论文部分内容阅读
粒子滤波是目标跟踪研究中采用的主流技术之一,但在复杂环境下实现对目标的有效跟踪一直是其面临的挑战。为解决特征空间因环境变化造成可能的特征空间失效问题,本文对结合主成分分析(PCA)的粒子滤波技术进行了深入的研究。论文主要研究工作和创新点如下:(1)提出了一种基于PCA的粒子滤波目标跟踪新方法。通过使用二次PCA解决复杂环境下特征空间的更新问题。其中,前端PCA对收集的目标模板进行分解以建立初步的目标特征空间,在后续的跟踪中,将粒子向量投影到该特征空间中进行重建并且计算粒子的重建误差,然后通过粒子的概率加权和来估计目标在下一帧的状态;后端PCA的作用是将对收集的需要更新的追踪结果进行分解,将分解得到的特征向量更新到原有的特征空间中。由此达到快速有效的特征空间更新效果,适应复杂环境下的目标跟踪的要求。(2)提出了一种基于洛伦兹估计器的特征空间更新判断方法,避免因频繁更新降低处理效果的问题。在使用后端PCA进行更新之前,引入基于洛伦兹估计器的更新判断方法,当目标外观变化剧烈时,该判断方法充分利用洛伦兹估计器在参数估计过程中对异常点的排外作用,从而获得异常点的个数和分布。通过分析发现,这些异常点是因目标外观发生变化或是发生遮挡引起的,因此可以通过统计异常点的个数来判断是否在当前帧进行更新。(3)提出了一种基于代理模式的多目标跟踪算法。该算法为每个目标分配一个代理跟踪器进行相互独立的跟踪,并且增加信息共享模块来联合处理目标与目标之间的遮挡问题。当遮挡发生时,首先通过分析共享模块中的信息判断遮挡类型,然后使用卡尔曼滤波预测遮挡目标的运动方向,扩大搜索范围,对搜索结果按照不同方向进行加权处理,最后估计目标可能的位置,实现了遮挡情况下多目标的跟踪。论文通过公开的监控视频测试序列对上述算法进行了实验和仿真。实验结果表明,基于二阶PCA的目标跟踪算法,能够正确地将目标外观的变化信息更新到特征空间中;基于洛伦兹估计器的更新判断方法,能够极大地减少了不必要的更新;基于代理模式的多目标跟踪算法能够有效的处理目标与目标之间的遮挡,实现复杂环境下多目标的有效跟踪。论文最后对全文工作进行了总结,并对进一步研究方向进行了展望。