基于序列蒙特卡罗滤波的车辆跟踪算法研究

来源:用户上传      作者: 杜云明　盖丽娜　田静

　　摘 要： 针对非线性目标跟踪中模型或函数近似等最优估计缺陷问题，提出了基于帧间预测和特征匹配的序列蒙特卡罗滤波跟踪算法。算法中采用在HSV色彩下的空间加权直方图描述跟踪车辆的状态特征，通过简单的随机漂移模型实现估测样本的帧间传递，利用估测样本与期望目标间的相似度量完成样本权重赋值运算，最终利用加权样本值估计实现待测目标的后验状态。实验结果表明，基于序列蒙特卡罗滤波的车辆跟踪算法计算简单有效，能够在复杂环境下实时、准确跟踪道路上无规律、非线性运动的车辆，并能够有效适应车辆部分遮挡和短时丢失等情况。
　　关键词：
　　中图分类号： U495 文献标识码： A 文章编号：2095-2163（2012）05-0004-04
　　0 引 言
　　随着国民经济的增长，道路交通事业也得到了迅速发展，机动车保有量不断增加，但同时城市交通拥堵，交通事故频发，交通环境恶化等现象也逐渐凸显出来。为了解决地面交通迅速发展所引发的各种问题，提出了智能交通系统概念，并日益受到来日各方的重视。其中车辆跟踪作为智能交通系统的重要组成部分，在交通监控、停车场调度、事故检测、自动导航等方面表现出了广阔的应用前景和研究价值？眼1？演。近年来，针对车辆跟踪问题，研究人员进行了积极的探索，提出了一些相对有效的解决方案。比如文献？眼2？演利用LDA对目标和背景进行区分，通过模型匹配方式实现车辆跟踪。由于建模和匹配的复杂性、运行环境的快速变化及模型更新速度的限制使得跟踪的效果和实时性不够理想。文献？眼3？演中，利用前后景差分方法实现简单背景下的车辆目标跟踪，虽然方法简单，但由于每一帧都需要进行全局运算，且在已知环境下进行，因此在跟踪速度和方法的扩展方面性能较差。文献？眼4？演利用卡尔曼滤波结合目标的区域特征，通过局部的线性预测，实现车辆简单运动轨迹下的位置估计。尽管该方法克服了全局运算的缺陷，但由于卡尔曼滤波的线性估计特性，却也相应制约了该方法在非线性运动状态下的适应能力。文献？眼5？演中，利用均值移位（Mean Shift）算法有效克服了目标的非线性运动跟踪，但在目标跟踪时，该算法对目标位置的定位仅考虑了均值漂移向量提供的方向？熏 而没有考虑目标实际的宏观运动。当目标的颜色分布和背景相似或有所干扰时，Mean Shift算法可能出现跟踪错误，最终丢失目标。为更好地解决非线性、非高斯的目标跟踪问题，近年来发展起来的序列蒙特卡罗（Sequential Monte Carlo）方法成为了研究热点，该方法避免了数学或模型近似的缺陷，利用加权样本实现对目标状态的后验估计，因而将其用于复杂的非线性、非高斯的目标跟踪中是有效的、可行的。
　　1 序列蒙特卡罗滤波技术
　　1.1 基本原理？眼6？演
转载注明来源:https://www.xzbu.com/8/view-3819679.htm