低信噪比图像序列下的多目标状态估计技术研究
低信噪比图像序列下的多目标状态估计技术研究[20200419155702]
摘 要
针对在低信噪比图像序列下的多细胞（多目标）跟踪问题，由于获取的细胞图像质量差，在细胞运动中会出现细胞近邻，细胞数目不断变化，细胞形态差异大且变形，这些不确定性因素使得多细胞跟踪问题面临一定的挑战。
为了可靠的跟踪低信噪比图像序列下的多细胞运动，本课题提出一种启发式约束蚁群系统。利用蚁群的智能搜索,在非优化操作下自适应估计多细胞状态参数（包括位置、速度等）。首先根据图像局部方差强度和细胞动力学特性来产生蚁群初始分布，再根据启发式直方图性和信息素量，通过蚁群决策行为将蚁群进行重新分配，形成相应的信息素场，最后利用信息素场快速聚类，确定细胞位置，提取细胞状态。
实验证明，本跟踪算法不仅可以克服图像中的噪声影响，而且自动准确跟踪多细胞，与目前广泛应用的人工细胞跟踪方法相比，它能够克服耗时多、误差大、鲁棒性差等缺点。
*查看完整论文请 +Q: 3 5 1 9 1 6 0 7 2
关键字:蚁群算法细胞跟踪参数估计细胞关联
目录
1.绪论 1
1.1 多目标跟踪的研究背景和意义 1
1.2 多目标跟踪技术的研究现状 1
1.3 蚁群算法的研究现状 3
1.4 本文主要工作 4
2.多贝努利滤波和蚁群算法原理 6
2.1多贝努利滤波（MeMBer）原理 6
2.2 蚁群算法原理 10
3.基于蚁群算法的多目标状态估计 15
3.1蚁群初始化机制 15
3.1.1 先验初始蚁群 15
3.1.2 预测初始蚁群 17
3.2 蚁群工作机制 18
3.2.1 蚁群工作环境 18
3.2.2 蚂蚁决策行为 19
3.3 信息素控制机制 21
3.3.1 局部信息素更新 21
3.3.2 信息素场的建立 22
3.4 细胞关联与状态提取 24
3.4.1 细胞位置的确定 24
3.4.2 细胞身份管理 25
4.实验仿真 26
4.1 细胞图像序列和参数设置 26
4.2 实验仿真 27
4.3 讨论 40
4.3.1 两种类型似然函数在跟踪算法中的比较 40
4.3.2 性能比较 41
5.总结与展望 43
参考文献 44
附录：程序代码 46
致谢 53
1.绪论
1.1 多目标跟踪的研究背景和意义
视觉是人类获取信息的最直观最重要的手段，随着科技的进步，视频和图像信息已成为实现计算机视觉的主要信息载体，因此，基于图像序列的多目标跟踪技术逐步成为一个重要的研究课题。
多目标跟踪技术是计算机科学的结合，其中包括机器视觉、图像处理、人工智能、模式识别等多学科，是一个尚在发展中的研究技术，仍有许多需要解决的技术难点。通过分析多目标跟踪方法中的难点，可以将多目标跟踪技术以后的研究方向可分为两类：一是目标建模：根据不同的背景，不同的目标建立与之相适应的模型，来提高跟踪的准确性；二是数据关联：由于多目标跟踪系统的复杂性使得数据关联在多目标跟踪中越来越重要，正确的数据关联能提高跟踪性能；三是多传感器多目标跟踪：多传感器可以应用到扩大有效的监视范围，跟踪360°全方位目标，这样可以解决在不同的方向视角度遮蔽的问题；四是模式识别：通过人工智能预测提前预知下一个时刻跟踪目标的动作，并分析其行为目的。
本课题主要是在低信噪比图像序列的前提下进行多个目标状态估计的研究。在低信噪比序列图像中，跟踪运动的目标是很困难的，不仅因为图像中存在很强的噪声干扰，而且存在跟踪目标全局运动。干扰使得目标跟踪不稳定，全局运动使得目标在搜索范围外。这些不确定性因素的存在也给多目标的状态跟踪技术的研究带来了新挑战。
在实际生活中多目标跟踪技术用途广泛，有很大研究意义，从民用，公共设施，到监控交通管理系统以及军事方面的跟踪和监测等都是多目标跟踪的应用领域，不仅关系到我们的生活，还和国家的军事安全息息相关。本课题以多细胞跟踪为例，拟用蚁群为研究手段，能实时对多细胞的状态进行精确估计。如何通过蚁群算法在低信噪比图像中正确，自动的跟踪多细胞的运动，提取细胞状态是本课题的主要任务。
1.2 多目标跟踪技术的研究现状
多目标跟踪技术发展到现在已有四十多年的历史，已经成为比较成熟的技术。自1955年来，Wax首次提出了多目标的跟踪原理，1964年Sittler对多目标跟踪理论进行了合理完善，并且他提出的目标点迹概念和航迹最优数据关联的贝叶斯方法对未来的多目标跟踪研究奠定了基础。70年代初，Bar-Shalon在多目标跟踪中引入了卡尔曼滤波理论，使多目标跟踪技术得到了快速发展。
多目标跟踪是通过传感器对多个运动目标和环境噪声产生的量测序列进行探测，来估计多个目标运动状态和目标数目的目标跟踪方法[1]。它的实质是为了在对所接收到的测量信息进行处理的过程中保持对多个目标当前状态的估计。多目标跟踪技术可分为两个主要的方面：目标状态估计和数据关联。目标状态估计提供跟踪需要的状态估计（预测）值，主要问题是数据的准确性；数据关联提供量测与目标的对应关系，主要问题是与其关联的数据的正确性。目标状态估计是整个多目标跟踪算法的关键。获得正确的状态预测值是得到正确关联的前提。状态估计方法分为（1）线性估计：此算法假设目标的运动模型和观测均为线性。其中卡尔曼（Kalman）滤波是线性系统估计得标准方法也是一种基本方法，它是在单一的目标状态估计算法的基础上，需要目标运行模型和量测模型都是线性估计且噪声是高斯分布[2]。（2）非线性估计：在运动模型和观测模型中若非线性情况不严重，可以沿着一个假想的目标轨迹进行线性化处理，此方法为扩展卡尔曼滤波（EKF）。在此研究基础上，有关学者提出贝叶斯方法，它的核心思想是通过正常的逻辑思维获得参数的先验分布，当验后样本量不足时采用先验分布作为合理补充。现阶段该跟踪方法通过概率假设密度（PHD）粒子滤波，高斯混合PHD（GM-PHD）和其他变量实现跟踪。概率假设密度（PHD）粒子滤波[3]可以估计随机集的目标数 ,然后找到 个PHD最大的点就是多目标的状态估计，从而实现多目标跟踪。（3）自适应估计：通过检测机动，使得滤波器实时跟踪目标运动。Carmi等人提出了一种自适应的粒子滤波方法，这个滤波器在跟踪时可以使某个性能指标达到最佳[4]。
本课题以多细胞为跟踪目标，所以在细胞跟踪领域，一般将细胞图像的分割技术作为细胞跟踪的子问题和预处理技术。目前有三种方法用来研究细胞运动分析：一是基于分割技术的跟踪方法，二是基于模型调整或变化的跟踪方法，三是基于采样与滤波的跟踪方法[5]。
方法一：基于分割技术的跟踪方法分为分割和跟踪两部分，分割就是在每帧中提取细胞信息，跟踪就是将多帧中所提取的细胞进行关联。常用的分割方法包括阈值法、梯度法和基于区域的分割方法等。分割互相接触的多细胞是个难题，而分水岭方法[6-7]是能解决此类问题的途径之一。最早的分水岭方法是用区域最小的点最起始点，然后容易产生过分分割现象。基于标记点控制的分水岭方法能解决这些后顾之忧，它的关键之处是标记点的提取。此法是基于细胞的轮廓信息，只有当获取的细胞轮廓清晰及确定性高时，此方法精确度才高。
方法二：基于模型调整或变化的跟踪方法适用于在细胞轮廓无法提取或辨别时，通过参数优化方法使细胞初始轮廓变形来拟合图像中的目标。该方法包括主动轮廓法（即Snake 方法）[8-9]、水平集法（Level-Set）[10-11]、均值偏移法（Mean-Shift）[12-13]算法这三种方式。基于水平集的（Level-Set）细胞跟踪方法能跟踪形变细胞，但很容易将两接触的细胞合并为一个轮廓。Mean-Shift 矢量是概率密度梯度方向，所以该算法实质上是一个自适应的梯度上升搜索峰值的方法，因此，它可应用于聚类、模态的检测和最优化，其中于最优化的一个应用典型就是目标跟踪。
方法三：基于采样与滤波的跟踪方法主要是基于贝叶斯概率统计的多目标跟踪方法。，它的核心思想是通过正常的逻辑思维获得参数的先验分布，当验后样本量不足时采用先验分布作为合理补充。现阶段该跟踪方法通过粒子滤波器，概率假设密度（PHD）滤波器，高斯混合概率假设密度（GM-PHD）滤波器等实现跟踪[14]。
摘 要
针对在低信噪比图像序列下的多细胞（多目标）跟踪问题，由于获取的细胞图像质量差，在细胞运动中会出现细胞近邻，细胞数目不断变化，细胞形态差异大且变形，这些不确定性因素使得多细胞跟踪问题面临一定的挑战。
为了可靠的跟踪低信噪比图像序列下的多细胞运动，本课题提出一种启发式约束蚁群系统。利用蚁群的智能搜索,在非优化操作下自适应估计多细胞状态参数（包括位置、速度等）。首先根据图像局部方差强度和细胞动力学特性来产生蚁群初始分布，再根据启发式直方图性和信息素量，通过蚁群决策行为将蚁群进行重新分配，形成相应的信息素场，最后利用信息素场快速聚类，确定细胞位置，提取细胞状态。
实验证明，本跟踪算法不仅可以克服图像中的噪声影响，而且自动准确跟踪多细胞，与目前广泛应用的人工细胞跟踪方法相比，它能够克服耗时多、误差大、鲁棒性差等缺点。
*查看完整论文请 +Q: 3 5 1 9 1 6 0 7 2
关键字:蚁群算法细胞跟踪参数估计细胞关联
目录
1.绪论 1
1.1 多目标跟踪的研究背景和意义 1
1.2 多目标跟踪技术的研究现状 1
1.3 蚁群算法的研究现状 3
1.4 本文主要工作 4
2.多贝努利滤波和蚁群算法原理 6
2.1多贝努利滤波（MeMBer）原理 6
2.2 蚁群算法原理 10
3.基于蚁群算法的多目标状态估计 15
3.1蚁群初始化机制 15
3.1.1 先验初始蚁群 15
3.1.2 预测初始蚁群 17
3.2 蚁群工作机制 18
3.2.1 蚁群工作环境 18
3.2.2 蚂蚁决策行为 19
3.3 信息素控制机制 21
3.3.1 局部信息素更新 21
3.3.2 信息素场的建立 22
3.4 细胞关联与状态提取 24
3.4.1 细胞位置的确定 24
3.4.2 细胞身份管理 25
4.实验仿真 26
4.1 细胞图像序列和参数设置 26
4.2 实验仿真 27
4.3 讨论 40
4.3.1 两种类型似然函数在跟踪算法中的比较 40
4.3.2 性能比较 41
5.总结与展望 43
参考文献 44
附录：程序代码 46
致谢 53
1.绪论
1.1 多目标跟踪的研究背景和意义
视觉是人类获取信息的最直观最重要的手段，随着科技的进步，视频和图像信息已成为实现计算机视觉的主要信息载体，因此，基于图像序列的多目标跟踪技术逐步成为一个重要的研究课题。
多目标跟踪技术是计算机科学的结合，其中包括机器视觉、图像处理、人工智能、模式识别等多学科，是一个尚在发展中的研究技术，仍有许多需要解决的技术难点。通过分析多目标跟踪方法中的难点，可以将多目标跟踪技术以后的研究方向可分为两类：一是目标建模：根据不同的背景，不同的目标建立与之相适应的模型，来提高跟踪的准确性；二是数据关联：由于多目标跟踪系统的复杂性使得数据关联在多目标跟踪中越来越重要，正确的数据关联能提高跟踪性能；三是多传感器多目标跟踪：多传感器可以应用到扩大有效的监视范围，跟踪360°全方位目标，这样可以解决在不同的方向视角度遮蔽的问题；四是模式识别：通过人工智能预测提前预知下一个时刻跟踪目标的动作，并分析其行为目的。
本课题主要是在低信噪比图像序列的前提下进行多个目标状态估计的研究。在低信噪比序列图像中，跟踪运动的目标是很困难的，不仅因为图像中存在很强的噪声干扰，而且存在跟踪目标全局运动。干扰使得目标跟踪不稳定，全局运动使得目标在搜索范围外。这些不确定性因素的存在也给多目标的状态跟踪技术的研究带来了新挑战。
在实际生活中多目标跟踪技术用途广泛，有很大研究意义，从民用，公共设施，到监控交通管理系统以及军事方面的跟踪和监测等都是多目标跟踪的应用领域，不仅关系到我们的生活，还和国家的军事安全息息相关。本课题以多细胞跟踪为例，拟用蚁群为研究手段，能实时对多细胞的状态进行精确估计。如何通过蚁群算法在低信噪比图像中正确，自动的跟踪多细胞的运动，提取细胞状态是本课题的主要任务。
1.2 多目标跟踪技术的研究现状
多目标跟踪技术发展到现在已有四十多年的历史，已经成为比较成熟的技术。自1955年来，Wax首次提出了多目标的跟踪原理，1964年Sittler对多目标跟踪理论进行了合理完善，并且他提出的目标点迹概念和航迹最优数据关联的贝叶斯方法对未来的多目标跟踪研究奠定了基础。70年代初，Bar-Shalon在多目标跟踪中引入了卡尔曼滤波理论，使多目标跟踪技术得到了快速发展。
多目标跟踪是通过传感器对多个运动目标和环境噪声产生的量测序列进行探测，来估计多个目标运动状态和目标数目的目标跟踪方法[1]。它的实质是为了在对所接收到的测量信息进行处理的过程中保持对多个目标当前状态的估计。多目标跟踪技术可分为两个主要的方面：目标状态估计和数据关联。目标状态估计提供跟踪需要的状态估计（预测）值，主要问题是数据的准确性；数据关联提供量测与目标的对应关系，主要问题是与其关联的数据的正确性。目标状态估计是整个多目标跟踪算法的关键。获得正确的状态预测值是得到正确关联的前提。状态估计方法分为（1）线性估计：此算法假设目标的运动模型和观测均为线性。其中卡尔曼（Kalman）滤波是线性系统估计得标准方法也是一种基本方法，它是在单一的目标状态估计算法的基础上，需要目标运行模型和量测模型都是线性估计且噪声是高斯分布[2]。（2）非线性估计：在运动模型和观测模型中若非线性情况不严重，可以沿着一个假想的目标轨迹进行线性化处理，此方法为扩展卡尔曼滤波（EKF）。在此研究基础上，有关学者提出贝叶斯方法，它的核心思想是通过正常的逻辑思维获得参数的先验分布，当验后样本量不足时采用先验分布作为合理补充。现阶段该跟踪方法通过概率假设密度（PHD）粒子滤波，高斯混合PHD（GM-PHD）和其他变量实现跟踪。概率假设密度（PHD）粒子滤波[3]可以估计随机集的目标数 ,然后找到 个PHD最大的点就是多目标的状态估计，从而实现多目标跟踪。（3）自适应估计：通过检测机动，使得滤波器实时跟踪目标运动。Carmi等人提出了一种自适应的粒子滤波方法，这个滤波器在跟踪时可以使某个性能指标达到最佳[4]。
本课题以多细胞为跟踪目标，所以在细胞跟踪领域，一般将细胞图像的分割技术作为细胞跟踪的子问题和预处理技术。目前有三种方法用来研究细胞运动分析：一是基于分割技术的跟踪方法，二是基于模型调整或变化的跟踪方法，三是基于采样与滤波的跟踪方法[5]。
方法一：基于分割技术的跟踪方法分为分割和跟踪两部分，分割就是在每帧中提取细胞信息，跟踪就是将多帧中所提取的细胞进行关联。常用的分割方法包括阈值法、梯度法和基于区域的分割方法等。分割互相接触的多细胞是个难题，而分水岭方法[6-7]是能解决此类问题的途径之一。最早的分水岭方法是用区域最小的点最起始点，然后容易产生过分分割现象。基于标记点控制的分水岭方法能解决这些后顾之忧，它的关键之处是标记点的提取。此法是基于细胞的轮廓信息，只有当获取的细胞轮廓清晰及确定性高时，此方法精确度才高。
方法二：基于模型调整或变化的跟踪方法适用于在细胞轮廓无法提取或辨别时，通过参数优化方法使细胞初始轮廓变形来拟合图像中的目标。该方法包括主动轮廓法（即Snake 方法）[8-9]、水平集法（Level-Set）[10-11]、均值偏移法（Mean-Shift）[12-13]算法这三种方式。基于水平集的（Level-Set）细胞跟踪方法能跟踪形变细胞，但很容易将两接触的细胞合并为一个轮廓。Mean-Shift 矢量是概率密度梯度方向，所以该算法实质上是一个自适应的梯度上升搜索峰值的方法，因此，它可应用于聚类、模态的检测和最优化，其中于最优化的一个应用典型就是目标跟踪。
方法三：基于采样与滤波的跟踪方法主要是基于贝叶斯概率统计的多目标跟踪方法。，它的核心思想是通过正常的逻辑思维获得参数的先验分布，当验后样本量不足时采用先验分布作为合理补充。现阶段该跟踪方法通过粒子滤波器，概率假设密度（PHD）滤波器，高斯混合概率假设密度（GM-PHD）滤波器等实现跟踪[14]。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4175.html
