資源描述：
《基于粒子meanshift遷移紅外人體目標跟蹤算法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、-基于粒子MeanShift遷移的紅外人體目標跟蹤算法本文受教育部科研重點項目基金資助，項目編號：108174云廷進郭永彩高潮（重慶大學光電技術(shù)及系統(tǒng)教育部重點實驗室，重慶，400030）摘要：提出一種基于粒子MeanShift遷移過程的紅外人體跟蹤方法。算法通過采樣粒子遷移和聚類動態(tài)建立目標的狀態(tài)模型和量測模型。在被跟蹤區(qū)域隨機布撒粒子，以各粒子對應(yīng)像素的亮度作為特征值進行MeanShift收斂性分析，使用收斂后的粒子集表達目標的當前狀態(tài)；以狀態(tài)粒子的坐標位置為特征值對其進行MeanShift聚類，作為對目標的量測。連續(xù)跟蹤時，下一幀的采樣粒子基于上一幀的量測結(jié)果產(chǎn)生。與傳統(tǒng)的
2、基于序貫重要性采樣的粒子濾波方法相比，算法不需要目標的相似性測度計算，僅用少數(shù)粒子即可實現(xiàn)對目標的可靠跟蹤。關(guān)鍵詞：粒子遷移人體跟蹤紅外圖像MeanShift粒子濾波引言紅外圖像中人體目標的跟蹤困難主要來自兩個方面：一是人體目標的自身特征，由于人體是非剛體目標，姿態(tài)多樣，大小不一，而且運動狀態(tài)復(fù)雜多變，具有高度的隨意性，沒有固定的運動規(guī)律，無法建立完善的運動模型表達形式；二是紅外圖像是灰度圖像，沒有色彩信息，紋理細節(jié)很少，使得目標跟蹤可用的特征值較少。傳統(tǒng)的跟蹤方法如光流法是基于剛體運動目標，對于非剛體目標的跟蹤受到限制[1]，用于人體目標跟蹤時必須與其它特征相結(jié)合才能完成[2]
3、[3]；卡爾曼濾波及其擴展形式等是基于線性/高斯動態(tài)系統(tǒng)，需要對目標的運動特征進行假設(shè)，建立目標運動模型[4]，如CP，CA，CV等模型，因此使其在應(yīng)用于人體目標跟蹤時受到一些限制。目前，用于人體目標跟蹤的比較可行的算法是采用貝葉斯濾波跟蹤的形式[5]，粒子濾波作為貝葉斯濾波的最優(yōu)近似，適用于任意非線性非Gauss的隨機系統(tǒng)，適合于人體目標的跟蹤[6][7]。粒子濾波是基于仿真的統(tǒng)計濾波方法，需要采用大量的隨機樣本粒子來估計，使得運算量很大，此外還非常依賴于相似函數(shù)的選擇，并面臨粒子退化和粒子枯竭的問題。近年來MeanShift算法[7]作為一種有效的統(tǒng)計迭代算法，在滿足一定條件
4、下,可快速收斂到最近的一個概率密度函數(shù)的穩(wěn)態(tài)點而不需要任何先驗知識，實現(xiàn)非參數(shù)概率密度的估計，在人體等非剛體目標跟蹤中得到了很好的應(yīng)用[8][9][10]。但由于MeanShift跟蹤方案需要使用目標的色彩空間分布作為特征值，使用跟蹤區(qū)域的顏色直方圖的Bhattacharyya系數(shù)進行相似性分析，對于紅外人體目標來說，丟失了色彩信息，而且目標間的灰度特征都很接近，很難通過顏色直方圖的Bhattacharyya系數(shù)進行匹配，傳統(tǒng)的基于顏色的MeanShift算法不能適用于此類跟蹤任務(wù)。本文基于粒子濾波的思想，結(jié)合MeanShift算法非參數(shù)概率密度估計的優(yōu)點，使用MeanShift
5、方法對粒子進行收斂性分析，使用達到穩(wěn)定態(tài)的傳播粒子對目標的狀態(tài)進行動態(tài)建模，由此，在不需要知道目標模型先驗知識的基礎(chǔ)上，不依賴于相似函數(shù)，與粒子濾波算法相比，克服了粒子退化及粒子耗盡的問題，僅用少數(shù)的粒子即可實現(xiàn)對人體目標進行可靠跟蹤，降低了運算量。.---1MeanShift方法的簡介圖1MeanShift迭代過程Fig.1TheiterativeprocessofMeanShiftalgorithm給定離散特征點集，核函數(shù)，則在點處的概率密度估計為：(1)事實上，在實際計算時，我們可以通過計算概率密度估計的梯度(2)通過沿著特征空間內(nèi)樣本點密度梯度方向進行反復(fù)迭代搜索，使各樣
6、本點最終收斂于臨近的局部密度極大點。一般的，核函數(shù)采用(3)的形式，為歸一化系數(shù)，為核函數(shù)半徑。常用的核函數(shù)有[8]等幾種形式。令，則(4)代入上式(5).---定義(6)為MeanShift向量，則的方向與概率密度估計函數(shù)的梯度方向一致。對樣本集中的特征點按(7)反復(fù)進行遞推迭代，當不再變化時，即時，則收斂于概率密度函數(shù)的局部極大值。通常，我們可以放松收斂條件，當小于一定閾值時，即可認為收斂過程完成。2跟蹤模型的建立2.1狀態(tài)模型跟蹤模型分為兩個部分：狀態(tài)模型和量測模型。假定初始目標所在的區(qū)域在圖像中的位置為，對于較小目標，目標區(qū)域每個像素放置一個粒子；對于較大的目標，在目標區(qū)
7、域按一定概率密度布撒M個隨機粒子，相當于對目標的灰度分布進行抽樣采樣，樣本數(shù)為M，降低計算量。記采樣粒子集合，對每個粒子使用其所在圖像位置的灰度值作為特征值，使用Uniform核函數(shù)，進行MeanShift收斂分析。粒子在兩軸向上MeanShift向量(8)式中、分別為所用核函數(shù)的帶寬。.---之所以采用Uniform核，是因為對于較大的目標圖像可以通過積分圖像加速MeanShift算法的執(zhí)行[11]。當小于設(shè)定閾值時，記錄收斂位置。由于紅外圖像中人體目標的亮度比背景亮度要高，由
