视觉技术.doc

西安理工大学 研究生课程论文/研究报告 课程名称：视觉技术与机器视觉 任课教师： 刘龙 论文/研究报告题目：基于卡尔曼滤 波的视觉目标跟踪方法及实现 完成日期： 2014年6月24日 学科： 控制科学与控制工程 班级： 研1313 学号： 1308110597 姓名： 张宁宁 基于卡尔曼滤波的视觉目标跟踪方法及实现 1简介 随着信息技术的发展和计算机视觉技术的广泛应用，人类对数字视频的应用越来越广泛，并且利用图像处理技术对视频中的运动目标进行实时检测和跟踪的研究也越来越多。运动目标检测与跟踪是计算机视觉研究领域中最重要研究内容之一，它是一项将模式识别、图像处理、人工智能、概率论、随机过程、泛函及优化、偏微分方程和自动控制等多种领域的方法融合在一起的新方法，形成了一种能自动从图像序列中实时提取目标位置，并自动对运动目标进行跟踪的先进技术。 目标检测和跟踪不仅在科学上有重要的研究价值，而且在生产和生活中也有很广泛的应用前景。它已经在人机交互、智能交通、裸眼 3D、智能机器人等许多领域获得广泛的应用。 1.1 基于卡尔曼滤波的动目标视觉跟踪的背景及意义 运动目标跟踪的基本概念在 1955 年由 Wax 首先提出。随后，Hef, Aunta 及Blom 等人对图像跟踪研究领域的方法及进展做出了系统而全面的论述。1964 年，Sittler 对多目标跟踪理论以及数据关联问题进行了深入的研究，并取得了开创性的进展。然而直到 70 年代初期，随着自适应跟踪和智能跟踪的思想相继提出，机动目标跟踪理论才真正引起学者的极大兴趣和普遍关注。80 年代，Bar-Shalom 和Singer 等人将数据关联技术与滤波理论有效的结合，代表了现代跟踪技术的进一步发展。80 年代末，Kass 等发表的关于主动轮廓线模型的论文在目标跟踪的研究历史中具有里程碑式的意义。90 年代以后，随着视频图像技术的普及和发展，基于视频数据的多目标跟踪研究也逐渐增多。目标跟踪可以被定义为对所关注区域内目标个数和状态做出预测的过程，其中目标状态包括运动分量（位置、速度、加速度）和属性信息（信噪比、雷达交叉区域、谱特征等）。目标跟踪的方法概括起来有如下四种： （1）基于轮廓的跟踪方法； （2）基于特征的跟踪方法； （3）基于模型的跟踪方法； （4）基于区域的跟踪方法。 卡尔曼滤波最早是由匈牙利数学家卡尔曼（Rudolf Emil Kalman）在二十世纪六十年代提出的最优化自回归数据处理算法（optimal recursive data processingalgorithm）。而首次实现卡尔曼滤波器的却是斯坦利斯密特（Stanley Schmidt）。对于很多问题，卡尔曼滤波方法是最优、效率最高甚至是最有用的解决方法，它的广泛应用已经超过 30 年，其中最知名的应用就是运用卡尔曼滤波方法对阿波罗飞船的轨道进行预测，后来阿波罗飞船的导航系统便使用了这种滤波器。虽然卡尔曼滤波的应用很广泛，但它仅适用于线性系统，因此产生了许多种改进的卡尔曼滤波，包括自适应卡尔曼滤波、无迹卡尔曼滤波和扩展卡尔曼滤波等。其中自适应卡尔曼滤波跟踪的目标没有机动时，算法的估计误差偏大；扩展卡尔曼滤波和无迹卡尔曼滤波算法能适应非线性系统，然而当系统噪声呈非高斯分布时，它们的滤波精度将大幅下降。 同时，通过研究发现，运动目标跟踪还存在一定的困难和挑战。当目标的形状发生变化时，或是目标所处的背景存在较大扰动时，也会给目标跟踪工作带来难度，对跟踪结果也会造成不良的影响。所以，基于卡尔曼滤波的动目标视觉跟踪是一件很具有挑战性的任务。 1.2 基于卡尔曼滤波的动目标视觉跟踪的国内外现状 1960 年，卡尔曼（Kalman）为了克服维纳滤波的缺点，提出了离散型卡尔曼滤波；1961 年，他又把这一滤波方法推广到连续系统中，成为模拟卡尔曼滤波。卡尔曼滤波算法凭借其对目标运动状态准确的预测性，很快就成为运动目标跟踪算法中的主流算法。 现在人们以传统卡尔曼滤波算法为基础，提出许多滤波结果更加优良的改进算法，如自适应卡尔曼滤波、无迹卡尔曼滤波、扩展卡尔曼滤波和粒子卡尔曼滤波等。但归根结底，他们都属于卡尔曼滤波算法。 卡尔曼滤波研究现状 卡尔曼滤波（Kalm