Kalman濾波在視頻目標跟蹤中的應(yīng)用研究.pdf

1、在計算機視覺的應(yīng)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(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。經(jīng)過國內(nèi)外眾多學者的大量研究，視頻跟蹤技術(shù)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(shù)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(shù)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(jié)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(yīng)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(yīng)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(yīng)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(yù)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(jié)果表明，本算法相對于均值偏移算法有較