發(fā)布時(shí)間：2020-03-14 05:42

【摘要】：在多目標(biāo)跟蹤過程中,遮擋和漏檢容易引起目標(biāo)標(biāo)簽錯(cuò)亂和丟失,造成跟蹤失敗。針對該問題,提出一種基于混合高斯-概率假設(shè)密度(GM-PHD)濾波器的改進(jìn)跟蹤方法。使用背景差分檢測獲得二值圖像映射和測量集,以外觀為基礎(chǔ)的探測器檢測目標(biāo)外觀,將背景差分獲得的測量集與外觀檢測器獲得的測量集進(jìn)行融合,利用改進(jìn)的GM-PHD濾波器保持目標(biāo)跟蹤軌跡,并處理目標(biāo)跟蹤中的一些不確定性因素。實(shí)驗(yàn)結(jié)果表明,與GM-PHD方法、顏色外觀方法和SMC-PHD方法相比,該方法能獲得較好的跟蹤精度。
【圖文】：

。在預(yù)測步驟中，GM-PHD的強(qiáng)度通過JXk|k－1進(jìn)行建模，計(jì)算如下:vk|k－1(x)=∑JXk|k－1i=1wik|k－1N(x;mik|k－1，Sik|k－1)(5)在更新步驟中，GM-PHD的強(qiáng)度建模為一個(gè)高斯混合函數(shù)，即:vk(x)=∑z∈Z∑JXk|k－1j=1wjk(z)N(x;mjk|k(z)，Sjk|k)+(1－PD，k)vk|k－1(x)(6)其中，PD，k代表檢測概率;wjk代表第j個(gè)目標(biāo)的權(quán)重。更多詳細(xì)信息可以參考文獻(xiàn)［13］。2提出的方法2．1方法介紹本文提出的目標(biāo)檢測和跟蹤系統(tǒng)的流程如圖1所示。圖1本文跟蹤系統(tǒng)的總體步驟由圖1可知，每一步中，背景差分檢測(BackgroundSubtractionDetection，BSD)運(yùn)用背景圖片(BackGroundImage，BGI)和當(dāng)前幀Ik來獲取二值圖像映射I⌒k和測量集ZDk。測量集ZDk包含在時(shí)間步驟k中，運(yùn)用BSD檢測對象的邊界框。以外觀為基礎(chǔ)的探測器，也通過外觀模型來檢測目標(biāo)。為每個(gè)目標(biāo)建立一套特定的檢測器。運(yùn)用目標(biāo)外觀254

哂阢兄y8的像素置為0，將其他像素置為1。最后，運(yùn)用連通分量和形態(tài)學(xué)算子提取目標(biāo)邊界框。由于BSD通常會產(chǎn)生許多小尺寸的虛假檢測，刪除這些檢測，可以減少不確定性。在圖1中，由BSD在時(shí)間步驟k獲得的測量和圖像映射分別表示為ZDk和I·k。測量集ZDk用于考慮新產(chǎn)生的目標(biāo)，也用于更新在每個(gè)步驟中每個(gè)軌跡的外觀模型。2．3測量融合測量獲取是視覺目標(biāo)跟蹤中最關(guān)鍵的一個(gè)步驟。這是因?yàn)�，由于各種不確定因素的影響，比如噪聲、雜波、光照變化、目標(biāo)變形和部分遮擋，目標(biāo)測量的效果可能會降低，如圖2所示，均列舉2個(gè)示例。如圖2(b)和圖2(c)所示，由于低對比度和噪聲的影響，BSD檢測目標(biāo)變得不準(zhǔn)確。另外，在圖2(d)和圖2(e)中，由于部分遮擋，BSD不能精確地檢測出目標(biāo)邊界框，導(dǎo)致漏檢和噪聲。圖2一些外界可能的影響以及測量融合的重要性本文假設(shè)集合ZDk={z1Dk，，z2Dk，…，zJZDkDk}和集合ZAk={z1Ak，z2Ak，…，zJZAkAk}分別表示由BSD和外觀探測器得到的測量結(jié)果。測量的融合執(zhí)行如下:首先，計(jì)算ZDk和ZAk所有測量之間的重疊率。如果重疊率滿足一個(gè)給定的閾值，那么測量ziAk與測量ziDk關(guān)聯(lián)，本文實(shí)驗(yàn)的經(jīng)驗(yàn)閾值為0．5，關(guān)聯(lián)測量融合為:zi，jFk=wAkziAk+(1－wAk)zjDk(7)其中，參數(shù)wAk表示基于外觀檢測的影響。這個(gè)影響可以利用圖2解釋，圖2第1行是背景差分檢測ZDk，第2行是外觀檢測ZAk，第3行是測量融合集ZFk，在非阻塞條件下(這里定義非阻塞是指目標(biāo)沒有被遮擋或干擾，如圖2(b)和圖2(c))所示，wAk可以設(shè)置為0．5;在阻塞條件下(阻塞是指目標(biāo)被?

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 孫新領(lǐng);馬紹惠;徐平平;;基于SIR粒子濾波和局部搜索算法的運(yùn)動目標(biāo)跟蹤方案[J];湘潭大學(xué)自然科學(xué)學(xué)報(bào);2016年02期

2 周良毅;王智;王營冠;;基于動態(tài)遮擋閾值的多視角多目標(biāo)協(xié)作追蹤[J];計(jì)算機(jī)研究與發(fā)展;2014年04期

3 喻旭勇;王直杰;;基于灰度觸發(fā)的Mean Shift自動跟蹤算法[J];計(jì)算機(jī)工程;2014年01期

4 王曉;韓崇昭;連峰;;基于隨機(jī)有限集的目標(biāo)跟蹤方法研究及最新進(jìn)展[J];工程數(shù)學(xué)學(xué)報(bào);2012年04期

相關(guān)博士學(xué)位論文 前1條

1 連峰;基于隨機(jī)有限集的多目標(biāo)跟蹤方法研究[D];西安交通大學(xué);2009年

相關(guān)碩士學(xué)位論文 前1條

1 王健;基于目標(biāo)跟蹤的交通違停事件檢測的研究[D];中國科學(xué)技術(shù)大學(xué);2011年

【共引文獻(xiàn)】

相關(guān)博士學(xué)位論文 前3條

1 章濤;基于隨機(jī)有限集理論的通用航空多目標(biāo)跟蹤方法研究[D];天津大學(xué);2015年

2 江同洋;基于隨機(jī)有限集的多目標(biāo)貝葉斯濾波方法研究[D];浙江大學(xué);2015年

3 李波;基于隨機(jī)有限集理論的VTS目標(biāo)跟蹤方法研究[D];大連海事大學(xué);2015年

相關(guān)碩士學(xué)位論文 前5條

1 李桂林;基于視頻圖像的逆行交通事件檢測方法的研究[D];安徽工程大學(xué);2016年

2 姚明明;高速公路隧道停車檢測中的車輛跟蹤及狀態(tài)識別方法研究[D];重慶大學(xué);2014年

3 李旭;基于視覺的車輛違章軋線與違停監(jiān)管系統(tǒng)研究[D];南京航空航天大學(xué);2014年

4 張林;違章停車智能檢測系統(tǒng)研究[D];北京郵電大學(xué);2014年

5 胡小梅;基于序列圖像的安瓿瓶藥液可見異物檢測技術(shù)研究[D];湖南大學(xué);2012年

【二級參考文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 李教;多平臺多傳感器多源信息融合系統(tǒng)時(shí)空配準(zhǔn)及性能評估研究[D];西北工業(yè)大學(xué);2003年

相關(guān)碩士學(xué)位論文 前4條

1 陳耀宇;基于全方位視覺的違章停車監(jiān)控系統(tǒng)的研究[D];浙江工業(yè)大學(xué);2009年

2 褚洪君;基于視覺的交通違章停車檢測方法研究[D];哈爾濱工業(yè)大學(xué);2009年

3 徐璐;基于直方圖和混合高斯模型的攝像機(jī)移動檢測[D];上海交通大學(xué);2009年

4 王典;基于混合高斯的背景建模與陰影抑制算法研究[D];西北工業(yè)大學(xué);2006年

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李斌;姚康澤;王巖;慈林林;萬建偉;;基于灰關(guān)聯(lián)的分類信息輔助多目標(biāo)跟蹤[J];信號處理;2009年03期

2 王汝夯;黃建國;張群飛;;基于網(wǎng)絡(luò)層次分析的水下多目標(biāo)跟蹤排序方法[J];西北工業(yè)大學(xué)學(xué)報(bào);2009年05期

3 陳炳和;雷達(dá)多目標(biāo)跟蹤的數(shù)學(xué)表示[J];電子學(xué)報(bào);1988年02期

4 余少波,胡守仁,劉孟仁;雷達(dá)多目標(biāo)跟蹤的神經(jīng)網(wǎng)絡(luò)方法[J];電子學(xué)報(bào);1992年04期

5 王順奎;多目標(biāo)跟蹤用的多傳感器信息融合技術(shù)[J];紅外與激光技術(shù);1994年04期

6 E.W.Kamen ,劉勝厚;基于對稱測量方程的多目標(biāo)跟蹤[J];艦船指揮控制系統(tǒng);1996年03期

7 劉維亭,張冰,朱志宇;多目標(biāo)跟蹤中的目標(biāo)位置及速度數(shù)據(jù)融合[J];船舶工程;2003年01期

8 路紅;費(fèi)樹岷;鄭建勇;張濤;;基于行為和部分觀測的多目標(biāo)跟蹤(英文)[J];Journal of Southeast University(English Edition);2008年04期

9 蔣戀華;甘朝暉;蔣e

本文編號：2586922