结合在线学习检测的粒子滤波行人跟踪算法-通信与信息系统专业论文.docxVIP

万方数据 万方数据 PARTICLE FILTER WITH ONLINE LEARNING AND DETECTION FOR HUMAN TRACKING A Thesis Submitted to University of Electronic Science and Technology of China Major: Communication and Information Systems Author: Gao Shuang Advisor: Guan Qing School : School of Communication and Information Engineering 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 作者签名： 日期： 年 月 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名： 导师签名： 日期： 年 月 日 摘要 摘 要 在视频流中跟踪指定的目标是自动化图像识别中的一项重要任务，例如行为 分析，自然人机互动和自动导航等等。现实情况中长时间跟踪会由于一些因素， 比如光线变化，位置变化，遮挡，目标的形态变化，类似物体的干扰等而导致跟 踪困难。早期的跟踪算法在整个视频中采用固定的目标模板，根据模板匹配原则 确定后续帧中目标的位置。这种方法的缺点是随着目标形态的变化，目标特征会 与第一帧中提取出的模板特征有很大不同，导致匹配错误，进而出现跟踪失败。 粒子滤波即根据模板匹配来确定粒子权重，它同时采用了模板更新的方法，但如 果环境突然变动，仍会跟踪失效。且因为粒子数量有限，一旦失效后很难再重新 定位目标，而整帧都取粒子则会有很大的计算开销，导致不能实时跟踪。最近提 出的粒子滤波与检测器结合的算法因检测器是在粒子滤波预测的位置上进行检 测，如果目标不在预测的位置上，丢失目标后仍然不能重新定位。 本文针对粒子滤波跟踪算法在丢失目标后难以恢复的不足，借鉴了粒子滤波 与检测器结合的思想，提出将粒子滤波与检测器结合，但要改变检测器的搜索策 略。因此文中将粒子滤波算法与 TLD 算法中的全局检测器结合，针对结合检测器 以后出现的问题，本文主要做了以下几点工作： 1. 原始的粒子滤波算法使用 HSV 颜色模型，而检测器中使用的是灰度图像特 征，为了将它们结合，考虑了最近效果较好的几种灰度图像特征，比较并分析它 们在粒子滤波中的效果。最终选取了灰度直方图作为特征。 2. 在使用了原有的粒子滤波算法流程时效果并不理想，经发现是粒子权重的 计算公式并不适合现有跟踪方法，因此改变了粒子权重计算公式。 3. 在结合了粒子滤波与检测器之后，仍使用 TLD 算法中的输出选择策略时检 测器难以发挥作用，经分析得出粒子滤波没有自我判别标准，导致跟踪失效时仍 具有较高置信度的输出。因此本文为粒子滤波添加一个自我判别标准，为粒子滤 波单独设置一个阈值，当粒子滤波输出置信度低于这个阈值时，认为跟踪失效， 将其输出丢弃，而直接采用检测器输出作为最终输出。 4. 讨论了粒子滤波中的模板更新问题，尽管模板更新策略在原始的粒子滤波 中起了改善效果的作用，但是本文在经过分析之后采取固定的模板，以平衡粒子 I 摘要 滤波与检测器，从而达到更好的效果。 仿真实验中采用中心位置误差（CLE）作为测试比较准则，与灰度下有模板更 新的粒子滤波算法，以及基于分块模板匹配的 frag 算法进行对比，发现跟踪失败 后，粒子滤波的中心位置误差持续增长，而本文提出的方法因为可以重新定位目 标，中心位置误差在一段时间后会下降，且显著优于 frag 算法。因此总结出本文 提出的结合在线学习检测的粒子滤波行人跟踪算法在跟踪失败后能重新定位目 标，效果优于粒子滤波算法。 关键词：粒子滤波，机器学习，检测，行人跟踪 II ABSTRACT ABSTRACT Tracking a selected target in video stream is an important building block for the automation of many image-based t