基于随机有限集的视频目标跟踪算法与应用研究

A new algorithm of multi-target visual tracking based on random finite set (RFS) and its implementation method are proposed, namely the improved probability hypothesis density (PHD) filter under RFS framework. The proposed algorithm is able to overcome the limitations of the original particle-PHD filter in application to visual tracking, and is capable of dealing with the difficulties of implementing particle-PHD filter in a real visual tracking scenario. The research contains: (1) design the dynamic and observation models with rational noise probability distributions for particle-PHD filter; (2) propose the improved particle-PHD filter to overcome the limitations of the original particle-PHD filter in tracking visual targets, which cover providing no information on the identity of targets and losing tracks of new born targets appearing at arbitrary positions;（3）given the required conditions in implementing particle-PHD filter and ingredients related to the efficiency of running the particle-PHD filter, design an effective implementation method for particle-PHD filter, achieving a fast and robust visual tracker based on particle-PHD. The research will provide new methods and theories for visual tacking systems and its related practical applications.

提出基于随机有限集的视频多目标跟踪新算法及其实现方法，即基于随机集的改进粒子概率假设密度（PHD）滤波器。该算法解决了基本粒子PHD滤波器在视频跟踪中的缺陷，同时解决了粒子PHD滤波器实现过程中出现的问题。本课题将深入开展基于随机集的改进粒子PHD滤波器的理论研究，具体研究内容包括:（1）建立适于粒子PHD滤波器的视频目标运动模型和量测模型及其噪声分布；（2）建立改进的粒子PHD滤波器，研究粒子PHD滤波器在视频跟踪中存在的缺陷，包括不能形成多目标的航迹,不能跟踪位置未知新生目标, 以及状态抽取不可靠的问题，理论分析并推导改进的粒子PHD滤波器；（3）最后，结合粒子PHD滤波器的实现条件，分析影响粒子PHD滤波器运行效率的因素，设计粒子PHD滤波器的实现方法，保障粒子PHD滤波器在视频跟踪系统中快速稳健实现。研究成果可以直接用于视频目标跟踪系统及相关领域的应用要求，具有重要工程价值。

目标数变化的多目标跟踪问题一直是难点。近年来，基于随机有限集的多目标贝叶斯滤波及其实现算法，如基于随机有限集的概率假设密度（PHD）滤波器，可以容易地处理密集杂波，目标数目不确定，目标的交叉，新生，分裂，合并等复杂情况。该类算法提供了理论上完美的多目标跟踪方案，非常适合复杂目标，密集杂波等现代跟踪场景。然而在复杂场景下，现有多目标贝叶斯滤波及PHD滤波仍然存在一些缺点：（1）目标模型引入的状态估计误差；（2）PHD滤波器无法完成航迹识别；（3）PHD滤波器跟踪新生目标；（4）粒子PHD滤波器状态抽取不可靠等问题。.项目以PHD滤波器的改进为目的，确定了3个主要研究内容，即视频图像目标特征提取与建模，多目标视频跟踪算法，以及多目标视频跟踪算法的实现。项目对以上3个方面开展了深入的科研工作，取得了研究进展：.（1）建立了稳健的目标状态模型和观测模型.采用目标尺度不变特征（SIFT）和颜色直方图特征作为目标全局和局部特征描述子，为了在跟踪过程中自适应调整两种特征的权值，将基于空间不确定性的可靠性测度引入多特征观测似然的融合框架，实现了自适应多特征观测模型，从而达到鲁棒跟踪的目的。.（2）提出了新生目标位置未知场景下的自适应新生目标强度PHD跟踪算法. 根据延时决策理论，航迹起始技术，航迹关联技术以及RANSAC直线检测算法设计了4种自适应新生目标强度的产生算法，提高了PHD滤波器跟踪的稳健性。.（3）提出了带有目标航迹识别功能的PHD滤波器. 采用运动目标检测方法动态获取目标位置，建立关于目标位置和目标运动速度的多特征量测，并设计了基于Auction的航迹识别方法，实现了多特征“航迹-状态估计”关联的目标航迹识别。.（4）粒子PHD滤波器的实现问题. 针对粒子PHD滤波器状态抽取不可靠，提出了基于IKDA的稳健状态抽取方法，提高了状态估计的精度。.（5）实现了算法的应用. 将目标跟踪相关算法扩展应用于图像缺陷检测和边缘特征提取，取得了较好的应用效果。