復雜度可分級的目標跟蹤算法研究.pdf

1、目前計算機視覺技術得到了迅猛發(fā)展,運動目標跟蹤作為計算機視覺中的一項重要課題,也得到了廣大優(yōu)秀學者的研究,并且取得了不錯的成果。目標跟蹤的應用十分廣泛,如智能監(jiān)控、人機交互、視頻壓縮及軍事領域等,其研究難點在于目標運動的復雜性、周圍環(huán)境變化、目標遮擋和實時性要求等。雖然目標跟蹤技術得到了日新月異的發(fā)展,跟蹤性能得到了很大的改善,然而在實際應用中仍然沒有一個能應對所有困難的解決辦法,因此設計一個即保證跟蹤精度又滿足實時性的跟蹤算法依然是一

2、項具有很大挑戰(zhàn)性的工作。
　　目前粒子濾波跟蹤算法由于其性能的穩(wěn)定、可靠,且能應用于非線性、非高斯的系統模型中,已得到廣大學者的認可。雖然與Mean-Shift或卡爾曼濾波器等其他目標跟蹤算法相比,粒子濾波存在計算量大的問題,但是當前的計算機硬件水平已經能夠完全勝任,確保粒子濾波算法的實時性。本文首先深入研究了卡爾曼濾波和粒子濾波算法,并將其進行了比較,然后在粒子濾波器的框架下,選擇了四個性質不同、各有所長的特征對目標進行建模,這

3、四個特征分別是顏色特征、邊緣特征、顯著性特征和SIFT特征。選定了這四個特征之后,對這四個特征做了大量的實驗和分析,研究了影響各個特征復雜度和跟蹤精度的因素,合理的將其應用于粒子濾波框架中。
　　針對單一特征描述目標不夠充分、魯棒性不足的缺點,實現了多特征融合的粒子濾波跟蹤算法。實驗表明,每個特征適合不同的跟蹤情況和難度,多特征融合能夠很好的彌補單個特征的不足,改善跟蹤的精確度,而由此帶來的缺點就是復雜度的增加。
　　本文全

4、面研究了融合各種不同單一特征或特征組合的粒子濾波跟蹤算法的復雜度,并構建了一個復雜度分級的機制,將各個跟蹤算法分成四個復雜度等級,等級越高的跟蹤算法復雜度越高,與之相應則是跟蹤精度、魯棒性也越來越高。在實際應用中,可以根據實際需求,選擇不同等級的跟蹤算法來對當前的目標進行跟蹤,從而可以在滿足跟蹤精度的條件下節(jié)約計算開銷。
　　最后本文實現了自適應復雜度可分級的目標跟蹤算法,粒子濾波跟蹤算法的基本原理就是對目標的狀態(tài)進行估計,再觀測