卡尔曼粒子滤波目标活动轮廓跟踪算法研究

Deformable moving object tracking in a complex background is difficult and hot in the smart video surveillance. Contour deformation can form an very large dimensional space, thus direct application of particle filters is impractical due to the greatly reduction of effective particle size as dimension increases. Based on existing research results, the proposal suggests combining the kalman filter and the particle filter with mode tracker to detecting and tracking active contour of object with level set. The key idea is that the state space is divided into "effective basis space" with a small number of dimensions (most of the contour deformation occurs in which space) and the rest of the state space("residual space"), then "effective basis space" is divided into "global motion effective basis space" and "local deformation effective basis space". We use kalman filter to predict global motion of object, and perform importance sampling on local deformation effective basis space. So we can greatly reduce the number of particles. we use a mode tracking step to track residual deformation. Meanwhile, in order to make the active contour detection more robust an energy functional of active contour is built by considering a variety of image information. Finally, because the particle filter is suitable for parallel computing, the proposed contour of object detecting and tracking algorithm(parallel computing version) will be achieved using parallel computing technology, to make the algorithm meet the requirements of real-time.

在复杂环境下跟踪可变形的运动目标是智能视频监视的难点和热点。可变形轮廓会形成一个高维状态空间，直接使用粒子滤波不实际，因为有效粒子数随维数增加急剧减小。本课题基于现有研究成果，提出结合卡尔曼滤波和带峰值跟踪的粒子滤波来检测和跟踪基于水平集的目标活动轮廓。其核心思想是将高维状态空间划分为小维数的"有效基空间"（大多数变形发生在该空间）和剩余空间（"剩余基空间"），再将有效基空间划分为"全局运动有效基空间"和"局部变形有效基空间"，对"全局运动有效基空间"采用卡尔曼滤波，"局部变形有效基空间"使用粒子滤波，这样进一步减小粒子滤波的状态空间维数，"剩余基空间"则采用峰值跟踪方法；同时为了使活动轮廓检测更加鲁棒，通过结合多种图像信息来构建活动轮廓能量泛函模型。最后因为粒子滤波适合于并行计算，采用并行计算技术来实现提出的目标轮廓检测和跟踪算法的并行计算版本，使其满足智能视频监视算法的实时性。

在复杂环境下鲁棒跟踪可变形的运动目标一直以来是智能视频监视的难点和热点。本项目研究了结合基于边缘的和基于区域的能量泛函模型，使得能够充分利用目标的边缘信息和目标的区域信息，使得水平集演化过程中更鲁棒，不容易受到边缘区域的噪声的干扰。基于该模型提出了相应的目标检测跟踪算法，实验表明在较大噪声情况下能够较好跟踪运动目标。研究了粒子滤波跟踪变形目标活动轮廓模型。当跟踪可变形目标的轮廓曲线时，大多数的轮廓曲线点会独立移动，这样轮廓变形就会形成一个很高维空间，而在高维空间使用粒子滤波是不可行的，因为有效粒子数会迅速减小。将状态空间分为有效基空间（维数很小）和剩余基空间。在有效基空间进行重要性采样（维数很小，大大减小所需粒子数），而在剩余基空间用后验概率峰值跟踪代替重要性采样，最终大大减小了该算法的计算量。但是该算法对快速运动目标跟踪效果不好，原因是由于其有效基空间的参数全局移动速度采用一个固定值，这与大多数实际情况是不符的。当目标的全局移动速度较大，则容易出现预测值与正确值相差较大，导致有效粒子数减小，为了解决这个问题，我们提出了卡尔曼滤波与峰值跟踪粒子滤波相结合的模型。将有效基空间划分为“全局运动有效基空间”和“局部变形有效基空间”，对“全局运动有效基空间”采用卡尔曼滤波，“局部变形有效基空间”使用粒子滤波，这样进一步减小粒子滤波的状态空间维数，对全局移动速度的预测更准确。因此卡尔曼滤波与峰值跟踪粒子滤波结合模型对快速运动的可变形目标轮廓跟踪效果较好。还研究了粒子滤波的并行算法。这些研究成果对智能视频监控发展有一定推动作用。