无人驾驶(三)行人跟踪算法

姓名：王梦妮

学号：20021210873

学院：电子工程学院

嵌牛导读本文主要介绍了无人驾驶中所需的行人跟踪算法

嵌牛鼻子无人驾驶 环境感知 计算机视觉 卡尔曼滤波 粒子滤波 均值漂移

嵌牛提问无人驾驶中所用到的行人跟踪算法有哪些

嵌牛正文

行人跟踪一直是视觉领域的一个难点，实际应用环境复杂、遮挡以及行人姿态变化等外界因素都影响着行人跟踪算法的研究。行人跟踪算法模型主要分为生成模型和判别模型。

（一）生成式模型

生成式模型是一种通过在线学习行人目标特征，建立行人跟踪模型，然后使用模型来搜索误差最小的目标区域，从而完成对行人的跟踪。这种算法在构建模型只考虑了行人本身的特征，忽略了背景信息，没有做到有效利用图像中的全部信息。其中比较经典的算法主要有卡尔曼滤波，粒子滤波，mean-shift等。

（1）卡尔曼滤波算法

卡尔曼滤波算法是一种通过对行人构建状态方程和观测方程为基础，计算最小均方误差来实现跟踪的最优线性递归滤波算法，通过递归行人的运动状态来预测行人轨迹的变化。

首先设定初始参数，读取视频序列。然后进行背景估计，产生初始化背景图像。然后依次读取视频序列，利用Kahnan滤波算法，根据上一帧估计的背景和当前帧数据得到当前帧的前景目标。然后对前景目标进行连通计算，检测出运动目标的轨迹。经典的卡尔曼滤波算法．只能对线性运动的行人实现跟踪，之后学者改进了卡尔曼滤波算法，能够实现对非线性运动的行人进行跟踪，计算量小，能实现实时跟踪，但是跟踪效果不理想。

（2）粒子滤波

    粒子滤波的核心就是贝叶斯推理和重要性采样。粒子滤波可用于非线性非高斯模型，这是由于贝叶斯推理采用蒙特卡洛法，以某个时间点事件出现的频率表示其概率。通过一组粒子对整个模型的后验概率分布进行近似的表示，通过这个表示来估计整个非线性非高斯系统的状态。重要性采用就是通过粒子的置信度来赋予不同的权重，置信度高的粒子，赋予较大的权重，通过权重的分布形式表示相似程度。

（3）均值漂移（mean-shift）

    Mean-shift算法属于核密度估计法。不必知道先验概率，密度函数值由采样点的特征空间计算。通过计算当前帧目标区域的像素特征值概率来描述目标模型，并对候选区域进行统一描述，使用相似的函数表示目标模型与候选模板之间的相似度，然后选择在具有相似函数值最大的候选模型中，您将获得关于目标模型的均值漂移向量，该向量表示目标从当前位置移动到下一个位置的向量。通过连续迭代地计算均值偏移矢量，行人跟踪算法将最终收敛到行人的实际位置，从而实现行人跟踪。

（二） 判别式模型

判别模型与生成模型不同，行人跟踪被视为二分类问题。提取图像中的行人和背景信息，并用于训练分类器。通过分类将行人从图像背景中分离出来，以获取行人的当前位置。以行人区域为正样本，背景区域为负样本，通过机器学习算法对正样本和负样本进行训练，训练后的分类器用于在下一帧中找到相似度最高的区域，以完成行人轨迹更新。判别式模型不像生成式模型仅仅利用了行人的信息，还利用了背景信息，因此判别式模型的跟踪效果普遍优于生成式模型。

（1）基于相关滤波的跟踪算法

      核相关滤波(KCF)算法是基于相关滤波的经典跟踪算法，具有优良的跟踪效果和跟踪速度。这是由于其采用了循环移位的方式来进行样本生产，用生成的样本来训练分类器，通过高斯核函数来计算当前帧行人与下一帧中所有候选目标之间的相似概率图，找到相似概率图最大的那个候选目标，就得到了行人的新位置。KCF算法为了提高跟踪精度，使用HOG特征对行人进行描述，同时结合了离散傅里叶变换来降低计算量。

（2）基于深度学习的跟踪算法

    近年来，深度学习在图像和语音方面取得了较大的成果，因此有许多科研人员将深度学习与行人跟踪相结合，取得了比传统跟踪算法更好的性能。DLT就是一个基于深度学习的行人跟踪算法，利用深度模型自动编码器通过离线训练的方式，在大规模行人数据集上得到一个行人模型，然后在线对行人进行跟踪来微调模型。首先通过粒子滤波获取候选行人目标，然后利用自动编码器进行预测，最终得到行人的预测位置即最大输出值的候选行人目标位置。2015年提出的MDNet算法采用了分域训练的方式。对于每个类别，一个单独的全连接层用于分类，并且全连接层前面的所有层都是共享，用于特征提取。2017年提出的HCFT算法使用深度学习对大量标定数据进行训练，得到强有力的特征表达模型，结合基于相关滤波的跟踪算法，用于解决在线进行跟踪过程中行人样本少、网络训练不充分的问题。此外，通过深度学习提取特征，利用数据关联的方法来实现跟踪的算法，其中最为著名的就JPDAF与MHT这两种方法。

硬件部分：轮毂固定磁铁车轮圈安装霍尔传感器，经整形和电平匹配后驳接stm32任意定时器输入引脚。软件部分：将定时器配置成测周模式，设置slave模式当捕捉发生后reset counter，同时使能捕捉和计数溢出中断，当捕捉中断发生时取得周期T，用轮胎

目

标跟踪系统中的滤波方法》共分10章。第1章介绍了滤波方法在目标跟踪系统中的地位和作用，以及滤波方法的研究进展和评价标准。第2章对卡尔曼滤波和与卡

尔曼滤波相关的非线性滤波算法做了论述。第3章介绍粒子滤波，包括序贯重要性重采样粒子滤波、辅助粒子滤波、正则化粒子滤波、扩展卡尔曼粒子滤波、高斯和

粒子滤波、边缘粒子滤波等。第4章论述等式状态约束条件下的滤波算法，提出了一种线性等式状态约束条件下的粒子滤波算法和一种迭代收缩非线性状态约束条件

下的滤波算法。第5章讨论自适应卡尔曼滤波，提出了一种双重迭代变分贝叶斯自适应卡尔曼滤波算法及其融合方法。第6章讨论无序量测条件下的滤波方法，提出

了一种基于不敏变换的无序量测融合算法。第7章讨论网络丢包条件下的滤波方法，提出了一种非线性系统中具有丢包情况的滤波方法。第8章研究各类非线性滤波

RTs平滑算法，并在此基础上提出了一种RTs分段融合方法。第9章介绍了几种非线性滤波算法在目标跟踪系统中的应用实例。第10章是相关的数学预备知

识，内容涉及向量和矩阵、随机变量、随机向量和随机过程。

《目标跟踪系统中的滤波方法》内容属于信息融合研究领域。针对多条件下目标跟踪系统中的滤波方法，本书结合近年来国内外研究热点进行论述，内容较为新颖。

具体内容包括：卡尔曼滤波和非线性系统滤波、粒子滤波、等式状态约束条件下的滤波、自适应卡尔曼滤波及其融合、无序量测条件下的滤波、网络丢包条件下的滤

波、RTS平滑及其分段融合以及非线性滤波算法在目标跟踪中的应用等。

《目标跟踪系统中的滤波方法》可供电子信息、自动化、计算机应用、控制科学与工程、信号处理、导航与制导等相关专业高年级本科生和研究生，以及相关领域的工程技术人员和研究人员参考。

以上就是关于无人驾驶(三)行人跟踪算法全部的内容，包括:无人驾驶(三)行人跟踪算法、求一个基于stm32卡尔曼滤波程序、什么是什么是卡尔曼滤波目标跟踪 完美等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！