论文部分内容阅读
视觉目标跟踪是计算机视觉领域的热点研究问题,在智能监控、医学、人机交互、体育运动分析等领域取得了成功的应用。尽管近年来视觉跟踪算法研究取得了长足的进步,但随着现实应用中的视觉场景变得越来越复杂,视觉跟踪算法需要处理的难题也越来越多,这使得现有的视觉跟踪算法无法适应现实应用的需要。这些复杂的场景可能包括：剧烈的光照变化引起的目标外观剧变；目标运动的不确定性引起的运动突变等等。如何设计有效的跟踪算法去处理这些跟踪场景,是视觉跟踪领域的研究者们一直努力去解决的问题。在此背景下,本文研究了基于贝叶斯滤波框架的视觉跟踪算法,结合粒子滤波算法和马氏链蒙特卡罗采样方法,解决复杂场景下的目标跟踪问题。本文的主要研究内容包括：(1)研究了粒子滤波算法及其在视觉跟踪领域中的应用问题,针对传统的粒子滤波跟踪算法存在的问题,提出了基于二阶马尔可夫假设和马氏链蒙特卡罗(Markov chain Monte Carlo, MCMC)后验采样的鲁棒粒子滤波跟踪算法。该算法在粒子滤波算法框架下基于二阶马尔可夫假设,假设系统当前时刻的状态与前两个时刻的状态有关,考虑历史状态的联合后验概率密度；同时抛弃传统的重要性采样方法,使用马尔可夫链蒙特卡罗采样方法,以避免多样性缺失问题的影响。(2)研究了目标运动突变情况下的跟踪问题。基于随机采样的跟踪方法目前在突变运动跟踪问题中得到了广泛的应用,本文针对现有的突变运动目标跟踪算法中存在的问题,提出了一种基于Hamiltonian马氏链蒙特卡罗方法的突变目标跟踪算法。该算法采用Hamiltonian动力学构造马氏链,能够一定程度上抑制传统的随机采样跟踪算法的随机游动行为,在状态空间中搜索时,能够避免陷入局部模式,有效捕获发生突变的目标,在多种不同类型的突变运动场景中均能有效跟踪目标。(3)提出一种自适应有序超松弛MCMC跟踪算法。该算法以HMC跟踪框架为基础,针对传统的MCMC跟踪算法中的随机游动行为,采用有序超松弛方法抑制Gibbs采样过程的随机游动行为,可以减少搜索有希望的目标区域所需要的迭代次数；同时,该算法针对蛙跳方法实现的Hamiltonian动力学的缺点,减少模拟误差,提出跟踪过程中自适应调整蛙跳步长。该算法能够有效跟踪运动发生突变的目标,同时对目标的部分及完全遮挡具有较好的处理能力。