基于粒子濾波與增量學習的車輛跟蹤方法研究

《基于粒子濾波與增量學習的車輛跟蹤方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、萬方數(shù)據(jù)博士學位論文基于粒子濾波與增量學習的車輛跟蹤方法研究作者：吳剛指導(dǎo)教師：唐振民教授南京理工大學2014年11月萬方數(shù)據(jù)Ph．D．DissertationResearchofvehicletrackingmethodsbasedonparticlefilterandincrementallearningWuGangSupervisedbyPn埴勖ngZhenminNanjingUniversityofScience&TechnologyNovember,2014萬方數(shù)據(jù)聲明本學位論文是我在

2、導(dǎo)師的指導(dǎo)下取得的研究成果，盡我所知，在本學位論文中，除了加以標注和致謝的部分外，不包含其他人已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得任何教育機構(gòu)的學位或?qū)W歷而使用過的材料。與我一同工作的同事對本學位論文做出的貢獻均已在論文中作了明確的說明。研究生簽名：鍪!魚：l≯一睜J／月／和學位論文使用授權(quán)聲明南京理工大學有權(quán)保存本學位論文的電子和紙質(zhì)文檔，可以借閱或上網(wǎng)公布本學位論文的部分或全部內(nèi)容，可以向有關(guān)部門或機構(gòu)送交并授權(quán)其保存、借閱或上網(wǎng)公布本學位論文的部分或全部內(nèi)容。對于保密論文，按保密的

3、有關(guān)規(guī)定和程序處理。研究生簽名：j址列牛年l＼月眵日萬方數(shù)據(jù)博士論文基于粒子濾波與增量學習的車輛跟蹤方法研究摘要現(xiàn)代交通運輸智能化涉及車輛自身的智能化與道路交通智能監(jiān)控。智能車輛采用視覺系統(tǒng)針對周圍車輛進行跟蹤，有助于對潛在接近或危險行駛的車輛進行合理規(guī)避；道路交通智能監(jiān)控環(huán)境中，針對車道上的行駛車輛進行目標跟蹤，有助于提取交通流速度、車道的占有率與瞬時車速等交通信息量。符合目標狀態(tài)非線性、噪聲分布非高斯的粒子濾波算法由于既適用靜止視覺平臺，同時又適合移動視覺平臺，成為目前跟蹤算法的一個較優(yōu)選擇

4、。在圖像受隨機噪聲擾動、車輛受遮擋、車速變化等場景下，傳統(tǒng)車輛跟蹤算法的成功率與處理速度均難以完全匹配智能車視覺系統(tǒng)的要求；對于道路交通智能監(jiān)控，基于圖像的車輛跟蹤算法也存在不能完全適應(yīng)光照強度變化、陰影、雨雪霧天等問題。作為傳統(tǒng)預(yù)測跟蹤方法，粒子濾波算法自身缺乏智能性應(yīng)對復(fù)雜場景車輛跟蹤的有效解決手段。針對上述復(fù)雜車輛跟蹤場景，論文側(cè)重在融合粒子濾波與增量學習方面，研究進一步提高粒子濾波跟蹤算法穩(wěn)定性、實時性與可靠性的解決方法。本論文主要研究復(fù)雜場景中的運動車輛跟蹤方法，研究成果與取得的創(chuàng)新點

5、體現(xiàn)在以下主要方面：(1)為解決傳統(tǒng)粒子濾波序列重要性重采樣(SequentialImportanceResampling，SIR)算法因引進簡化的建議分布，引起粒子權(quán)值近似計算從而導(dǎo)致跟蹤穩(wěn)定性欠佳的問題，利用相鄰幀間信息的強關(guān)聯(lián)性，使用前幀先驗與系統(tǒng)狀態(tài)預(yù)測信息共同采樣粒子以校正預(yù)測粒子點信息，提出一種引入前幀加權(quán)采樣的粒子濾波跟蹤算法?；跇藴室曨lCarll的車輛跟蹤實驗表明：對道路燈光擾動下車速發(fā)生變化的車輛進行跟蹤，所提算法提高粒子濾波SIR算法跟蹤的穩(wěn)定性。為進一步降低重采樣誤差并提

6、高粒子濾波的采樣效率，既通過引入當前粒子集權(quán)值的殘差信息來構(gòu)建合理的累積分布函數(shù)，又通過分層的手段來獲取有序的隨機數(shù)集合，在多項式重采樣的基礎(chǔ)上提出殘差信息分層重采樣。針對標準測試視頻，對比嵌入4種重采樣的粒子濾波SI礎(chǔ)艮蹤算法的實驗數(shù)據(jù)表明：在跟蹤誤差與收斂粒子數(shù)方面，嵌入殘差信息分層重采樣的粒子濾波算法性能為最優(yōu)。(2)針對車輛運動方向持續(xù)變化、目標車輛距離遠近變化、光照強度變化等場景下，穩(wěn)定且實時性地跟蹤車輛的難點問題，基于自相關(guān)矩陣增量主成分分析(IncrementalPrincipal

7、ComponentAnalysis，IPCA)增量學習與粒子濾波算法的基礎(chǔ)上提出一種基于表觀模型的車輛跟蹤方法，不需預(yù)先訓練車輛圖像、且不需假定目標車輛的子空間均值固定，從跟蹤初始利用自相關(guān)矩陣與特征值分解構(gòu)建車輛的子空間圖像，通過IPCA增量學習后的子空間均值、特征向量基共同參與似然概率密度的計算，提高粒子濾波算法粒子權(quán)值計算的精度。在粒子數(shù)選取300個、每5幀進行一次IPCA增量學習的情況下，基于Car4等3組標準視頻的跟蹤實驗表明：對比P．Hall．IPCA粒子濾波與D．Ross．IPCA

8、粒子濾波方法，所提AM．IPCA粒子濾波方法將車輛跟蹤成功率分別由82．7％"92．3％、萬方數(shù)據(jù)摘要博士論文92．1％--一95．2％提升至95．1％～96．4％。(3)長序列圖像跟蹤場景中，車輛跟蹤過程經(jīng)常受跟蹤區(qū)域形變、光照強度變化等現(xiàn)場強噪聲干擾，為解決跟蹤算法的跟蹤窗口易產(chǎn)生形變與漂移的難點問題，利用群空間中仿射群組受擾動后的形不變性，將系統(tǒng)狀態(tài)變量映射到李群空間進行處理，同時采用IPCA增量學習并更新目標特征子空間。在利用粒子濾波算法采樣粒子時，通過引入觀測量以提高粒子權(quán)值計算的準確