卡尔曼实时检测跟踪算法（论文总结）
论文来源：检索-中国知网
1、引言概述
从2015年至今，运动目标检测与跟踪发展迅速，一直以来不断有新的目标检测与跟踪算法被提出，例如：Kalma算法、UPDT算法等，其中卡尔曼滤波算法就是一种功能强大的算法，它采用背景减法方法来检测视频中的运动物体，通过卡尔曼滤波器预测并估计物体的下一个状态，移动目标检测的定义是将移动目标与背景分离，获取目标的运动信息与位置，准确并实时标记运动目标。
目标跟踪算法的改进主要从来两个方面来实施:
①基于网络的改进,例如:SimRPN++算法、DLT 算法等;
②结合相关滤波器,包括 ECO 算法、C-COT 算法等。
但是在复杂环境条件下进行运动目标跟踪时,为了提升跟踪的稳定性,面临着许多挑战,诸如:形态变化、速度变化、尺度变化、图像模糊等等。
2、标准的Kalman滤波器检测原理
Kalman 滤波器其实是一组数学方程,它通过最小化平方误差均值的方式,实现一种有效的计算递归方法来估计运动目标的状态。 卡尔曼滤波器的方程可以分为两组:预测方程和校正方程:
①预测方程负责提前预测当前状态估计
其中 ^ x k 定义为时间 k 处的状态估计,P k 表示在时间 k 处误差协方差矩阵,用于测量状态估计的准确度,Q 是噪声协方差,它在整个过程中可能一直处于变化过程中,但是在实验中一般将其定义为量,比如 U k =0。
②校正方程负责调整预测估计
其中 K k 表示最小误差协方差,R 是测量噪声协方差,在Kalman 滤波算法中,从时间 k 处的状态估计 ^ x k- 和实际测量Z k 获得 ^ x k ,在式(4)中的差值 Z k-H^ x k - 表示实际测量值 Z k与预测测量值 H ^ x - 之间的误差。
卡尔曼滤波器包含预测和修正两个部分覆盖高级操作的不同部分,一个标准的卡尔曼滤波器周期循环如图 1所示。
3、Kalman滤波算法与粒子滤波器相结合
卡尔曼滤波算法是基于预测进行运动目标检测与跟踪，跟踪效果差，实时性效果不能满足需求。将专门用于目标跟踪的粒子滤波器方法引入到卡尔曼滤波算法中，使粒子滤波器的跟踪效果传递给卡尔曼滤波算法，这样不仅实现了检测前实时跟踪的思想，而且达到了检测精度更高、实时性更强、跟踪效果更好的运动目标检测跟踪需求。卡尔曼滤波算法与粒子滤波器相结合的流程图如图2所示：
算法步骤：
①预测：第K帧目标位置在卡尔曼滤波算法公式进行计算，预测出第K+1帧运动目标的期望位置。
②目标跟踪定位：将步骤①中的预测位置导入到粒子滤波器中，在K+1帧期望位置进行搜索迭代，计算得到运动目标的真实位置。
③修正：根据步骤②中粒子滤波器计算得到的运动目标真实位置，Kalman滤波算法进行位置修正，更新运动目标位置状态。
④循环：不断循环步骤①②③，进行“预测-目标跟踪-目标修正”，完成运动目标实时检测与跟踪。
优化算法实现运动目标检测与跟踪的具体过程如图③：
本文还借鉴了分类树的原理方法，利用树形结构尺度自适应原理分别对运动目标的位置和尺度进行粒子滤波，具体实施过程分为两步：
1）通过位置粒子滤波器的计算，确定运动目标的位置中心；
2）在步骤1）的基础上进行树形尺度估计，精确定位运动目标位置。原理如图四：
4、计算机仿真与分析
本文进行了对比实验，
4.1 单纯Kalman滤波算法
选取视频中的50帧、95帧、136帧、181帧、200帧、239帧作实验结果比较。
选取视频中的46帧、100帧、147帧、253帧、198帧、326帧作实验结果比较。
4.2 Kalman与粒子滤波器结合
4.3 实验结果分析
两种算法结合不仅具有更高的检测精度，而且具有更好的实时性跟踪效果，克服了运动目标不断变改变运动轨迹引起的跟踪失败问题，不论是在复杂背景还是动态背景下都能够实现准确跟踪
通过场景一和场景二不同算法目标准确率对比，如图9所示的运动目标检测跟踪准确率对比图。
为了验证改进算法的其他性能，本文分别对迭代次数、算法耗时进行了统计计算，每组对比试验共进行30次，分别计算出两种算法的平均迭代次数和平均算法耗时，具体数据如图：
结果表明，本文通过将Kalman预测的位置信息导入到粒子滤波器中，在K+1帧期望位置进行搜索迭代，计算得到运动目标的真实位置，实现实时跟踪，提出的改进算法在视频监控领域中的运动目标检测与跟踪具有显著意义~
卡尔曼实时检测跟踪算法（论文总结）相关推荐
- KCF跟踪算法论文阅读与原理分析
文章目录 前言 一.KCF的前身:MOSSE算法 1.相关滤波 2.MOSSE算法 二.岭回归与循环矩阵 1.岭回归(Ridge Regression) 2.循环矩阵 2.1 循环移位 2.2 循环矩 ...
- 弱小目标检测跟踪算法研究（2）红外弱小目标数据集准备（红外弱小目标的数据集又来了）
红外弱小目标的数据集又来了! 说在前面的话 数据集 后续 说在前面的话 弱小目标,顾名思义:目标信号弱,像素少,由于目标信噪比较低,目标最少可能只有一个像素单元.因此,弱小目标检测跟踪一直是图像处理与 ...
- 弱小目标检测跟踪算法研究（1）红外弱小目标数据集准备（红外弱小目标的数据集来了）
红外弱小目标的数据集来了! 说在前面的话 一点建议 数据集 后续 说在前面的话 弱小目标,顾名思义:目标信号弱,像素少,由于目标信噪比较低,目标最少可能只有一个像素单元.因此,弱小目标检测跟踪一直是图 ...
- 目标检测跟踪算法--传统方法
第一阶段 目标跟踪分为两个部分,一个是对指定目标寻找可以跟踪的特征,常用的有颜色,轮廓,特征点,轨迹等,另一个是对目标特征进行跟踪. 1.静态背景 1)背景差:对背景的光照变化.噪声干扰以及周期性运动 ...
- 弱小目标检测跟踪算法研究（5） 基于顶帽变换（Top_hat）算法的红外弱小目标检测之背景抑制
基于顶帽变换(Top_hat)算法的红外弱小目标检测之背景抑制 1. 前言 2. 顶帽变换(Top_hat)算法 3. Matlab仿真 4. 小结 1. 前言 红外图像中的弱小目标,目标属性包涵&q ...
- 弱小目标检测跟踪算法研究（7） 基于简单平滑滤波算法的红外弱小目标检测之背景抑制
基于简单平滑滤波算法的红外弱小目标检测之背景抑制 1. 前言 2. 平滑滤波算法 3. Matlab仿真 4. 小结 1. 前言 红外图像中的弱小目标,目标属性包涵"弱"和&quo ...
- 弱小目标检测跟踪算法研究（4） 基于双边滤波（BF）的红外弱小目标检测之背景抑制Opencv
基于双边滤波(BF)的红外弱小目标检测之背景抑制Opencv 1. 前言 2. 双边滤波算法 3. Opencv实例 4. 小结 1. 前言 红外图像中的弱小目标,目标属性包涵"弱" ...
- 弱小目标检测跟踪算法研究（4） 基于双边滤波（BF）的红外弱小目标检测之背景抑制
基于双边滤波(BF)的红外弱小目标检测之背景抑制 1. 前言 2. 双边滤波算法 3. Matlab仿真 4. 小结 1. 前言 红外图像中的弱小目标,目标属性包涵"弱"和&quo ...
- 弱小目标检测跟踪算法研究（5） 基于顶帽变换（Top_hat）算法的红外弱小目标检测之背景抑制Opencv
基于顶帽变换(Top_hat)算法的红外弱小目标检测之背景抑制Opencv 1. 前言 2. 顶帽变换(Top_hat)算法 3. Opencv实例 4. 小结 1. 前言 红外图像中的弱小目标,目标 ...
最新文章
- VBA实现两种方法生成任意概率分布的随机数
- 构建器设计模式_创新设计模式：构建器模式
- WPF Logical Tree vs. Visual Tree
- BZOJ 1296: [SCOI2009]粉刷匠( dp )
- bilibili解析接口_仿最新BiliBili客户端（已开源）
- jsoup的Node类
- spark 安装与使用 educoder
- jquery serialize 和 console 漫谈
- 转载：肖知兴：管理到底是个什么鬼，以及怎么破
- 前端ORA-03113及后台ORA-07445[evaopn3()+135报错的处理
- 什么是5W1H分析法？
- 关于使用ArcGIS裁剪栅格后像元值发生变化的问题
- 2019下半年阿里面试失败总结
- 微信授权能获取那些数据字段,微信授权获取的字段,微信授权能获取到的数据,微信授权
- MATLAB 绘制时钟(同步当前时间)
- 没有比脚更长的路 没有比人更高的山
- golangci-lint 自定义linter核心代码 用于检查错误使用gtime.Time.Format() 例如gtime.Time.Format(“2006-01-02 15:04:05“)
- 线性与非线性规划：随机方向法
- 用python去除SQL中的注释
- 下列对C语言特点的描述中 错误的是,下列对C语言特点的描述中，错误的是。