基于多特征的改进MeanShift与Particle Filter联合跟踪算法研究

摘要

机器视觉技术是一个近年来博得广泛关注的研究课题。而作为机器视觉核心技术的视觉目标跟踪算法，更是引来了大批研究学者对其进行研究和改进，因此涌现出了很多优秀的跟踪算法。但是，随着目标跟踪环境的日益复杂化和跟踪精度要求的日益提高，人们迫切地期待能开发出在复杂环境下仍然鲁棒、实用的跟踪算法。因此本文提出了一种基于多特征的改进MeanShift与Particle Filter联合跟踪算法（改进的MSPF算法），本文的重要研究工作如下。
　　 1.结合了颜色和LBP纹理两种特征联合描述目标。在目标描述方面，通过提取颜色和LBP纹理直方图来更加精确地描述目标。在MeanShift迭代时通过加权融合、在Particle Filter阶段计算权值时则采用乘性融合方式融合颜色和LBP纹理两种特征，由于纹理特征能有效地适应光照变化，所以跟踪算法对光照具有鲁棒性。
　　 2.提出了一种改进的MSPF算法。首先总结出了MeanShift算法和Particle Filter算法的实现步骤，并指出各自在目标跟踪应用方面的优缺点，提出了算法改进的必要性。然后针对两种算法的不足之处，本文提出了一种基于多特征改进的MSPF算法，实现了两者优点的有效结合和缺陷的相互抑制。一方面，本文提出的算法框架中，Particle Filter算法抗遮挡性能良好，可以弥补MeanShift容易陷入局部最优从而导致跟踪失败的缺陷。另一方面，本文提出的改进MSPF算法一定程度上达到了抑制粒子退化问题的效果，保证了Particle Filter算法中粒子的多样性不受严重破坏。因为有一部分粒子不是从重要性分布函数中采样的，而是从MeanShift算法迭代优化后的目标位置附近区域采样得到的，这一部分粒子使得当前帧的观测值信息很好的保留了下来，弥补了重要性分布函数不能反映观测信息的缺陷。
　　 3.进行了算法仿真及性能评估。本文基于OpenCV2.0及VS2008软件环境对改进MSPF算法与其它两种最新提出的MSPF算法进行了性能对比评估，并给出了直观科学的跟踪误差曲线图来论证算法的准确率。仿真结果表明，本文算法在光照变化、遮挡等条件下优于其它两种MSPF算法，能在复杂环境下对目标进行快速、鲁棒、实时的跟踪。

目录

声明

摘要

第1章 绪论

1．1 课题来源

1．2 课题研究背景与意义

1．3 国内外研究现状

1．4 本论文主要工作和各章内容安排

第2章 基于颜色和LBP特征的目标模型研究

2．1 特征选择方法

2．2 模型描述

2．2．1 目标模型

2．2．2 目标候选模型

2．3 基于颜色特征的模型

2．4 基于纹理特征的模型

2．5 本章小结

第3章 基于多特征的改进MeanShift与Particle Filter联合算法研究

3．1 MeanShift算法理论基础

3．1．1 目标跟踪中的MeanShift算法

3．1．2 MeanShift在目标跟踪方面的应用及不足

3．2 Particle Filter算法理论基础

3．2．1目标跟踪中的Particle Filter算法

3．2．2 在目标跟踪方面的应用及不足

3．3 改进的MSPF算法的多特征融合方法研究

3．3．1 MeanShift迭代优化阶段的多特征融合方法

3．3．2 Particle Filter算法阶段的多特征融合方法

3．4 改进的MSPF算法的算法融合方法研究

3．5 基于多特征融合的改进的MSPF算法步骤

3．6 本章小结

第4章 改进的MSPF算法仿真及性能评估

4．1 抗光照变化性能评估

4．2 抗遮挡性能评估

4．3 粒子退化问题性能评估

4．4 算法误差曲线

4．5 计算复杂度

4．6 本章小结

第5章 总结与展望

5．1 总结

5．2 展望

致谢

参考文献