基于粒子meanshift遷移紅外人體目標(biāo)跟蹤算法

《基于粒子meanshift遷移紅外人體目標(biāo)跟蹤算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、-基于粒子MeanShift遷移的紅外人體目標(biāo)跟蹤算法本文受教育部科研重點(diǎn)項(xiàng)目基金資助，項(xiàng)目編號(hào)：108174云廷進(jìn)郭永彩高潮（重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶，400030）摘要：提出一種基于粒子MeanShift遷移過(guò)程的紅外人體跟蹤方法。算法通過(guò)采樣粒子遷移和聚類動(dòng)態(tài)建立目標(biāo)的狀態(tài)模型和量測(cè)模型。在被跟蹤區(qū)域隨機(jī)布撒粒子，以各粒子對(duì)應(yīng)像素的亮度作為特征值進(jìn)行MeanShift收斂性分析，使用收斂后的粒子集表達(dá)目標(biāo)的當(dāng)前狀態(tài)；以狀態(tài)粒子的坐標(biāo)位置為特征值對(duì)其進(jìn)行MeanShift聚類，作為對(duì)目標(biāo)的量測(cè)。連續(xù)跟蹤時(shí)，下一幀的采樣粒子基于上一幀的量測(cè)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(biāo)的相似性測(cè)度計(jì)算，僅用少數(shù)粒子即可實(shí)現(xiàn)對(duì)目標(biāo)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(biāo)的跟蹤困難主要來(lái)自兩個(gè)方面：一是人體目標(biāo)的自身特征，由于人體是非剛體目標(biāo)，姿態(tài)多樣，大小不一，而且運(yùn)動(dòng)狀態(tài)復(fù)雜多變，具有高度的隨意性，沒(méi)有固定的運(yùn)動(dòng)規(guī)律，無(wú)法建立完善的運(yùn)動(dòng)模型表達(dá)形式；二是紅外圖像是灰度圖像，沒(méi)有色彩信息，紋理細(xì)節(jié)很少，使得目標(biāo)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(yùn)動(dòng)目標(biāo)，對(duì)于非剛體目標(biāo)的跟蹤受到限制[1]，用于人體目標(biāo)跟蹤時(shí)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(kuò)展形式等是基于線性/高斯動(dòng)態(tài)系統(tǒng)，需要對(duì)目標(biāo)的運(yùn)動(dòng)特征進(jìn)行假設(shè)，建立目標(biāo)運(yùn)動(dòng)模型[4]，如CP，CA，CV等模型，因此使其在應(yīng)用于人體目標(biāo)跟蹤時(shí)受到一些限制。目前，用于人體目標(biāo)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(jī)系統(tǒng)，適合于人體目標(biāo)的跟蹤[6][7]。粒子濾波是基于仿真的統(tǒng)計(jì)濾波方法，需要采用大量的隨機(jī)樣本粒子來(lái)估計(jì)，使得運(yùn)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(wèn)題。近年來(lái)MeanShift算法[7]作為一種有效的統(tǒng)計(jì)迭代算法，在滿足一定條件

4、下,可快速收斂到最近的一個(gè)概率密度函數(shù)的穩(wěn)態(tài)點(diǎn)而不需要任何先驗(yàn)知識(shí)，實(shí)現(xiàn)非參數(shù)概率密度的估計(jì)，在人體等非剛體目標(biāo)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(biāo)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(jìn)行相似性分析，對(duì)于紅外人體目標(biāo)來(lái)說(shuō)，丟失了色彩信息，而且目標(biāo)間的灰度特征都很接近，很難通過(guò)顏色直方圖的Bhattacharyya系數(shù)進(jìn)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(jì)的優(yōu)點(diǎn)，使用MeanShift

5、方法對(duì)粒子進(jìn)行收斂性分析，使用達(dá)到穩(wěn)定態(tài)的傳播粒子對(duì)目標(biāo)的狀態(tài)進(jìn)行動(dòng)態(tài)建模，由此，在不需要知道目標(biāo)模型先驗(yàn)知識(shí)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(wèn)題，僅用少數(shù)的粒子即可實(shí)現(xiàn)對(duì)人體目標(biāo)進(jìn)行可靠跟蹤，降低了運(yùn)算量。.---1MeanShift方法的簡(jiǎn)介圖1MeanShift迭代過(guò)程Fig.1TheiterativeprocessofMeanShiftalgorithm給定離散特征點(diǎn)集，核函數(shù)，則在點(diǎn)處的概率密度估計(jì)為：(1)事實(shí)上，在實(shí)際計(jì)算時(shí)，我們可以通過(guò)計(jì)算概率密度估計(jì)的梯度(2)通過(guò)沿著特征空間內(nèi)樣本點(diǎn)密度梯度方向進(jìn)行反復(fù)迭代搜索，使各樣

6、本點(diǎn)最終收斂于臨近的局部密度極大點(diǎn)。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(jì)函數(shù)的梯度方向一致。對(duì)樣本集中的特征點(diǎn)按(7)反復(fù)進(jìn)行遞推迭代，當(dāng)不再變化時(shí)，即時(shí)，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(dāng)小于一定閾值時(shí)，即可認(rèn)為收斂過(guò)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(gè)部分：狀態(tài)模型和量測(cè)模型。假定初始目標(biāo)所在的區(qū)域在圖像中的位置為，對(duì)于較小目標(biāo)，目標(biāo)區(qū)域每個(gè)像素放置一個(gè)粒子；對(duì)于較大的目標(biāo)，在目標(biāo)區(qū)

7、域按一定概率密度布撒M個(gè)隨機(jī)粒子，相當(dāng)于對(duì)目標(biāo)的灰度分布進(jìn)行抽樣采樣，樣本數(shù)為M，降低計(jì)算量。記采樣粒子集合，對(duì)每個(gè)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(jìn)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?yàn)閷?duì)于較大的目標(biāo)圖像可以通過(guò)積分圖像加速M(fèi)eanShift算法的執(zhí)行[11]。當(dāng)小于設(shè)定閾值時(shí)，記錄收斂位置。由于紅外圖像中人體目標(biāo)的亮度比背景亮度要高，由