基于MeanShift-粒子滤波的红外人体目标跟踪算法.docx

基于粒子MeanShift迁移的红外人体目标跟踪算法本文受教育部科研重点项目基金资助项目编号：108174云廷进郭永彩高潮（重庆大学光电技术及系统教育部重点实验室重庆400030）摘要：提出一种基于粒子MeanShift迁移过程的红外人体跟踪方法。算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型。在被跟踪区域随机布撒粒子以各粒子对应像素的亮度作为特征值进行MeanShift收敛性分析使用收敛后的粒子集表达目标的当前状态；以状态粒子的坐标位置为特征值对其进行MeanShift聚类作为对目标的量测。连续跟踪时下一帧的采样粒子基于上一帧的量测结果产生。与传统的基于序贯重要性采样的粒子滤波方法相比算法不需要目标的相似性测度计算仅用少数粒子即可实现对目标的可靠跟踪。关键词：粒子迁移人体跟踪红外图像MeanShift粒子滤波引言红外图像中人体目标的跟踪困难主要来自两个方面：一是人体目标的自身特征由于人体是非刚体目标姿态多样大小不一而且运动状态复杂多变具有高度的随意性没有固定的运动规律无法建立完善的运动模型表达形式；二是红外图像是灰度图像没有色彩信息纹理细节很少使得目标跟踪可用的特征值较少。传统的跟踪方法如光流法是基于刚体运动目标对于非刚体目标的跟踪受到限制[1]用于人体目标跟踪时必须与其它特征相结合才能完成[2][3]；卡尔曼滤波及其扩展形式等是基于线性/高斯动态系统需要对目标的运动特征进行假设建立目标运动模型[4]如CPCACV等模型因此使其在应用于人体目标跟踪时受到一些限制。目前用于人体目标跟踪的比较可行的算法是采用贝叶斯滤波跟踪的形式[5]粒子滤波作为贝叶斯滤波的最优近似适用于任意非线性非Gauss的随机系统适合于人体目标的跟踪[6][7]。粒子滤波是基于仿真的统计滤波方法需要采用大量的随机样本粒子来估计使得运算量很大此外还非常依赖于相似函数的选择并面临粒子退化和粒子枯竭的问题。近年来MeanShift算法[7]作为一种有效的统计迭代算法在满足一定条件下可快速收敛到最近的一个概率密度函数的稳态点而不需要任何先验知识实现非参数概率密度的估计在人体等非刚体目标跟踪中得到了很好的应用[8][9][10]。但由于MeanShift跟踪方案需要使用目标的色彩空间分布作为特征值使用跟踪区域的颜色直方图的Bhattacharyya系数进行相似性分析对于红外人体目标来说丢失了色彩信息而且目标间的灰度特征都很接近很难通过颜色直方图的Bhattacharyya系数进行匹配传统的基于颜色的MeanShift算法不能适用于此类跟踪任务。本文基于粒子滤波的思想结合MeanShift算法非参数概率密度估计的优点使用MeanShift方法对粒子进行收敛性分析使用达到稳定态的传播粒子对目标的状态进行动态建模由此在不需要知道目标模型先验知识的基础上不依赖于相似函数与粒子滤波算法相比克服了粒子退化及粒子耗尽的问题仅用少数的粒子即可实现对人体目标进行可靠跟踪降低了运算量。1MeanShift方法的简介图1MeanShift迭代过程Fig.1TheiterativeprocessofMeanShiftalgorithm给定离散特征点集核函数则在点处的概率密度估计为：(1)事实上在实际计算时我们可以通过计算概率密度估计的梯度(2)通过沿着特征空间内样本点密度梯度方向进行反复迭代搜索使各样本点最终收敛于临近的局部密度极大点。一般的核函数采用(3)的形式为归一化系数为核函数半径。常用的核函数有[8]等几种形式。令则(4)代入上式(5)定义(6)为MeanShift向量则的方向与概率密度估计函数的梯度方向一致。对样本集中的特征点按(7)反复进行递推迭代当不再变化时即时则收敛于概率密度函数的局部极大值。通常我们可以放松收敛条件当小于一定阈值时即可认为收敛过程完成。2跟踪模型的建立2.1状态模型跟踪模型分为两个部分：状态模型和量测模型。假定初始目标所在的区域在图像中的位置为对于较小目标目标区域每个像素放置一个粒子；对于较大的目标在目标区域按一定概率密度布撒M个随机粒子相当于对目标的灰度分布进行抽样采样样本数为M降低计算量。记采样粒子集合对每个粒子使用其所在图像