摘 要

近年来，视频目标跟踪技术发展迅速，已经成为计算机视觉领域的一个热门研究方向，在智能视频监控、无人驾驶、人机交互、虚拟现实等许多领域具有广泛的应用。对于目标跟踪的研究，前人已经提出了很多算法，其中粒子滤波算法由于适合用于非高斯系统中，因此现今粒子滤波算法也依然受到了许多科研学者的青睐。

本文先具体阐述了粒子滤波算法的基本原理，包含了贝叶斯滤波、蒙特卡洛方法、重要性采样、重采样等。然后对HSV、HOG等视觉特征的提取方法进行了详细的说明。

随后，本文在理解基本粒子滤波的基础上，实现了多特征融合的粒子滤波跟踪器，并选取了两个视频图像序列对该跟踪器的实际效果进行了测试。实验结果表明，采用多特征融合后的粒子滤波跟踪器的跟踪结果较为准确，且相比较于采用单一特征的粒子滤波跟踪器有更强的鲁棒性。

关键词：视频目标跟踪；粒子滤波算法；多特征融合

Abstract

Recently,Video target tracking technology has became a hot research direction in the field of computer vision. It has a wide range of applications in many fields such as intelligent video surveillance, driverless, human-computer interaction, and virtual reality. For the research of target tracking, many algorithms have been proposed by the predecessors. The particle filter algorithm is suitable for non-Gaussian systems. Therefore, the particle filter algorithm is still favored by many researchers.

In this paper I first elaborates on the basic principles of particle filter algorithm, including Bayesian filtering, Monte Carlo sampling, importance sampling, resampling and other methods and formula derivation. Then, the extraction methods of visual features such as HSV and HOG are described in detail.

Subsequently, based on the basic particle filter, the particle filter tracker with multi-feature fusion is implemented, and the effects of the tracker are tested by two video image sequences . The experimental results show that the multi-feature fusion particle filter tracker has better tracking results and is more robust than the single feature particle filter tracker.

Key Words：Video target tracking; particle filter algorithm; multi-feature fusion

目录

第一章 绪论 1

1.1研究目的及意义 1

1.2研究现状 1

1.3论文主要工作及结构 2

第二章 粒子滤波算法原理 3

2.1引言 3

2.2状态空间模型 3

2.3贝叶斯滤波 3

2.4蒙特卡洛方法 4

2.5重要性采样 5

2.6重采样 7

2.7粒子滤波算法流程 7

2.8本章小结 8

第三章 视觉特征提取 9

3.1引言 9

3.2颜色特征 9

3.2.1颜色空间模型 9

3.2.2直方图量化 10

3.3 HOG特征 12

3.4本章小结 12

第四章 多特征融合的粒子滤波算法实现 13

4.1引言 13

4.2相似性测度 13

4.3多特征权值融合方法 13

4.4状态空间模型的确定 14

4.4.1状态转移模型 14

4.4.2系统观测模型 15

4.5多特征融合粒子滤波器跟踪算法实现流程 15

4.6实验步骤及结果分析 17

4.7本章小结 23

第五章 总结与展望 24

5.1工作总结 24

5.2工作展望 24

参考文献 25

致谢 26

第一章 绪论

1.1研究目的及意义

随着近几十年信息技术的发展，视频图像的采集、存储、传输，处理等问题得到有效解决，原本应用在一些如卫星导航、声呐跟踪等抽象领域的目标跟踪技术，如今广泛应用于视频图像中。目前，视频目标跟踪技术在智能视频监控、无人驾驶、人机交互、虚拟现实等许多领域得到了广泛的应用^[7]。正是由于其巨大的应用前景,视频目标跟踪技术受到了更来越更多的研究者的关注，已经成为了计算机视觉的一大研究热点。

近些年，视频跟踪技术发展迅速，许多国内外研究机构对此进行研究，并取得了大量的研究成果。但要对视频目标进行鲁棒且稳定的跟踪，仍然面临着许多难题^[1]。当对复杂场景下的目标进行跟踪时，由于光照的变化、相似物的干扰、遮挡等干扰存在，可能会引起跟踪目标的丢失。同时，目标自身可能在尺度或者外观发生较大的变化，加大了跟踪的难度。这些问题阻碍了视频跟踪技术更进一步的应用。

虽然视频跟踪中存在一系列的难题，但在科研工作者的努力下，已经提出了许多解决方法。其中卡尔曼滤波和粒子滤波等目标跟踪算法较为有效。卡尔曼滤波算法在跟踪目标运动线性且噪声高斯的情况下是最优的，但实际情况下往往跟踪目标运动非线性，噪声非高斯，此时使用卡尔曼滤波方法可能会造成跟踪失败或产生较大的偏差。而粒子滤波可以很好地处理非高斯系统^[8]。粒子滤波算法源于蒙特卡洛思想，它通过大量随机采样来逼近目标状态的后验概率密度，可以很好地解决非线性问题。并且随着近些年来的研究，重要性采样和重采样等方法的提出有效解决了粒子滤波的采样问题和权重退化问题，使得粒子滤波算法更加具有实用性。

本论文将对基于粒子滤波的视频目标跟踪算法进行研究。采用粒子滤波算法可以有效的对视频目标进行跟踪，且通过现有的方法进行改进后的粒子滤波算法对一些复杂场景下的目标跟踪也十分有效。因此，采用基于粒子滤波的方法进行视频目标跟踪这一研究在理论价值和实用价值上都具有重要的意义。

1.2研究现状

视频目标跟踪问题作为计算机视觉领域的研究重点之一，引来了一大批世界各地的研究人员对此展开研究，目前已经取得了大量的研究成果。每年都有大量的研究成果发表在CVPR(Conference on ComputerVision and PatternRecognition)、ECCV(European Conference on Computer Vision)、ICCV( IEEE International Conference on Computer Vision)等顶级会议上。

国外对于这个领域的研究较早，目前一些比较好的算法也基本是由国外的学者提出来的。2011年Sam Hare等提出了struck算法，2013 Tomas Vojir等人提出了ASMS算法，2014年Joao F. Henriques等提出了KCF(kernelized correlation filters)算法。

虽然国内在这方面起步比较晚，但随着目标跟踪领域的关注度越来越高，国内许多科研机构和高校也开始进行相关研究。2006年，候志强和韩崇昭在自动化学报上发表了视觉跟踪技术的综述文献^[2]，系统地讲解了视觉跟踪的发展历史、现阶段的研究状况和未来的研究趋势。刘晨光等^[16]提出了一种交互式粒子滤波器，实现了目标被遮挡下的跟踪问题，张天柱等^[13]提出了一种多任务相关粒子滤波器，采用了相关滤波技术指导粒子采样的方法。近些年来，国内的各所高学校、研究所已经进行了大量的研究工作并且取得了丰富的研究成果

1.3论文主要工作及结构

本次毕业论文的主要工作是在较好的掌握粒子滤波的基础上，实现基于粒子滤波的视频目标跟踪算法。首先是对粒子滤波的算法进行深入的学习和理解，然后了解HSV特征和HOG特征的原理，并掌握提取这些特征的计算方法。对于单一特征无法很好的在多种环境下有效的跟踪目标物体，本论文将对多特征融合的粒子滤波跟踪算法进行研究和实现，利用多种特征在不同的跟踪环境下的优势进行互补，可以提高粒子滤波跟踪算法的性能。

本论文共分成五个章节，各章节安排的内容如下：

第一章为绪论。介绍了本次论文研究的目的及意义，概述了视频目标跟踪技术的国内外研究现状。最后给出了本文主要工作内容以及论文结构的具体安排。

第二章为粒子滤波器算法原理。对粒子滤波器算法涉及到的各种数学方法的基本原理及其公式推导做了详细的介绍。并且在最后介绍粒子滤波器算法流程。该章节内容将作为后面章节研究的基础。

第三章为视觉特征提取。对实现多特征融合的粒子滤波跟踪器要用到的HSV和HOG特征进行了详细的说明，并且给出了提取这些特征的计算方法。

第四章为多特征融合的粒子滤波算法实现。该章节将以上述章节的研究内容为基础，将介绍多特征融合的粒子滤波跟踪器的具体实现步骤并在最后给出实验结果及分析。

第五章为总结与展望。主要是对本次本科毕业设计的总结和对后续研究工作的期望。

第二章 粒子滤波算法原理

2.1引言

粒子滤波算法思想源于Hammersley等人在20世纪50年代提出的序贯重要性采样滤波思想^[3]。但由于其存在粒子权值退化问题，一直没有得到重视，直到重采样方法的提出，使得粒子滤波算法得到了进一步的完善，才有了实用的价值。

粒子滤波算法常用于解决非线性、非高斯系统的状态估计等问题。该算法的原理是通过非参数化蒙特卡洛方法求解贝叶斯滤波问题，它通过大量随机采样来逼近目标状态的后验概率密度，可以很好地解决非线性问题。在视频目标跟踪系统中，往往跟踪目标运动非线性，噪声非高斯。因此，在这一领域相比其它滤波算法，粒子滤波更具优势。