基于低通滤波的高机动性视频目标跟踪本科毕设论文Word格式文档下载.docx
《基于低通滤波的高机动性视频目标跟踪本科毕设论文Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《基于低通滤波的高机动性视频目标跟踪本科毕设论文Word格式文档下载.docx（31页珍藏版）》请在冰豆网上搜索。
然而，卡尔曼滤波仍存在一些缺点：
用来预测轨迹时尚缺乏精确度，为了解决这个问题，文中推荐另一种传统滤波——低通滤波。
在文中使用过程中还要考虑目标所在的运动状态。
基于这种情况，则需要在级数中加入线性项和惯性项算法，这两种算法分别代表高机性和非高机性两种状况。
为了证明低通滤波的实用性，在预测中融入卡尔曼滤波共同对目标检测跟踪，实验表明在预测轨迹跟踪质量中，所建议的低通滤波对预测轨迹具有很好的效果比卡尔曼滤波更加有预测能力，从而证明了它的可行性。
【关键词】低通滤波；
跟踪质量；
卡尔曼滤波；
高机动性；
预测轨迹
EnhancedLowpassFilterBasedVideoPredictiveTrackingforTargetwithHighMobility
Abstract
【ABSTRACT】Intheprocessofpredictingthestateofthetargetmobile,applicationmethodoffilteringiscommonlyusedtechniques.Amongthemanyforecastingtechniques,peopleoftenusetheKalmanfiltertotrackthetrajectoryofthetargetinthemovement.However,Kalmanfilteringstillhavesomedisadvantages:
lackofprecisionforpredictingthetrajectorywhenthetargetismoving,inordertosolvethisproblem,anotherconventionalpaperfilterisrecommended-low-passfiltering.Intheprocessofusingthetargetsinthispaperwhichshouldalsobeconsideredwhenthetargetisinthestateofmotion.Basedonthissituation,youneedtoaddlinearandinertiaalgorithmsinseries,thesetwoalgorithmsrepresentahighmobilityandnon-mobility.Toprovetheutilityofthelow-passfiltering,Kalmanfilterhasbeenaddedintothejoinoftheforecastfortargetdetectionandtracking,trajectorytrackingexperimentsisshowingthatthequalityoftheprediction,theproposedlow-passfiltertopredictthetrajectoryhasabettereffectthanKalmanfilteringpredictiveability,thustheprovingisfeasibility.
【KEYWORDS】Lowpassfilter;
Trackingquality;
Kalmanfilter;
Highmobility；
Predictedtrajectory
目录
摘要II
EnhancedLowpassFilterBasedVideoPredictiveTrackingforTargetwithHighMobilityIII
AbstractIII
目录IV
1绪论1
1.1课题的背景1
1.2课题研究的意义和目的1
1.3Matlab简介2
1.4论文的研究内容3
2高机动性目标识别与跟踪4
2.1低通滤波原理4
2.2低通滤波的算法4
2.3图像的处理6
2.4图像分析6
2.5低通滤波的预测跟踪7
3卡尔曼滤波预测跟踪11
3.1卡尔曼滤波的介绍11
3.2卡尔曼滤波预测原11
3.3低通滤波与卡尔曼滤波比较15
4结论18
4.1实验的流程图18
4.2程序运行结果19
4.3最终分析及结论20
总结与展望21
参考文献22
致谢23
附录24
1绪论
1.1课题的背景
在十几年来,科学技术快速发展中，计算机对数据分析和存储数据的功能得到很大提升，分析运算成本大幅降低，给视频对象的跟踪技术创造了良好条件。
因此，一些研究者开始专注于相关视频跟踪方面的研究[1]。
人们日益认识到视频跟踪技术已成为科学技术研究和实际应用中不可缺少的技术之一。
在计算机视觉研究中引起众多研究者的极大兴趣技术之一的就是视频跟踪技术，由于人们对跟踪技术不倦的探索，其主要原因在于两个方面：
在一方面计算和存储成本显著下降，视频速率或使所述的视频图像序列采集和存储速率成为可能；
在另一方面，视频跟踪技术具有非常广阔的市场前景，这也是研究者对其探索的主要动力[2]。
除了在智能视频监视系统，视频跟踪技术还有非常重要的应用，即人与计算机的互相交流[3]物体运动地分析，对运动目标地识别，对不同移动目标地分类，机器人视觉导航，图像压缩流量检测和虚拟现实，并且视频跟踪技术在其他方面也有重要的应用；
总之，研究目标运动情况并对其预测跟踪的技术对现实应用发挥了巨大作用[4]
文中所用到的滤波器是众多可以处理信号装置中之一，滤波器应用范围十分广泛，其主要作用在于现代化电子设备以及不同控制系统，滤波器的质量优劣影响着产品的品质[5]。
自从1960年以来，随着技术地发展，设备不断地更新换代，集成技术大面积的推广，滤波器的品质有了很大的提升。
如今的滤波器向功率损耗少处理数据稳定对计算机内存空间占用率小，产品价格更加低廉等方向发展。
到了若干年后，滤波器的性能已经大大地优化，不同应用型的滤波器被广泛地开发出来，高效率性能的滤波器被人们用于各种产品研发。
但是，在技术不断升级的时代，人们对滤波器的研究还在开发当中。
滤波器可分为经典和数字两大类，文中所研究的滤波器是经典型低通滤波器[6]。
1.2课题研究的意义和目的
由于复杂的视频跟踪背景图像对检测有着很大的影响，造成人们对运动检测变得十分困难。
人们为了更加了解目标对象跟踪相关知识，使用不同的方法对目标进行跟踪并提出了一些见解。
因此，本文的目的的是利用低通滤波来预测跟踪目标的运动状态。
低通滤波器可预测跟踪目标运动状态非高机性和高机性。
当用有效的跟踪方法通过所述滤波处理控制并重新配置流动性高的移动目标。
检验给定视频序列的跟踪情况，从而达到预测跟踪的目的[7]。
视频目标跟踪已用于计算机视频系统中，并且大量跟踪算法应用于视频跟踪中[8]。
两种最典型的跟踪算法是有关数据方面的驱动（从基底向上延伸）和有关模型方面驱动（从最高处向下延伸）。
前者为典型的均值漂移方法，后者可由卡曼尔滤波来证实，在下一个视频帧里，准确预测目标移动轨迹是节约寻找目标时间和在搜索窗口内匹配预测目标所不可缺少的一步。
然而，以内核数据驱动的跟踪策略为基础的如meanshift并不具有预测能力[9]。
相比之下，在许多跟踪实现中，卡尔曼滤波作为预测器，这是因为卡尔曼预测以实现最终优化状态估计的事实，其被称为“先验状态估计”，在校正过程中被称为“后验状态估计”。
然而，在这文中所关心的是：
由kalman所提供的预测精确性还达不到技术的期望。
为了改善预测的精确度，在视频预测跟踪目标中，有一种新的方法：
设计低通并将其运用到对高机目标运动进行跟踪[10]。
卡尔曼滤波相比，低通滤波能够显著地改善整体的预测精确度，但是目标突然改变运动方向时，低通滤波的预测能力不如卡尔曼滤波。
在本文中，LPF是专为预测视频运动而设计的。
作为视频预测跟踪，卡尔曼滤波器和低通滤波器是投入到相同实验室所生成的视频中来预测给定的目标来的运动轨迹。
测试后显示：
所推荐的低通滤波器比卡尔曼滤波器的预测跟踪效果更加准确，因此低通滤波器可以作为预测跟踪的另一种选择。
在本文中通过将低通滤波与kalman比较，对其局限性和缺点作出了讨论。
1.3Matlab简介
MATLAB也叫作矩阵实验室，是一款由美国TheMathWorks公司生产和销售的商业数学软件。
MATLAB软件对矩阵方面的运算十分强大，不仅可以进行数值计算，编辑程序和运行算法等，而且可以应用在控制计算、图像设计及处理、金融分析、图像建模、仿真等等领域。
它具有简单、容易使用较强的处理能力和很好的图形处理能力等优势。
在20世纪，计算机编程繁琐且负担重，在计算机软件方面经验丰富的美国大学计算机系的主任克斯，以减轻学生编程的负担为目的，设计了最早的MATLAB，使学生们的编程过程大大简化。
在1984年，由Little、Moler、SteveBangert合作成立了MathWorks公司，把MATLAB软件正式推向市场。
在当今时代，MATLAB软件作为常用计算软件应用在控制研究领域。
MATLAB系统大体上是由开发环境、数学函数库、语言、图形处理系统和应用程序接口五大部分组成。
同时MATLAB还可以提供了十分丰富的数值计算函数和工具包。
除MATLAB内部函数之外，其核心文件和工具包都是可读可改的，用户可以通过修改源程序或编写新程序从而来构造新的专属工具包，从而很方便地处理控制方面的一些数据。
1.4论文的研究内容
设计一个低通滤波器，对实验中的机动性目标进行视频预测跟踪。
由于运动目标具有非高机动性和高机动性两种情况，因此设计出的低通滤波器分别采用线性项和惯性项方法对目标进行预测跟踪。
当目标处于高机动性状态时，根据目标的运动速度变化，运用低通滤波进行检测，检测到所给定的目标高机动变化根据运动情况则要重新配置滤波来实现预测跟踪，所以加入惯性项可以实现在线设置以适应目标机动性的变化情况。
当低通滤波器设计完成后，对给定的目标进行预测跟踪，将最后的结果与传统的卡尔曼滤波进行比较，尝试找出低通滤波器在目标预测跟踪的优点。
本文的主要内容如下：
一、简要介绍低通滤波的发展状况，以及本文主要研究目的。
二、低通滤波的设计，针对研究方向做一些相关的改进。
三、对目标进行图像处理，用低通滤波进行预测跟踪
四、分析预测跟踪结果，并与卡尔曼滤波进行比较，找出其中的优缺点。
五、实验结果介绍相关分析与跟踪过程。
六、总结最后结论，对低通滤波未来地展望。
2
高机动性目标识别与跟踪
2.1低通滤波原理
低通滤波器原理比较简单，其原理就是通过电容的作用阻止低频信号让高频信号通过，对于高频信号是采用电容吸收，电感阻碍的方法不让其通过。
对于低频信号，则采用电感地租，电容高阻让其通过。
对其中包括电子电路的低通滤波器（例如，在使用音响设备中常常加入斯斯声过滤器，运用计算机时采用
升级会员 