标跟踪算法。文章首先归纳了现有的各种目标跟踪方法，并简要介绍了贝叶斯滤波理论和粒子滤波算法。在前人研究的基础上，本文主要在以下三个方面进行了研究和创新：1.在粒子滤波理论框架下，讨论了基于粒子滤波的单目标跟踪算法。从目标运动模型、目标观测模型、重采样几个方面分别介绍了基于粒子滤波的单目标跟踪算法的具体实现方法，并对实验结果进行了分析。2.提出了基于图模型的多目标跟踪算法。该算法使用无向图来描述多目标模型，并将多目标跟踪问题视为图模型的推理问题。并利用粒子滤波能够实现非线性非高斯系统的状态参数估计的优点来进行图模型的推理。针对粒子滤波的计算复杂性，提出了采用MeanShift算法的粒子采样策略。3.针对人脸跟踪的应用场合，提出了基于颜色和轮廓梯度两种视觉特征融合的人脸跟踪算法，取得了良好的跟踪效果。5.期刊论文陈菲琪.吴晓丹.CHENFei-qi.WUXiao-dan基于粒子滤波的多目标跟踪研究-计算机仿真2010,27(6)针对无线传感器网络中的多目标跟踪问题,为提高系统的精度,减少误差,提出一种自适应基于粒子滤波的多目标跟踪算法(APF).算法根据粒子历史信息与后验信息的关联度,自适应的调整粒子采样分布.由目标分布与节点测量的关系,将节点组织成簇,并用簇内的节点测量表示目标特征.目标状态的估计由粒子加权表示,权值与粒子和对应目标特征的相似度成正比.仿真结果表明,APF算法较好地解决无线传感器网络下的多目标跟踪问题,跟踪误差相对于经典分布式粒子滤波降低30%,验证了APF算法可以实时多目标跟踪,实现了较好的跟踪效果.6.学位论文赵欣基于随机集理论的被动多传感器多目标跟踪技术2009被动多传感器多目标跟踪技术是目标跟踪系统的重要研究内容之一，在军事和民用领域已经展现出有效而广阔的理论和应用前景。但由于飞行器性能的提高及电子对抗等技术的进步，现代目标跟踪环境发生了显著的变化，目标的强机动、背景的高杂波、观测的高虚警及目标数量的不确定等特点，使得现代被动多目标跟踪技术遇到了很大的挑战。针对上述问题，本论文重点研究了基于随机集理论的被动多传感器多目标跟踪算法。首先，介绍了被动多传感器系统的基本数据处理方法。针对数目固定的多个机动运动目标，提出了一种适用于被动观测系统的粒子滤波关联跟踪算法，有效的实现了对多个做非线性运动目标的跟踪。其次，将随机集理论引入多目标跟踪中，研究了基于随机集概率假设密度(PHD)的变维信息融合方法。针对高杂波、高虚警环境下，目标数量变化的非线性多目标跟踪问题，研究了高斯和粒子采样的PHD算法(GSPPHD)并利用拟蒙特卡罗采样对GSPPHD算法进行了改进。实验表明，提出的改进算法在保证跟踪精度的同时，降低了GSPPHD算法的计算量。另外，针对高杂波、高虚警环境下，数量变化的机动多目标跟踪问题，提出了交互多模型PHD(IMM-PHD)多传感器多机动目标跟踪算法。仿真结果表明，IMM-PHD算法对于存在大量虚警干扰的情况，仅通过获得关于目标的角度信息就能够实时有效的跟踪数量变化的多个机动目标。最后，针对随机集PHD跟踪算法难以形成个体目标航迹的问题，提出了一种新的基于随机集的Rao-Blackwellized粒子滤波(RBPF)关联算法，通过与PHD算法结合，有效的实现多目标跟踪及其航迹检测与关联。7.期刊论文孙伟.郭宝龙.SUNWei.GUOBao-long一种伪粒子滤波的多目标跟踪方法-西安电子科技大学学报（自然科学版）2008,35(2)针对经典粒子滤波方法进行多目标跟踪的发散问题,基于经典粒子滤波原理和聚类算法,提出一种伪粒子滤波方法.通过对经典粒子滤波重要性重采样结果进行聚类分析,获得相应目标的粒子子群集合以及相应的不动点.并证明了选取近于目标区域大小的聚类核函数带宽,聚类不动点即逼近目标的最大后验概率分布.通过数据关联确定多目标的最终状态.实验结果表明,该算法解决了经典理论的发散问题,可以完成实时多目标跟踪,且具有鲁棒性能和一定的生物视觉仿生功能.8.期刊论文孟范栋.黄文斌.MENGFandong.HUANGWenbin基于粒子滤波与Gibbs抽样的多目标被动跟踪研究-电光与控制2010,17(12)多目标跟踪问题是目前目标跟踪领域的一个重要研究方向,其中被动跟踪更加复杂也更具有实战意义.为了提高多目标跟踪算法的精度及稳定性,减少算法的计算开销,采用了粒子滤波与Gibbs抽样相结合的方法.粒子滤波能很好地解决目标跟踪中状态估计的非线性问题,将其应用扩展到多目标的跟踪维持;运用Gibbs抽样解决多目标跟踪中的数据关联问题,提高了关联的准确度,减小了计算开销.仿真试验证明:上述算法能较好地解决多目标跟踪问题,具有较好的估计精度.9.期刊论文张俊根.姬红兵.ZHANGJun-gen.JIHong-bing采用粒子滤波和模糊聚类法的非线性多目标跟踪-西安电子科技大学学报（自然科学版）2010,37(4)提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪.首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵.然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新.最后,将该算法应用于多传感器多目标纯方位角跟踪.仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度.10.学位论文李恒晖复杂背景动态建模与粒子滤波跟踪方法2009近些年来，随着各种恐怖袭击事件和民航安全事故接连不断的出现，社会对公共安全的需求比以往更加强烈，视频监控技术受到前所未有的关注。如何提高视频处理的智能化度、拓展其应用领域、提高系统的性能已经成为研究和应用领域的一个热点。复杂条件下的视频图像分析又是其中的一个突出方面，其处理结果的优劣直接影响到后续的视频理解。本论文主要对视频监控相关的关键技术进行研究，研究内容涉及在复杂场景下的目标检测和目标跟踪两个方面。目标检测方面，首先介绍了目前运动目标检测领域常用的几类算法，并阐述了这些算法应用于不同场景时的优缺点。接着，本文对混合高斯背景建模方法展开了深入地研究。最后，本文针对混合高斯模型对光线变化较为敏感、模型冗余度过高等问题提出基于GVF-Snake模型的多约束混合高斯模型法，并通过实验结果证明了本文方法在复杂背景下的有效性。目标跟踪方面，主要研究了基于颜色粒子滤波的多目标跟踪方法。首先，本文介绍了粒子滤波理论以及其实现方法，利用粒子滤波理论来解决目标跟踪问题，构建基于粒子滤波的跟踪框架。随后，针对基于颜色特征的粒子滤波方法存在的问题，提出了基于颜色和纹理信息融合的遗传粒子滤波方法，并通过实验仿真验证本文跟踪方法的有效性。最后，本文分析了目标常态与异态情况下跟踪的维持，并初探了目标的出现、消失、合并以及遮挡问题。在此基础上，引入了最近邻数据关联和信任度理论，并针对目标不同的异常情况进行实时的检测和处理。本文链接：授权使用：东北大学(dbdx)，授权号：2f7723e4-7e18-40c2-b589-9ea