论文部分内容阅读
视频目标跟踪是计算机视觉领域的一个热点研究方向,在导航制导、视频监控、人机交互以及医疗诊断等许多领域都有广泛的应用前景。视频目标跟踪的任务就是跟踪视频序列中感兴趣的运动目标,获得目标运动参数,为进一步处理分析奠定基础。但是,由于现实中的跟踪环境复杂多变,例如目标发生遮挡、目标自身形变、光照变化以及目标运动规律突变等,要研究出一种准确度高、鲁棒性好、实时性强的视频目标跟踪算法仍存在较大的困难。近几年兴起的粒子滤波算法在非线性、非高斯系统中能保持良好鲁棒性和准确性,因此越来越多的学者将粒子滤波算法应用于视频目标跟踪领域。本文针对复杂环境下粒子滤波器在视频目标跟踪应用中存在的问题,提出了两种改进的单机动目标跟踪算法。当目标的状态空间的维数以及粒子数目增加时,传统的基于多特征融合的粒子滤波方法计算复杂度呈现指数增长。本文借鉴分层采样思想,提出了一种基于分层采样的自适应多特征融合粒子滤波算法,所提算法将粒子集分割成两种粒子来综合表示目标状态,每种粒子只需要计算目标的一种特征,因此每种粒子仅需要表征一个较低维的状态,既保留了多特征的信息,又降低了计算复杂度。为了突出可信度高的特征的地位,所提算法动态地根据各特征可信度的大小为可信度高的特征分配更多的粒子。另外,所提算法能够自适应的更新各特征的融合系数、粒子总数、粒子传播范围以及特征模板,大大提高了算法对复杂跟踪场景的适应性。针对粒子滤波算法固有的粒子退化问题以及重采样步骤导致的粒子匮乏问题,本文提出一种基于局部多区域划分的粒子群优化遗传粒子滤波算法。所提算法利用粒子群优化思想引导采样粒子向高似然区域移动,减缓粒子权值的退化;再通过遗传算法增加粒子的多样性,增强算法的全局搜索能力,进而缓解粒子匮乏现象。所提算法将粒子的最新量测信息融入到重要性密度函数中,使重要性密度函数更加接近于目标实际的后验概率分布。另外,当目标被遮挡的时候,所提算法随机地选择目标区域的局部区域作为粒子状态模型,这样能够使粒子状态模型中尽可能少的包含遮挡干扰,有效克服了目标被遮挡的问题;同时,选择局部区域描述目标状态,减少了计算量,提高了算法实时性。