论文部分内容阅读
在非线性滤波领域，粒子滤波算法在继传统的扩展卡尔曼滤波算法和无迹卡尔曼滤波算法之后开始得到人们的重视，并广泛应用于目标跟踪、导航制导与控制、图像处理及故障检测等领域。粒子滤波是一种基于蒙特卡洛模拟实现递推贝叶斯滤波的技术，利用在状态空间中传递的随机样本，对状态后验概率密度函数进行近似，并根据蒙特卡罗估计原理估计状态值。本质上适用于任何非高斯及非线性的情况，但是由于粒子滤波是近几年刚刚出现的一种新算法，算法本身还不太成熟，存在着一些固有的缺陷，如粒子退化问题和计算量大和实时性差等问题。
本论文围绕传统粒子滤波算法的上述两个缺陷，研究对粒子滤波算法的改进算法，主要研究工作包括：
1)研究和实现了基本粒子滤波算法在目标跟踪中的应用。阐述了粒子滤波算法的基本理论知识、重要性函数和重采样技术，详细叙述了粒子滤波的算法流程，初步形成了粒子滤波算法的理论框架，并在这一理论框架下，将粒子滤波的基本算法应用于视频目标跟踪，实现了基于粒子滤波算法的目标跟踪。
2)研究了K均值聚类算法的基本理论知识，同时针对本课题的实际情况，对该算法进行了相应的改进，并将改进后的K均值算法应用于对最初采样的粒子集进行聚类，将N个粒子分配到K个聚类中心上去，为后续的计算打下基础。
3)将不变矩算法引入到粒子的选取中去，它通过选择与上一帧目标位置最接近的三个聚类中心进行不变矩匹配，选择其中与目标模块最接近的那一个聚类中心所对应的粒子集进行后续的粒子滤波跟踪运算，这样保证了所选的粒子都在目标周围，使所选的每个粒子都能很好的反应目标的位置信息，这样就避免了粒子退化问题的产生，因为只选择其中与目标模板最接近的那类粒子参与计算，这样就大大的降低了粒子滤波运算的复杂度，有效的改善了粒子滤波算法计算量大的问题，提高了粒子滤波算法的实时性。
4)本文针对不变矩算法的计算的需要，采用背景差分算法对视频图像进行前景提取及二值化处理，这样就大大的减少了不变矩计算的复杂度，同时在一定程度上，能够有效的避免相似背景的干扰和背景的遮挡等跟踪难点问题。