基于粒子濾波與增量學(xué)習(xí)的車(chē)輛跟蹤方法研究

《基于粒子濾波與增量學(xué)習(xí)的車(chē)輛跟蹤方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、萬(wàn)方數(shù)據(jù)博士學(xué)位論文基于粒子濾波與增量學(xué)習(xí)的車(chē)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(xué)2014年11月萬(wàn)方數(shù)據(jù)Ph．D．DissertationResearchofvehicletrackingmethodsbasedonparticlefilterandincrementallearningWuGangSupervisedbyPn埴勖ngZhenminNanjingUniversityofScience&TechnologyNovember,2014萬(wàn)方數(shù)據(jù)聲明本學(xué)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(xué)位論文中，除了加以標(biāo)注和致謝的部分外，不包含其他人已經(jīng)發(fā)表或公布過(guò)的研究成果，也不包含我為獲得任何教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過(guò)的材料。與我一同工作的同事對(duì)本學(xué)位論文做出的貢獻(xiàn)均已在論文中作了明確的說(shuō)明。研究生簽名：鍪!魚(yú)：l≯一睜J／月／和學(xué)位論文使用授權(quán)聲明南京理工大學(xué)有權(quán)保存本學(xué)位論文的電子和紙質(zhì)文檔，可以借閱或上網(wǎng)公布本學(xué)位論文的部分或全部?jī)?nèi)容，可以向有關(guān)部門(mén)或機(jī)構(gòu)送交并授權(quán)其保存、借閱或上網(wǎng)公布本學(xué)位論文的部分或全部?jī)?nèi)容。對(duì)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(wàn)方數(shù)據(jù)博士論文基于粒子濾波與增量學(xué)習(xí)的車(chē)輛跟蹤方法研究摘要現(xiàn)代交通運(yùn)輸智能化涉及車(chē)輛自身的智能化與道路交通智能監(jiān)控。智能車(chē)輛采用視覺(jué)系統(tǒng)針對(duì)周?chē)?chē)輛進(jìn)行跟蹤，有助于對(duì)潛在接近或危險(xiǎn)行駛的車(chē)輛進(jìn)行合理規(guī)避；道路交通智能監(jiān)控環(huán)境中，針對(duì)車(chē)道上的行駛車(chē)輛進(jìn)行目標(biāo)跟蹤，有助于提取交通流速度、車(chē)道的占有率與瞬時(shí)車(chē)速等交通信息量。符合目標(biāo)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(jué)平臺(tái)，同時(shí)又適合移動(dòng)視覺(jué)平臺(tái)，成為目前跟蹤算法的一個(gè)較優(yōu)選擇

4、。在圖像受隨機(jī)噪聲擾動(dòng)、車(chē)輛受遮擋、車(chē)速變化等場(chǎng)景下，傳統(tǒng)車(chē)輛跟蹤算法的成功率與處理速度均難以完全匹配智能車(chē)視覺(jué)系統(tǒng)的要求；對(duì)于道路交通智能監(jiān)控，基于圖像的車(chē)輛跟蹤算法也存在不能完全適應(yīng)光照強(qiáng)度變化、陰影、雨雪霧天等問(wèn)題。作為傳統(tǒng)預(yù)測(cè)跟蹤方法，粒子濾波算法自身缺乏智能性應(yīng)對(duì)復(fù)雜場(chǎng)景車(chē)輛跟蹤的有效解決手段。針對(duì)上述復(fù)雜車(chē)輛跟蹤場(chǎng)景，論文側(cè)重在融合粒子濾波與增量學(xué)習(xí)方面，研究進(jìn)一步提高粒子濾波跟蹤算法穩(wěn)定性、實(shí)時(shí)性與可靠性的解決方法。本論文主要研究復(fù)雜場(chǎng)景中的運(yùn)動(dòng)車(chē)輛跟蹤方法，研究成果與取得的創(chuàng)新點(diǎn)

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(jìn)簡(jiǎn)化的建議分布，引起粒子權(quán)值近似計(jì)算從而導(dǎo)致跟蹤穩(wěn)定性欠佳的問(wèn)題，利用相鄰幀間信息的強(qiáng)關(guān)聯(lián)性，使用前幀先驗(yàn)與系統(tǒng)狀態(tài)預(yù)測(cè)信息共同采樣粒子以校正預(yù)測(cè)粒子點(diǎn)信息，提出一種引入前幀加權(quán)采樣的粒子濾波跟蹤算法。基于標(biāo)準(zhǔn)視頻Carll的車(chē)輛跟蹤實(shí)驗(yàn)表明：對(duì)道路燈光擾動(dòng)下車(chē)速發(fā)生變化的車(chē)輛進(jìn)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(jìn)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(guò)引入當(dāng)前粒子集權(quán)值的殘差信息來(lái)構(gòu)建合理的累積分布函數(shù)，又通過(guò)分層的手段來(lái)獲取有序的隨機(jī)數(shù)集合，在多項(xiàng)式重采樣的基礎(chǔ)上提出殘差信息分層重采樣。針對(duì)標(biāo)準(zhǔn)測(cè)試視頻，對(duì)比嵌入4種重采樣的粒子濾波SI礎(chǔ)艮蹤算法的實(shí)驗(yàn)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(duì)車(chē)輛運(yùn)動(dòng)方向持續(xù)變化、目標(biāo)車(chē)輛距離遠(yuǎn)近變化、光照強(qiáng)度變化等場(chǎng)景下，穩(wěn)定且實(shí)時(shí)性地跟蹤車(chē)輛的難點(diǎn)問(wèn)題，基于自相關(guān)矩陣增量主成分分析(IncrementalPrincipal

7、ComponentAnalysis，IPCA)增量學(xué)習(xí)與粒子濾波算法的基礎(chǔ)上提出一種基于表觀模型的車(chē)輛跟蹤方法，不需預(yù)先訓(xùn)練車(chē)輛圖像、且不需假定目標(biāo)車(chē)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(chē)輛的子空間圖像，通過(guò)IPCA增量學(xué)習(xí)后的子空間均值、特征向量基共同參與似然概率密度的計(jì)算，提高粒子濾波算法粒子權(quán)值計(jì)算的精度。在粒子數(shù)選取300個(gè)、每5幀進(jìn)行一次IPCA增量學(xué)習(xí)的情況下，基于Car4等3組標(biāo)準(zhǔn)視頻的跟蹤實(shí)驗(yàn)表明：對(duì)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(chē)輛跟蹤成功率分別由82．7％"92．3％、萬(wàn)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(zhǎng)序列圖像跟蹤場(chǎng)景中，車(chē)輛跟蹤過(guò)程經(jīng)常受跟蹤區(qū)域形變、光照強(qiáng)度變化等現(xiàn)場(chǎng)強(qiáng)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(diǎn)問(wèn)題，利用群空間中仿射群組受擾動(dòng)后的形不變性，將系統(tǒng)狀態(tài)變量映射到李群空間進(jìn)行處理，同時(shí)采用IPCA增量學(xué)習(xí)并更新目標(biāo)特征子空間。在利用粒子濾波算法采樣粒子時(shí)，通過(guò)引入觀測(cè)量以提高粒子權(quán)值計(jì)算的準(zhǔn)確