如何使用粒子Mean Shift遷移進行紅外人體目標(biāo)跟蹤算法概述

　　提出了一種基于粒子Mean Shift 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(biāo)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Mean Shift收斂性分析， 使用收斂后的粒子集表達目標(biāo)的當(dāng)前狀態(tài); 以狀態(tài)粒子的坐標(biāo)位置為特征值對其進行Mean Shift 聚類， 作為對目標(biāo)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)的相似性測度計算， 僅用少數(shù)粒子即可實現(xiàn)對目標(biāo)的可靠跟蹤.

　　紅外圖像中人體目標(biāo)的跟蹤困難主要來自兩個方面： （1） 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;

　?。?） 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(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動目標(biāo)， 對于非剛體目標(biāo)的跟蹤受到限制，用于人體目標(biāo)跟蹤時必須與其它特征相結(jié)合才能完成 ; 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(biāo)的運動特征進行假設(shè)， 建立目標(biāo)運動模型，如CP、CA、CV 等模型， 使其在應(yīng)用于人體目標(biāo)跟蹤時受到一些限制。 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， 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(biāo)的跟蹤。 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Mean Shif t 算法作為一種有效的統(tǒng)計迭代算法， 在滿足一定條件下， 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(biāo)跟蹤中得到了很好的應(yīng)用 。 但由于Mean Shif t 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Bhat tachary ya 系數(shù)進行相似性分析，對于紅外人體目標(biāo)來說， 丟失了色彩信息， 而且目標(biāo)間的灰度特征都很接近， 很難通過顏色直方圖的Bhattacharyy a 系數(shù)進行匹配， 傳統(tǒng)的基于顏色的Mean Shif t 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Mean Shif t 算法非參數(shù)概率密度估計的優(yōu)點， 使用Mean Shift 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(biāo)的狀態(tài)進行動態(tài)建模， 由此， 在不需要知道目標(biāo)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(biāo)進行可靠跟蹤， 降低了運算量.