MeanShift算法和粒子滤波相结合的运动目标视频跟踪技术_缪鑫

合集下载

基于Camshift与Particle Filter的运动目标跟踪系统的设计及实现

—
Ｃｍｈｆａｄａｔｃｅｉｔｒｌｏｉｈ．Ｃｍｈｉｔｌｏｉｈａｕｅｉｔｅａｐｉｇｔｐｏｐｒｉｌｆｌｅ，ａｓｉｔｎＰｒｉｌＦｉｅａｇｒｔｍａｓｆａｇｒｔｍｗｓｓｄｎｈｓｍｌｎｓｅｓｆａｔｃｅｉｔｒｗｃｅｆｃｅｔｙｅｕｃｓｔｅｕｂｒｆｓｍｐｅｐｒｉｌｓＥｐｒｍｎａｒｅｕｌｓｒｖｔｔｔｅｉｒｖｄｈｉｈｆｉｉｎｌｒｄｅｈｎｍｅｏａｌｄａｔｃｅ．ｘｅｉｅｔ１ｓｔｐｏｅｈａｈｍｐｏｅ
１引言
近年来，随着计算机技术、自动化技术和光电技术突飞猛进的发展，以图像为基础的视频，凭借着它直观、方便以及内容
踪。 ቤተ መጻሕፍቲ ባይዱ
Ｃｍｈｆ算法具体步骤：ａｓｉｔ（采集一帧当前图像，换为ＨＳ间，取Ｈ１）转Ｖ空提分量直方
丰富的特点，正越来越受到人们的青睐。然而在很多场合下，人图；
们为了从视频中获得信息而付出了很多艰辛的劳动，之而来随
（从原图像中选择一个区域作为目标模板，２）提取ＨＶＳ空间
分量概率分布直方图，得到原图像反向投影图，根据以上条的是对一种可以代替人劳动，以让人从繁重的视觉劳动中解的Ｈ可件初始化相关变量。脱出来的技术的迫切需要。这种技术就是机器视觉（ａｈｎＭｃｉｅＶｓｏ）又称计算机视觉。器视觉是一门跨学科的领域，ｉｉｎ，机涉及计算机学、理学、物信号处理、心理学、生理学和数学等。它是指用摄像头获取环境图像并转换成数字信号，用计算机实现（计算图像的一阶矩和二阶矩，到图像的质心，整窗３）得调口大小，移动窗口中心到图像质心；（判断是否符合终止条件，合则显示搜索结果，４）符否则返

基于Mean Shift重要性采样的粒子滤波跟踪算法

ｆｏｒｔａｒｇｅｔｔｒａｃｋｉｎｇｉｓｐｒｏｐｏｓｅｄ．ＦｉｒｓｔｌｙｔａｒｇｅｔｒｅｆｅｒｅｎｃｅｍｏｄｅｌｉｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎＭＳｋｅｒｎｅｌｐｒｉｎｃｉｐｌｅａｎｄｃｏｌｏｒｄｉｓｔｒｉｂｕｔｉｏｎ
刘璞，王春平，徐艳
（军械工程学院电子与光学工程系，河北石家庄０５０００３）
摘要：针对粒子滤波算法中粒子退化导致跟踪效果差的问题，将均值漂移（ｍｅａｎｓｈｉｆｔ，ＭＳ）算法融入到粒子滤波（ｐａｒｔｉｃｌｅｆｉｌｔｅｒ，ＰＦ）算法中，提出了基于ＭＳ重要性采样的粒子滤波目标跟踪算法。该算法根据ＭＳ算法的核函数原理，利用目标颜
色分布建立目标参考模型；基于粒子滤波的计算框架，在ＭＳ算法的迭代寻优过程中，对粒子进行确定性搜索，使其收敛
到目标候选模型的局部最优点，完成对目标模型的重要性采样，有效解决了粒子退化问题，同时减少了粒子数目，增强了
目标跟踪的实时性。跟踪实验结果表明，该算法的跟踪性能优于传统的粒子滤波算法。
关键词：粒子滤波；粒子退化；ＭｅａｎＳｈｉｆｔ；重要性采样；目标跟踪中图法分类号：ＴＰ３９１文献标识号：Ａ文章编号：ｉ０００ — ７０２４（２０１４）０３０９０９ — ０５

基于Mean Shift和粒子滤波的运动目标跟踪

基于Mean Shift和粒子滤波的运动目标跟踪马晓路;刘倩;牟海军【期刊名称】《微型机与应用》【年(卷),期】2012(031)023【摘要】针对MeanShift算法跟踪效果不佳以及粒子滤波算法计算量大且实时性不强等问题，提出了一种结合MeanShift和粒子滤波的运动目标跟踪融合算法。

首先用MeanShift算法进行跟踪，在跟踪结果不佳的情况下用粒子滤波算法进行修aY_。

实验结果表明，融合算法很好地结合了两种算法的优点．既保留了MeanS}1．ft算法的实时性，又很好地体现了粒子滤波算法的鲁棒性，实用性很强．．%The effect of Mean Shift tracking algorithm is not good and particle filter algorithm has a large amount of calculation and its real time is also not good. This paper puts forward a movement target tracking fusion algorithm combined with Mean shift and particle filter. At first, tracking with the Mean Shift algorithm, if the tracking result is not good, then using the particle filter algorithm to fix. The experimental results show that the fusion algorithm combines the two algorithm advantages well, keeps Mean Shift algorithm of real-time, and embodies the particle filter algorithm's robust well, the usability is very strong.【总页数】3页(P42-44)【作者】马晓路;刘倩;牟海军【作者单位】中南民族大学电子信息工程学院,湖北武汉430074;中南民族大学电子信息工程学院,湖北武汉430074;中南民族大学电子信息工程学院,湖北武汉430074【正文语种】中文【中图分类】TN919【相关文献】1.基于改进Mean Shift的运动目标跟踪算法 [J], 徐火希;2.基于改进 Mean Shift 的运动目标跟踪算法 [J], 徐火希3.基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法 [J], 姜涛;蒋元友;廖敏江4.基于Mean Shift算法的运动目标跟踪研究 [J], 陆书翠;王慧敏;王艳华5.基于联合粒子滤波和Mean-Shift的运动目标跟踪算法 [J], 杨佳因版权原因，仅展示原文概要，查看原文内容请购买。

基于均值偏移的粒子滤波视频r跟踪算法研究

基于均值偏移的粒子滤波视频r跟踪算法研究姜莹礁【摘要】提出了基于融合颜色和LBP纹理特征的均值偏移粒子滤波视频跟踪算法.粒子滤波用带权粒子集表示待求解函数值,解决了非高斯非线性问题,提高了跟踪精度.将均值偏移嵌入到粒子滤波算法框架,实现对粒子的聚类,减少粒子数量同样达到实时准确跟踪的效果.融合颜色信息、纹理信息的多种特征描述,能够准确地描述模标,提高模标锁定的准确性,克服环境中相似颜色干扰的问题.实验证明,该算法在人体行为实时跟踪的准确性和鲁棒性方面较原算法有明显提高.【期刊名称】《海峡科技与产业》【年(卷),期】2018(000)001【总页数】3页(P70-72)【关键词】背均值偏移;粒子聚类;核函数;纹理特征【作者】姜莹礁【作者单位】武警内蒙古总队呼和浩特 010100【正文语种】中文【中图分类】TP391.410 引言视频跟踪[1]是计算机视觉领域的核心方向之一。

本文提出了融合颜色特征和LBP 纹理特征的均值偏移粒子滤波算法，将均值偏移嵌入到粒子滤波算法框架[2]，粒子聚类作用提高粒子集的效率。

仿真实验表明，提出的方法在相似颜色干扰、遮挡等环境下跟踪目标鲁棒性、实时性、准确性较强。

1 基于融合特征的Meanshift粒子滤波算法1.1 均值偏移粒子滤波算法本文提出的Meanshift粒子滤波算法中，算法框架如下。

1.1.1 粒子采样假设粒子的初始位置为x0，粒子的数目为N，运动目标每个可能的状态由粒子表征。

每个粒子的初始权值为1/N，N个粒子的权值之和为1。

初始目标运动模型第一帧图像像素记作，n，m个特征值。

初始运动目标模型表示为图1 两种粒子滤波算法框架1.1.2 状态转移通常采用ARP公式：1.1.3 粒子均值偏移收敛粒子预测方程是：设y1为起始点，核函数中心点：1.1.4 权值更新由于核函数窗口宽h的变化，从第二帧起的每一帧包含的像素用i=1，…，表示，中心点在yj处的候选目标模型表示为：其中，j=1，…，N目标模型与候选模型的相似度由最优相似性函数巴氏系数 (Bhattachyarya系数)表示：则巴氏距离（Bhattachyarya）为：观察值的概率密度函数[6]为1.1.5 计算目标位置目标最终位置由所有粒子的加权均值确定。

基于Meanshift和粒子滤波的目标跟踪方法

基于Meanshift和粒子滤波的目标跟踪方法
徐眯;徐成鸿;舒军
【期刊名称】《湖北第二师范学院学报》
【年(卷),期】2016(33)2
【摘要】Meanshifi是一种目标跟踪的有效算法.但是,当光照条件变化快或目标被遮挡的时候表现很差.与之相比,基于粒子滤波的目标跟踪有一个很好的表现,但是跟踪速度比Meanshift慢很多.由于使用单个算法的限制,本文提出了一种基于Meanshift和粒子滤波相结合的新的算法.此种方法构建了反馈系统,Meanshift技术被用于初始跟踪,当Meanshift的跟踪结果不可信时,通过粒子滤波来提高跟踪效果.RGB颜色直方图用于表征图像的特征,Bhattacharyya系数来衡量目标模型与候选模型的相似度.通过对不同视频的跟踪实验证明,提出的这种方法在目标发生移变、旋转、缩放时都能很好的表现,而且实现了一个满意的跟踪速度.
【总页数】5页(P22-26)
【作者】徐眯;徐成鸿;舒军
【作者单位】武汉理工大学自动化学院,武汉430070;湖北工业大学,武汉430068;湖北工业大学,武汉430068
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于Meanshift和SIFT特征的运动目标跟踪方法 [J], 姜涛
2.基于MeanShift与Group Search Optimizer的视频目标跟踪方法 [J], 张银;虞旦
3.基于Meanshift和粒子滤波的行人目标跟踪方法 [J], 张颖颖;王红娟;黄义定
4.基于多特征自适应融合的MeanShift目标跟踪方法 [J], 刘苗;黄朝兵
5.基于多特征自适应融合的MeanShift目标跟踪方法 [J], 刘苗;黄朝兵
因版权原因，仅展示原文概要，查看原文内容请购买。

基于Meanshift采样的辅助变量粒子滤波跟踪算法

An Auxiliary Variable Particle Filter Tracking
Algorithm Based on Meanshift Sampling 作者：张鑫;刘皎;张林
作者机构：商洛学院电子信息与电气工程学院,陕西商洛726000
出版物刊名：商洛学院学报
页码： 6-9页
年卷期： 2017年第2期
主题词：目标跟踪均值漂移辅助变量粒子滤波遮挡
摘要：针对视频图像运动目标跟踪时的时延问题和目标被遮挡时易丢失的问题,提出了-种基于Meanshift采样的辅助变量粒子滤波跟踪算法.采用AVPF算法作为跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,最后估计目标状态.仿真结果显示,本文算法能够有效处理跟踪过程中目标部分被遮挡的问题,具有较好的鲁棒性和较好的实时性.。

基于灰度共生矩阵和MeanShift的目标跟踪算法

用单一的颜色直方图表征运动目标，丢失了目标区
域内像素之间的空间关系，而且易受光照变化的影响．为了解决上述问题，ＭａｇｇｉｏＥ等人［４］提出使用
目标区域分块的方法弥补空间信息不足的缺陷；袁霄等人［］在文献［４３的基础之上进行了改进，对目标区域重新分块并减少分块数目，利用分块之间的不同加权提高算法的稳定性；文献Ｅ６］提出将Ｍｅａｎ
ＴａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｒａｙｓｃａｌｅｃｏｅｘｉｓｔｅｎｃｅｍａｔｒｉｘａｎｄＭｅｎａＳｈｉｆｔＺＨＡＮＧＹｏｎｇ，ＬＩＵＱｉａｏ－ｌｉｎｇ
文章编号：１６７３－５１９６（２０１３）０４４９０８９－０５
基于灰度共生矩阵和ＭｅａｎＳｈｉｆｔ的目标跟踪算法
张永，刘巧玲
（兰州理工大学计算机与通信学院，甘肃兰州７３００５０）
第３９卷第４期２ｏ１３年８月
兰
州
理
工
大
学
学
报
ＶｏＬ３９Ｎｏ．４Ａｕｇ．２０１３
ＪｏｕｒｎａｌｏｆＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
２改进的Ｍｅａｎ－Ｓｈｉｆｔ算法

基于meanshift的多目标粒子滤波跟踪算法设计(杨伟)

dy k
=m1 k n =k-m
X n -1 -X n -2
设计系统动态模型为 :X k =X′k -1 +Dk +Bvk , 其
中 vk 取[ -1 , 1] 内的随机数 , B =[ b1 , b2 ] T , b1 、b2 为常
数 , 称为粒子的传播半径。
(4)系统观测。取最小平均绝对差值函数为衡量
归一化要依靠使用核 G 计算的 x 处的密度估计。因此 mean-shif t 向量总是指向密度增大的最大方向。这
个关系也很直观 , “局部平均值向着大多数点所在的区
域移动” 。 mean-shif t 向量和局部梯度估计平行 , 它指
向了估计密度的“定点” , 密度的模型就是那些“定点” 。
m
条件 ∑ q=1 得到。核函数直方图实际上是一种颜 b =1
色分布的加权表示 , 权值由核函数 k 决定 , 越靠近核中心权值越大。M ean-shif t 跟踪算法中普遍利用{q}b = 1 , 2 , …, m 表示目标模型。 2 .3 基于 Bhattacharyya 系数度量的目标定位
杨伟1 , 2 , 柴奇3
(1 .解放军电子工程学院安徽省红外与低温等离子体重点实验室 , 安徽合肥 230037 ; 2 .中国人民解放军 92602 部队 , 浙江宁波 3150312 ;3 .中国人民解放军 73678 部队 , 福建厦门 361009)
摘要 : 针对视频序列中多目标的跟踪问题 , 提出一种基于 mean-shif t 和粒子滤波的多目标混合跟踪算法 , 采用目标之间的距离门限和相似度门限作为转换条件 , 有效地结合 Meanshift 算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点。实验结果表明 , 该算法在对多目标跟踪时能在保证跟踪效果的同时减少跟踪的时间花费 , 有效提高了设计的跟踪系统的实时性。

一种改进的粒子滤波和Mean Shift联合跟踪算法

一种改进的粒子滤波和Mean Shift联合跟踪算法李沫;郝伟博;范哲意;刘志文【期刊名称】《中国电子科学研究院学报》【年(卷),期】2013(008)006【摘要】为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.【总页数】6页(P599-604)【作者】李沫;郝伟博;范哲意;刘志文【作者单位】北京理工大学信息与电子学院,北京 100081;中国信息安全产品认证中心,北京100020;北京理工大学信息与电子学院,北京 100081;北京理工大学信息与电子学院,北京 100081【正文语种】中文【中图分类】TH391.4【相关文献】1.联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现 [J], 王丹玲2.基于粒子滤波/Mean Shift的改进跟踪算法 [J], 杜方芳;刘士荣;邱雪娜;刘斐3.一种改进的Mean Shift运动目标跟踪算法 [J], 肖江;陈想;丁亮4.一种结合Mean-shift和粒子滤波的视频跟踪算法 [J], 李冬;陈恳;赵学梅;杨任尔5.基于联合粒子滤波和Mean-Shift的运动目标跟踪算法 [J], 杨佳因版权原因，仅展示原文概要，查看原文内容请购买。

基于Kalman滤波和Meanshift算法的目标跟踪

基于Kalman滤波和Meanshift算法的目标跟踪袁宝红;徐瑶;杜晓婷;李美莲【摘要】如何实现移动目标被其他物体遮挡后,预测其所处位置,并能够实现遮挡结束后恢复目标的跟踪是视频目标检测与跟踪研究方面的一个热点问题.文章将Kalman滤波器对目标位置估计能力与Meanshift跟踪算法相互结合实现视频序列中移动目标检测与跟踪.利用遮挡因子对目标进行遮挡判断,如果没有发生遮挡则使用Meanshift算法进行直接目标跟踪,一旦检测出遮挡则利用Kalman的预测值进行目标新位置的确定,最终实现对运动目标进行跟踪,并通过MATLAB编写程序实现对运动目标的检测与跟踪.【期刊名称】《无线互联科技》【年(卷),期】2016(000)009【总页数】3页(P61-62,87)【关键词】目标跟踪;目标遮挡;meanshift算法;kalman滤波【作者】袁宝红;徐瑶;杜晓婷;李美莲【作者单位】安徽三联学院电子电气工程学院,安徽合肥 230601;安徽三联学院电子电气工程学院,安徽合肥 230601;安徽三联学院电子电气工程学院,安徽合肥230601;安徽三联学院电子电气工程学院,安徽合肥 230601【正文语种】中文视频监控系统已成为渗透到当前的各类社会生活中，传统的视频监控只具备捕获、保存、传输和显示等能力，而视频内容的识别是需要人工实现的，工作量巨大。

随着图形图像处理技术和视频流解码等技术的发展，视频监控市场的智能化需求不断加强，视频智能分析已经成为当前市场视频监控产品一个热门研究内容。

运动目标检测与跟踪作为视频智能分析一个重要基础组成，研究人员开展了大量研究工作，特别是在不同目标分类、特征提取等方面研究尤其突出。

本文作者研究感兴趣点在于如何实现移动目标被其他物体遮挡后，预测其所处位置，并能够实现遮挡结束后恢复目标的跟踪。

Meanshift算法在视频目标检测与跟踪研究方面的贡献有目共睹，已经被无所个典型方案和实验证明，本文研究者前期也进行了相关的研究工作，具体算法研究工作详见参考文献8和参考文献9。

毕业设计论文-粒子滤波与均值漂移

毕业设计设计题目基于全景视频中两种跟踪算法的实现学生姓名贾志远学号********专业班级计算机科学与技术10-4班指导教师余烨院系名称计算机与信息学院2014 年05 月28 日目录摘要： (1)Abstract： (2)1 绪论 (3)1.1 课题研究背景及意义 (3)1.2 国内外研究现状 (5)1.3 概述 (7)1.3.1 计算机视觉研究 (7)1.3.2 目标跟踪技术简述 (8)1.4 文章内容及安排 (9)2 Meanshift算法的实现与分析 (10)2.1 Meanshift算法概述 (10)2.2 Meanshift算法具体实现 (10)2.3 跟踪实验 (13)2.4 本章小结 (16)3 粒子滤波算法的实现与分析 (17)3.1 引言 (17)3.2 贝叶斯状态估计 (18)3.3 粒子滤波具体实现 (18)3.4 实验 (21)3.5 两种跟踪算法的跟踪比较 (25)3.6 本章小结 (26)4 总结及展望 (27)致谢 (28)[参考文献] (29)附录 (30)基于全景视频中两种跟踪算法的实现摘要：目标跟踪是计算机视觉研究中的经典问题，是指计算机或其他设备根据某种算法对目标进行跟踪和定位，并根据目标的位置和动向采取相应的策略。

近些年来，目标跟踪被广泛应用于视频监控、视频编码以及军事工程等各种领域。

本文的主要研究对象是基于Meanshift以及粒子滤波的目标跟踪算法。

Meanshift算法是一种基于特征概率密度统计的建模方法。

在跟踪过程中，目标区域通常由用户在视频序列中选定，并建立相应的目标直方图，经过反向投影后，Meanshift算法在后续帧中迭代地移动到目标的质心上，从而达到跟踪的目的。

粒子滤波算法是基于蒙特卡罗仿真的近似贝叶斯滤波算法，对目标状态进行采样，计算样本的权值，最后用样本的加权来表示目标状态的估计值。

本文选用相同视频分别对两种算法的跟踪性能进行了理论分析和实验比对，发现Meanshift算法实时性较好，但是在复杂场景中容易丢失目标，而粒子滤波算法在初始选择框比较大时实时性较差，但是在复杂背景下跟踪效果较好，对背景变化不敏感。

基于Meanshift优化粒子滤波算法的低空平台下车辆跟踪

基于Meanshift优化粒子滤波算法的低空平台下车辆跟踪史红;刘涛;李鸣;沈敏洁【摘要】We analyzed the vehicle characteristics in low altitude platform, and proposed a fast object tracking method via particle filter based on Meanshift optimization. In our method, we used color distribution histogram to represent an object. Then Meanshift algorithm was applied to iterative optimization in particle selecting stage. This innovation is able to reduce the particle number in tracking. The experiments show that our method has strong robustness and stability, and it can be applied in fast tracking in low altitude platform.%针对低空平台下运行车辆的特点,提出一种基于Meanshift粒子优化的粒子滤波算法实现低空平台下的车辆跟踪.该算法使用颜色表示目标,通过Meanshift算法对粒子滤波进行迭代优化,减少了稳健跟踪一个目标所需的粒子数,提高了算法的运行效率,在小目标和多目标的情况下也能稳健跟踪.实验结果表明,该算法具有较强的鲁棒性和稳定性,能实现低空平台下目标车辆的快速跟踪.【期刊名称】《吉林大学学报（理学版）》【年(卷),期】2012(050)003【总页数】5页(P535-539)【关键词】粒子滤波;低空平台;跟踪【作者】史红;刘涛;李鸣;沈敏洁【作者单位】吉林师范大学信息技术学院,吉林四平 136000;吉林大学计算机科学与技术学院,长春130012;吉林省经济信息中心,长春130061;国家专利局专利审查协作北京中心,北京100083【正文语种】中文【中图分类】TP391低空平台下的车辆检测和跟踪, 对提取实时路况信息有重要作用. 由于低空平台的摄像头架设角度较高, 视频中目标车辆较小, 因此在检测算法提取出道路车辆后, 如何稳健地跟踪这些车辆是一个较困难的任务. Wu等[1]对当前交通路口车辆目标的检测做了较全面的分析, 对多种检测算法从运行速度、内存占用、检测精度和视觉效果等方面进行了比较, 并指出了各自的优缺点.目前已有较多针对低空平台的跟踪方法, 如基于最优化迭代查找的Meanshift算法[2-7]和基于目标状态估计的粒子滤波算法[8-11]. Meanshift算法较稳定, 运算速度快, 一般情况下能实现稳健地跟踪, 但对小目标的跟踪不理想, 且迭代过程容易陷入局部最优解. 粒子滤波算法的跟踪鲁棒性较强, 适用于低空平台下的小目标车辆跟踪, 但算法的复杂度较高, 很难满足多目标下的实时跟踪. 因此, 本文将Meanshift算法与粒子滤波算法相结合, 在大幅度减小粒子数目的同时实现稳健跟踪, 算法的运行速度也有了很大改善.1 Meanshift算法和粒子滤波算法1.1 Meanshift算法Meanshift算法是一种基于核密度估计的无参估计迭代算法, 迭代的每步都使得一个点向其概率密度更大的方向移动, 不断循环, 直至收敛到概率密度分布的最大值. 假设目标矩形窗口中心位置为y0, 其迭代移动至新中心位置y1的迭代公式为(1)其中: xi表示以y0为中心的目标矩形区域的第i个像素点坐标; N表示目标区域中的像素点数; wi表示相应点的权值; h表示核窗口带宽. 本文取g(x)=-k′(x), 其中k(x)是本文选定的核函数. Meanshift 算法迭代过程是原目标位置不断向新位置靠近的过程. 若干次迭代后, 收敛到目标的最新位置, 从而实现跟踪.1.2 粒子滤波算法粒子滤波算法是通过非参数化的Monte Carlo模拟方法实现递推Bayes滤波, 适用于任何能用状态空间模型表示的非线性系统及传统Kalman滤波无法表示的非线性系统, 精度可逼进最优估计. 粒子滤波算法的核心思想是通过从后验概率中抽取的随机状态粒子表达其分布, 是一种顺序重要性采样法, 粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似, 以样本均值代替积分运算, 从而获得状态最小方差分布的过程.2 基于Meanshift粒子滤波的低空平台车辆跟踪低空平台下的城市交通情况较复杂, 特别是城市的交通路口, 来往车辆较多, 车流量很大, 车辆的堵塞现象也较常见, 是交通管理部门需要主要监控和管理之处. 由于低空平台的高度相对较高, 所以车辆的遮挡情况与阴影对目标的影响较小. 但目标车辆较小, 因此在这种情况下的检测和跟踪算法的准确度要求更高.2.1 基于颜色特征的Meanshift粒子滤波算法粒子滤波已经被证明能很好地应用于非线性、非Gauss的估计中. 而颜色作为目标跟踪的首要特征, 在部分遮挡、旋转、尺度变换和光照变化下都较稳健, 能很好地标示目标物体. 所以本文选择目标的颜色分布作为跟踪目标的特征. 使用基于彩色特征的粒子滤波实现跟踪, 并在跟踪过程中加入Meanshift粒子优化减少跟踪单个目标所需的粒子数.2.1.1 基于颜色的跟踪目标表示当选择了需要跟踪的目标车辆区域后, 需对目标区域做彩色直方图. 这里对彩色图像的RGB三通道图像分别做直方图, 每个通道分为8个区间, 总区域分为512个数组指针, 使用这个512维的直方图即可表示目标. 当前目标区域的空间核加权特征直方图记为p(y)={pu(y)}u=1,2,…,m, 其中(2)式中:为归一化系数, 使得(y)=1； a表示区域的面积; y为区域的中心坐标; δ为Delta函数；K(·)为加权函数, 使区域中心的粒子获得较大的权重, 离中心区域远的粒子拥有较小的权重. 可定义核函数如下:(3)2.1.2 候选区域的标示候选区域的标示方法即以每个粒子为中心区域的空间核加权特征直方图q(y0), 该特征直方图表示方法如式(2)目标区域的表示方法, 仍按区域的色彩直方图进行表示. 本文引入巴氏系数[12]度量候选区域与目标区域的匹配程度:(4)其中是相应的巴氏系数.计算观测值的概率密度函数为(5)因此, 粒子的权值更新为(6)利用加权准则确定目标的最终位置为(7)2.2 算法步骤本文提出的基于Meanshift优化的粒子滤波算法相对原有的经典跟踪算法在跟踪精度和运行速度方面都有较明显的优势, 算法步骤如下.1) 初始化：选择跟踪区域, 初始化粒子滤波. 初始粒子数设为40, 提取目标粒子模板, 产生40个粒子的初始状态, 并加入Gauss随机噪声. 由于光照和阴影对检测算法的干扰, 使检测部分提供给跟踪目标车辆的矩形框通常都比目标区域的车辆轮廓大很多, 如果直接对这些目标区域初始化目标直方图模板进行跟踪, 结果可能不准确. 通过大量的实验, 统计出检测部分的目标区域大小和实际车辆的大小比例为1 ∶0.8, 所以, 对检测的目标区域均先进行缩放, 再将其用于下一步的跟踪, 这样跟踪的效果较好.2) 选择初始跟踪区域后, 进行粒子滤波的跟踪.① 重采样：以概率从粒子集合St-1中进行采样;② 传播：每个样本的状态用系统方程更新粒子状态, 其中: A为常数为混合Gauss 随机噪声为t-1时刻的粒子集合为t时刻的粒子集合;③ Meanshift粒子优化：使用式(1)进行一次迭代优化粒子;④ 观测：根据式(7)重新计算粒子的权值.3) 输出目标信息：在原始视频上输出目标的当前(位置)状态:(8)4) 更新粒子状态：使用(9)更新目标模板模型.3 实验结果及分析在Visual Studio 2005下结合OpenCV实现视频的采集和图像算法的处理. 运行环境为Intel(R) Core(TM)2 Duo CPU E7200 2.53 GHz, 内存为2 G的PC机. 为了单独测试跟踪效果, 下列实验只针对单目标的跟踪. 选择的视频分辨率为326×246, 视频长度为223, 帧率为25帧/s. 图1为单目标视频序列跟踪结果, 其中第一行为传统粒子滤波算法, 第二行为基于Meanshift优化的粒子滤波算法, 图中分别为视频序列的第71,97,112,131帧.图1 单目标视频序列跟踪结果Fig.1 Tracking results of a single target由图1可见, 基于Meanshift优化的粒子滤波算法相对于传统粒子滤波算法跟踪效果更理想, 但经测试前者的运行速度达到帧平均处理时间15.75 ms, 后者的帧平均处理时间为28.24 ms, 速度上提高了近一倍, 这能够为低空平台下的车辆跟踪提供实时的跟踪效率.为了对道路车辆监控系统进行验证, 本文在两个低空平台下的城市交通路口视频上测试算法性能. 实验选取城市交通路口的标准视频1的视频分辨率为768×576, 总帧数为1 540帧. 图2为监控系统在视频序列1上的实验结果. 由图2可见, 视频序列中检测到的车辆都可以进行稳健的跟踪, 特别是在第304～305帧中出现的车辆遮挡情况下也能实现稳健地跟踪. 视频序列2为某高速公路的车辆视频序列, 视频分辨率为320×240, 共342帧. 图3为监控系统在视频序列2上的实验结果. 由图3可见, 本文算法对于高速公路上的车辆跟踪较准确, 视频序列中的车辆在全过程中都被稳健地跟踪.图2 低空平台下某交通路口的车辆视频序列跟踪结果Fig.2 Tracking results of vehicles at traffic crossing in the low-altitude platform by the proposedmethod图3 某高速公路的车辆视频序列跟踪结果Fig.3 Tracking results of vehicles on highway by the proposed method综上所述, 本文提出一种融合Meanshift和粒子滤波算法的适合低空平台下的车辆跟踪算法. 该算法用颜色表示目标, 通过Meanshift算法对粒子滤波进行迭代优化, 从而减少了稳健跟踪一个目标所需的粒子数, 提高了算法的运行效率, 使得在小目标和多目标的情况下也能稳健跟踪. 虽然基于Meanshift 迭代优化的粒子滤波在很大程度上改善了跟踪算法的速度, 但在目标较多的情况下算法复杂度仍然较高, 所以研究低空平台下的多目标快速跟踪, 才能使监控的时效性更好.参考文献【相关文献】[1] WU You-fu, SHEN Jun, DAI Mo. Traffic Object Detections and Its Action Analysis [J]. Pattern Recognition Letters, 2005, 26(13): 1963-1984.[2] Comaniciu D, Meer P. Mean Shift Analysis and Applications [C]//7th IEEE International Conference on Compu ter Vision(ICCV’99). Washington DC: IEEE Computer Society, 1999: 1197-1203.[3] Comaniciu D, Ramesh V, Meer P. Real-Time Tracking of Non-rigid Objects Using Mean Shift [C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR2000). Washington DC: IEEE Computer Society, 2000: 2142.[4] Comaniciu D, Meer P. Mean Shift: A Robust Approach toward Feature Space Analysis [J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2002, 24(5): 603-619.[5] Comaniciu D, Ramesh V, Meer P. Kernel-Based Object Tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(5): 564-577.[6] Comaniciu D, Ramesh V. Mean Shift and Optimal Prediction for Efficient Object Tracking [C]//2000 International Conference on Image Processing. Washington DC: IEEE Computer Society, 2000: 70-73.[7] Irsard M, Blake A. Condensation-Conditional Density Propagation for Visual Tracking[J]. Int J Comput Vision, 1998, 29(1): 5-28.[8] Nummiaro K, Koller-Meier E, Gool L, Van. A Color-Based Particle Filter [C]//First International Workshop on Generative-Model-Based Vision, in Conjunction with ECCV’02. Copenhagen, Denmark: [s.n.], 2002: 53-60.[9] Nummiaro K, Koller-Meier E, Gool L, Van. Object Tracking with an Adaptive Color-Based Particle Filter [C]//Proceedings of the 24th DAGM Symposium for Pattern Recognition. London: Springer-Verlag, 2002: 353-360.[10] Nummiaro K, Koller-Meier E, Gool L, Van. An Adaptive Color-Based Particle Filter [J]. Image and Vision Computing, 2002, 21(1): 99-110.[11] Tanizaki H. Non-Gaussian State-Space Modeling of Nonstationary Time Series [J]. J Amer Statist Assoc, 1987, 82: 1032-1063.[12] Bhattacharayya A. On a Measure of Divergence between Two Statistical Populations Defined by Their Probability Distributions [J]. Bulletin of the Calcutta Mathematical Society, 1943, 35: 99-109.。

基于Mean Shift算法和粒子滤波器的人眼跟踪

基于Mean Shift算法和粒子滤波器的人眼跟踪
石华伟;夏利民
【期刊名称】《计算机工程与应用》
【年(卷),期】2006(042)019
【摘要】基于视觉的驾驶疲劳检测是人脸表情识别技术最有商业前途的应用之一,实时人眼跟踪是其中倒丶糠?为了解决跟踪方法对眼睛的部分遮挡、人脸尺度变化等过于敏感的问题,提出了一种综合Mean Shift算法和粒子滤波器的跟踪算法.利用粒子滤波器得到样本的观测值后,将Mean Shift分析用于每一个粒子,使得粒子集中在测量模型的局部区域内,很好地克服了粒子滤波器的退化现象并有效缩短了计算时间.实验结果表明该算法实时性强,且具有良好的鲁棒性.
【总页数】3页(P26-28)
【作者】石华伟;夏利民
【作者单位】中南大学信息科学与工程学院,长沙,410075;中南大学信息科学与工程学院,长沙,410075
【正文语种】中文
【中图分类】TP312
【相关文献】
1.联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现 [J], 王丹玲
2.基于Mean Shift算法和粒子滤波器的目标跟踪 [J], 欧静;林宏基
3.基于卡尔曼粒子滤波器的人眼跟踪 [J], 叶剑波;夏利民
4.粒子滤波器与Mean Shift算法在人脸跟踪中的应用 [J], 李岚;张云
5.基于Mean-Shift算法的粒子滤波器在目标跟踪中的应用 [J], 杨波
因版权原因，仅展示原文概要，查看原文内容请购买。

一种结合Mean-shift和粒子滤波的视频跟踪算法

一种结合Mean-shift和粒子滤波的视频跟踪算法李冬;陈恳;赵学梅;杨任尔【摘要】提出一种结合均值偏移算法和粒子滤波理论的视频跟踪算法,解决了目标旋转、部分遮挡和运动速度过快的问题.通过均值偏移对粒子滤波中的粒子集进行进一步寻优,增加了粒子的有效性,极大减少了粒子采样的数量,且解决了经过多次重采样后粒子多样性降低的问题.新的粒子通过与观测值之间的巴氏系数来决定重要性权重.实验证明:本算法可以完成实时地对视频目标进行部分遮挡以及目标旋转下的跟踪,具有较强的鲁棒性.【期刊名称】《宁波大学学报（理工版）》【年(卷),期】2011(024)001【总页数】6页(P24-29)【关键词】均值偏移;粒子滤波;视频跟踪【作者】李冬;陈恳;赵学梅;杨任尔【作者单位】宁波大学信息科学与工程学院,浙江宁波,315211;宁波大学信息科学与工程学院,浙江宁波,315211;宁波大学信息科学与工程学院,浙江宁波,315211;宁波大学信息科学与工程学院,浙江宁波,315211【正文语种】中文【中图分类】TN919.8随着计算机视觉应用范围的不断扩展, 近年来视频跟踪技术得到了广泛而深入的研究. 视频跟踪方法主要可2种: (1)有自顶向下的概率目标跟踪方法, 即将目标跟踪转换为在贝叶斯滤波框架下推理目标状态(如位置、速度)后验概率密度的过程; (2)自底向上的确定目标跟踪方法, 即通过手动或目标检测获得目标模板, 并建立代价函数(Cost Function)来表达目标候选位置和目标模板的相似程度, 然后再利用最优化方法找到代价函数的最大值.概率目标跟踪方法中的典型代表有基于贝叶斯迭代的卡尔曼(Kalman)滤波和粒子滤波(Particle filter)算法; 确定目标跟踪方法中的主要代表算法有均值偏移(Mean-shift)算法. Kalman滤波算法近年已取得较大的发展, 扩展Kalman滤波(extended Kalman filter)[1]、无味Kalman滤波(unscented Kalman filter)[2]对于非线性系统都可以进行有效地估计, 但是这些算法都依然限制于噪声高斯性的假设[3].Mean-shift算法是通过多次迭代计算出当前的偏移向量, 并将该点移动到局部最优的一种方法. 1995年该算法被应用到模式跟踪当中, 并取得了良好的效果[4], 在此基础上, Bradski等人[5]提出了CamShift方法, 并在一些简单的应用场景实现了实时跟踪, 效果较好. 但是该方法在目标运动过快或被遮挡时, 跟踪精度会产生较大的误差, 鲁棒性不强. 粒子滤波方法最早于1998年由Isard等人[6]应用到目标跟踪中, 该算法对于系统噪声以及观测噪声为非高斯情况下, 也可取得较好的跟踪, 鲁棒性较强. 之后在此基础上, Nummiaro等人[7]提出基于颜色的粒子滤波跟踪模型, 并取得非常好的效果, 但其需要采样大量的粒子, 因此算法的复杂度较高. 当下粒子滤波算法的研究已经成为目标跟踪研究的热点, 但是由于传统的粒子滤波中粒子的有效性不高, 通过蒙特卡洛方法必须引入大量的粒子来进行近似计算[8], 而且通过多次重采样后将会导致粒子的多样性丧失[9], 这使得跟踪的有效性与实时性就受到了极大的限制.笔者提出的一种结合均值偏移和粒子滤波的视频跟踪算法, 在粒子滤波框架下对预测的粒子通过Mean-shift算法来进行进一步寻优, 并进行重采样后得到最后有效的粒子集, 这样就可以大大地减少所需粒子的数量, 并进一步降低粒子退化现象. 通过应用到真实视频序列的实验结果显示,对于快速运动和有部分遮挡以及发生旋转的目标,新算法都可以进行有效跟踪.粒子滤波是运用蒙特卡洛方法的贝叶斯递推算法, 通过动态运动模型来实现递推过程. 在粒子滤波算法中, 假定t时刻的状态变量为Xt, 观测向量为Zt～ (z1 ,z 2… ,zt), 即从t=1时刻到t时刻的历史观测; 又设预测方程和观测方程为 Xt=f( Xt−1, wt ), zt = h(X t,vt), 其中wt和vt分别代表系统噪声和观测噪声. 通常粒子滤波中的后验概率p(X t|Z t)和观测密度函数都无需要求满足高斯分布.粒子滤波核心思想是通过建立一组带有相应重要性权重的粒子集并利用(1)式来近似的计算后验估计概率分布.其中,i表示t时刻的i个粒子;表示t时刻i个粒子的归一化重要性权重, 满足对于在序列中进行估计, 序贯重要性采样(Sequential Importance Sampling, SIS)是运用粒子滤波的一个重要内容. 在初始时刻, 通过先验信息或者手动选取初始粒子集, 并赋予每个粒子相等的重要性权重1/N; 当到t时刻(t＞0)时, 一般无法从后验概率中直接采样得到所需粒子, 因此, 必须通过1个已知的、容易采样的建议分布q(x)中采样得到粒子. 通过观测模型来计算每个粒子的重要性权重, 算式如下: 最后根据(1)式加权求和计算得到所需的估计值, 其中建议分布的选择对于粒子滤波器的设计有着重要影响[10]. 通常选用先验分布p(X t|X t−1)来代替建议分布. SIS 方法有着一个严重的问题就是退化现象, 降低这种现象可以从选取更加合理的重要性函数和进行重采样两方面来考虑. 对于重采样, 现在已经提出了多种方法, 如分层重采样、残差重采样、马尔可夫方法(MCMC)[11-12]等.Mean-shift算法是一种利用数据驱动的无参估计算法, 又称为核密度估计算法, 主要通过均值偏移向量寻找到后验概率局部最优[13].首先在初始帧t建立目标的特征模型 Fm (t),并根据先验信息或手动选取搜索窗口尺度h, 可通过下式提取特征概率:其中, C为归一化系数, 从而使得n为总特征数;为选用的核函数; xt为t时刻搜索窗口的中心;为t时刻搜索窗口中N 个样本中的第i个随机样本. 当前时刻t+1时提取的特征概率为 Fm(t+1).采用相似性函数来表示上一时刻目标特征密度函数与当前时刻目标特征密度函数的匹配度.根据定义[14]有:其中, ρ(t+1)为 Bhattacharyya系数, 即巴氏系数.当ρ( t+ 1)越大时, 表示匹配程度越高; 当前时刻的状态与上一时刻的越相似, 反之亦然.通过计算相似性函数的梯度来决定均值偏移向量,其中, 加权系数为:具体的算法如下:步骤 1: 建立特征概率函数, 并通过(6)式计算偏移向量;步骤2: 将偏移向量赋给xt+1;步骤3: 若偏移向量小于阈值ε, 停止迭代, 否则转到步骤1继续执行.传统粒子滤波主要通过先验概率密度函数来采样得到所需粒子, 因此丢失了当前的观测信息,当模型不准确或者观测噪声突变情况下, 会产生较大误差. 笔者提出的算法中, 建议分布选用的是通过先验分布预测后的粒子, 接着通过 Mean-shift算法进一步寻优后得到新的粒子. 由于已经充分考虑了当前时刻的观测信息, 使得建议分布更加合理, 鲁棒性也更强. 此外, 由于通过 Mean-shift偏移, 所有的粒子都重新进行了选择, 有效地抑制了经过多次重采样后粒子多样性降低的问题.3.1 状态转移和观测模型的建立在粒子滤波框架下进行跟踪, 必须建立目标的系统状态转移模型和观测模型. 笔者设定的目标状态参数为其中, xt,yt表示目标在x方向和y方向上的位置; vxt,vyt分别表示目标在x方向和y方向上的速度; Lx,Ly表示粒子浮动窗口的宽与高; al表示宽口变换速度.在粒子滤波中, 粒子随机样本具有多样性, 因此对于运动状态的模型依赖性不强. 在此, 系统模型选用一阶自回归模型作为目标的系统模型:其中,表示t时刻第i个粒子的状态; wt(i)表示t时刻第i个粒子状态转移时的随机系统噪声向量, r1 ～r5和均为 0～1间的随机高斯噪声.通过自适应浮动窗口L的设计使得每个粒子的预测范围增大, 从而使得当目标运动快过的情况下, 也可以在目标附近产生粒子.手动选取感兴趣区域并采样粒子集, 样本数为N, 可通过(8)式对每个粒子进行传播. 观测模型的主要目的是为利用观测信息来对粒子的预测值进行验证. 由于每个粒子代表的是真实状态的一种可能性, 通过观测值对每个粒子的可能性大小进行判定并分配相应的重要性权重. 对于观测值而言, 最直接的方法为在当前帧中寻找可靠的特征. 本次试验所选用特征主要为颜色特征, 通过当前时刻的估计值对下一时刻目标的颜色特征进行实时更新, 因此可以适应目标旋转下的跟踪.3.2 重要性权重的选择使用Mean-shift算法时, 选用目标颜色特征在HSV空间中的H分量建立模型, 并通过(6)式进行迭代, 最后得到最优位置. 偏移后的粒子与观测值通过巴氏系数计算重要性权重.其中,表示当前新的粒子所决定窗口中的直方图概率与观测值所在窗口直方图概率的巴氏系数; σ2表示巴氏系数的方差.3.3 重采样当进行重采样后, 虽淘汰了关联性较弱的粒子, 但同时也降低了粒子的多样性. 因此, 选用一个判决门限Nth来决定是否进行重采样是必要的.一般有效粒子数可定义为: 当Neff＜Nth时, 表示当前的有效粒子数不够,需要进行重采样. 为实现在实时状态下对目标进行跟踪, 本次实验采用基于阈值的重采样算法[15].3.4 实时跟踪算法跟踪算法流程如图1所示, 具体步骤如下:步骤1: 手动选取视频中感兴趣区域以初始化粒子集其中i∈(1,N), 并在感兴趣区域建立Mean-shift算法的目标模型;步骤2: 通过(8)式对每个粒子进行预测;步骤 3: 对预测后的每个粒子进行 Mean-shift寻优;步骤4: 通过观测值与寻优后的粒子间的巴氏系数计算重要性权重, 由(1)式对状态进行估计并建立Mean-shift算法目标模型;步骤 5: 通过(9)式判断粒子有效性, 如果粒子有效性不足则进行重采样, 完毕后执行步骤 4, 否则转到步骤2继续执行.实验软件环境为VC 6.0开发平台, 硬件环境为Intel Pentium双核CPU, 主频2.8GHz, 内存1GB的Dell个人计算机. 本次实验首先对Road视频序列进行了测试研究, 序列大小为320×240. 实验结果给出了对于快速运动目标通过一般粒子滤波和结合均值偏移算法粒子滤波跟踪比较的情况, 并进行相关了讨论. 之后, 在实验室运用采样率为25f·s-1的摄像头, 实时地对目标进行结果跟踪. 在图2、图3和图4中的方框均表示跟踪的窗口. 本实验显示: 运用均值偏移的粒子滤波中采样粒子数大大降低, 算法的复杂度和跟踪效果明显优越于传统的粒子滤波方法; 并在复杂环境下(其中包括目标旋转以及部分遮挡下跟踪的场景)验证了新算法的有效性以及鲁棒性,图2是对目标在快速运动情况下的试验结果.通过笔者设计的转移模型进行预测, 将粒子转移到目标的真实值附近, 之后再运用均值偏移算法把粒子转移到局部最优处, 提高了粒子的有效性.图3是基于颜色的粒子滤波方法下对目标进行跟踪的结果. 由图3可见, 粒子数的多少对于目标的跟踪效果有明显的影响. 表1给出了2种方法下的各种参数的比较情况. 从图2和图3可见, 运用新方法下的跟踪效果明显比传统的粒子滤波要好.在基于颜色的粒子滤波中, 当粒子数为 50个时,算法所耗费的时间和笔者提出的方法相当, 但是不能够进行有效的跟踪; 当粒子数为100个时, 跟踪效果与笔者的新方法相当, 但是进行跟踪所耗费的时间比新方法下的多很多. 通过表1显示了新提出的算法的优越性.图4是在实验室的复杂场景下, 通过摄像头对作者本人进行实时跟踪的实验结果. 实验中粒子的采样数为30. 在粒子滤波框架下, 用前一时刻的估计值建立Mean-shift算法的目标模型, 因此在目标的颜色发生变换的情况下时, 也可以对粒子集进行寻优, 从而实现在目标旋转下的有效跟踪. 图 4(e)和图 4(f)为当目标发生旋转的情况下的跟踪情况, 图4(b)和图4(h)分别表示目标被课本和头部分遮挡情况下跟踪的实验结果.主要对传统的粒子滤波存在的采样粒子数多、粒子有效性不够以及粒子经过多次重采样后粒子多样性丧失的问题加以了改进. 通过Mean-shift算法, 对采样后的粒子进行偏移, 有效降低了粒子的数量, 并克服了粒子经过多次重采样后粒子多样性不足或者丧失的问题. 在通过对视频资料序列和实验室中摄取的能够代表复杂场景的序列进行实时跟踪, 表明笔者开发的跟踪算法对于目标运动速度过快、旋转以及部分遮挡情况下, 都能够对目标进行有效而稳健的跟踪.【相关文献】[1] Dong Zhe, You Zheng. A novel extended Kalman filter for a class of nonlinear systems[J]. Progress in NaturalScience, 2006, 16(9):912-918.[2] Julier S J, Uhlmann J K. Unscented filtering and nonlinear estimation[J]. Proceedings of the IEEE, 2004, 92(3):401-422.[3] Jwo D J, Cho T S. A practical note on evaluating Kalman filter performance optimality and degradation[J]. Applied Mathematics and Computation, 2007, 193(1):490-502. [4] Cheng Y. Mean shift, mode seeking, and clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17(8):790-799.[5] Bradski G R, Clara S. Computer vision face tracking for use in a perceptual user interface[M]. Intel Technology Journal, 1998(2):1-15.[6] Isard M, Blake A. Condensation-conditional density propagation for visual tracking[J]. International Journal of Computer Vision, 1998, 29(1):5-28.[7] Nummiaro K, Koller M E, Gool L V. An adaptive color-based particle filter[J]. Image and Vision Computing, 2003, 21(1):99-110.[8] 徐钟济. 蒙特卡罗方法[M]. 上海: 上海科学技术出版社, 1985:35-52.[9] Arulampalam M S, Maskell S, Gordon N. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2):174-188.[10] Doucet A, Godsill S, Andrieu C. On sequential Monte Carlo sampling method for Bayesian filtering[J]. Statistics and Computing, 2000, 10(3):197-208.[11] Khan Z, Balch T, Dellaert F. An MCMC-based particle filter for tracking multiple interacting targets[C]// Computer Vision, ECCV, 2004:279-290.[12] 何萍, 彭宗举, 邵枫. 基于多视点视频编码宏块模式选择的快速算法[J]. 宁波大学学报: 理工版, 2010, 23(1): 29-33.[13] Li Xiangru, Wu Fucao, Hu Zanyi. Convergence of a mean shift algorithm[J]. Journal of Software, 2005, 16(3):365-374.[14] Dorin C, Visvanathan R, Peter M. Real-time tracking of non-rigid objects using mean shift[J]. Institute of Electrical and Electronics Engineers Computer Society, 2000, 14:142-149.[15] 洪少华, 史治国, 陈抗生. 用于纯方位跟踪的简化粒子滤波算法及其硬件实现[J]. 电子与信息学报, 2009, 31 (1):96-97.。

基于Meanshift的视频人体目标跟踪算法研究

上海交通大学专业硕士学位论文
基于 Meanshift 的视频人体目标跟踪算法研究
院班学
系：信息安全工程学院级：B1003692 班号：1100369043
硕士生：胡威专导导业：电子与通信工程师Ⅰ：蒋兴浩（教授）师Ⅱ：孙锬锋
上海交通大学信息安全工程学院 2012 年 12 月
万方数据
上海交通大学专业硕士学位论文
原创性声明
本人郑重声明：所呈交学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。
第一章绪论........................................................................................................................................................... 1 1.1 课题背景和意义 .......................................................................................................................................... 1 1.2 国内外研究现状分析及研究 ...................................................................................................................... 2 1.3 视频目标跟踪的关键问题 .......................................................................................................................... 3 1.4 论文的研究创新点及章节安排 .................................................................................................................. 5 第二章基本理论算法........................................................................................................................................... 8 2.1 引言 .............................................................................................................................................................. 8 2.2 MEAN SHIFT 理论 .......................................................................................................................................... 9 2.2.1 无参密度估计 ...................................................................................................................................... 9 2.2.2 Meanshift 核密度估计 ........................................................................................................................ 10 2.2.3 Mean-shift 算法概率密度梯度及 Mean-shift 向量 ........................................................................... 11 2.2.4 Mean-shift 收敛定理证明 .................................................................................................................. 14 2.3 帧差法 ........................................................................................................................................................ 15 2.3.1 帧差法的分析和原理 ........................................................................................................................ 15 2.3.2 帧差图像的形态学处理 .................................................................................................................... 16 2.4 KALMAN 滤波器 ......................................................................................................................................... 17 2.4.1 预估器 ................................................................................................................................................ 17 2.4.2 卡尔曼滤波器原理 ............................................................................................................................ 18 第三章视频人体目标跟踪相关算法研究 ......................................................................................................... 20 3.1 引言 ............................................................................................................................................................ 20 3.2 粒子滤波算法理论及分析 ........................................................................................................................ 21 3.2.1 贝叶斯滤波原理 ................................................................................................................................ 22 3.2.2 蒙特卡罗方法 .................................................................................................................................... 23

一种改进的粒子滤波和Mean Shift联合跟踪算法

文章编号：１６７３－５６９２（２０１３）０６－５９９－０６
ＡｎＩｍｐｒｏｖｅｄＴｒａｃｋｉｎｇＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＰａｒｔｉｃｌｅＦｉｌｔｅｒａｎｄＭｅａｎＳｈｉｆｔ
一
种改进的粒子滤波和ＭｅａｎＳｈｉｆｔ联合跟踪算法
李沫，郝伟博，范哲意，刘志文
（１．北京理工大学信息与电子学院，北京
２．中国信息安全产品认证中心，北京
１０００８１；
１０００２０）
ｉｌｆｔｅｒａｎｄｍｅａｎｓｈｉｔｆｉｓｐｒｏｐｏｓｅｄ．Ａｉｍｉｎｇａｔｔｈｅｓｈｏｔｃｒｏｍｉｎｇｓｏｆｃｏｌｏｒｈｉｓｔｏｇｒａｍ— ｂａｓｅｄｏｂｓｅｒｖａｔｉｏｎｍｏｄｅｌ
摘
要：为了提高视频运动目标跟踪的准确性和实时性，提出一种改进的粒子滤波和ＭｅａｎＳｈｉｔ联ｆ
合跟踪算法。针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性，提出了一种基于
分块颜色直方图的观测模型描述方法，并根据该分块直方图的特点，重新设计了粒子权值的更新策
第６期２０１３年１２月
中Ｉ园鼋；纠．鼍ｆ研宪限学

飞鸟视频跟踪的局部特征点融合Meanshift方法

鸟类的种类和数量繁多 , 几乎分布于各种生态环境，其在维持自然界的生态平衡方面有着特殊的贡献。作为动态目标跟踪的一个研究分支，对视频序列中鸟类的跟踪常被用来探索鸟类的飞行规律、并在此基础上进一步延伸出各类研究。分析视频序列中的鸟类行为，首先需要在复杂的野外监控视频中清晰地监测以及
图 1：Surf-Meanshiቤተ መጻሕፍቲ ባይዱt 跟踪算法流程图
供了丰富的视频数据，但通过人
工处理，识别和追踪视频中的野
生鸟类仍是一项费时费力的工作。
针对这个问题，提出了一种融合
局部特征点匹配和 Meanshift 方
法的自动跟踪算法。该方法通过
Surf 算子、Lowe’s 算法、Flann
方法进行了比对实验，结果表明
改进方法在跟踪效率和准确率上
均有提升。当鸟类与背景颜色相
似且运动速度较快时，改进方法
的优势更为明显。
【关键词】跟踪鸟类目标 Meanshift 局部特
征匹配
1 引言
运动目标跟踪是基于特定算法的一种用于检测视频序列中移动目标的技术。目前，常用的目标跟踪算法可分为两类，分别是基于生成式模型和基于判别式模型的目标跟踪算法 [1]。生成式模型跟踪算法通常将模型建立在当前帧目标区域，在下一帧中检测具有最高近似程度的区域。基于判别模型的检测方法应用目标范围作为正样本，将背景区域作为当前帧中的负样本。使用特征提取和特征选择训练分类器，并将其应用到下一帧中以找到最优区域。
匹配器进行特征点的提取、匹配

基于mean-shift的多目标粒子滤波跟踪算法设计

基于mean-shift的多目标粒子滤波跟踪算法设计
杨伟;柴奇
【期刊名称】《光电技术应用》
【年(卷),期】2009(24)4
【摘要】针对视频序列中多目标的跟踪问题,提出一种基于mean-shift和粒子滤波的多目标混合跟踪算法,采用目标之间的距离门限和相似度门限,结合mean-shift 算法和粒子滤波跟踪算法解决了目标遮挡的问题.实验结果表明,该算法能在保证多目标跟踪效果的同时减少跟踪的时间,有效提高了设计的跟踪系统的实时性.
【总页数】5页(P67-70,72)
【作者】杨伟;柴奇
【作者单位】合肥电子工程学院安徽省红外与低温等离子体重点实验审,安徽合肥230037;92602部队,浙江宁波3150312;73678部队,福建厦门361009
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于Mean-Shift和粒子滤波的两步多目标跟踪方法 [J], 李红波;曾德龙;吴渝
2.基于mean-shift 的多目标粒子滤波跟踪算法设计 [J], 杨伟;柴奇
3.基于mean-shift的多目标粒子滤波跟踪算法设计 [J], 杨伟;柴奇;杨华;黄超超
4.基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究 [J], 权义萍;金鑫;张蕾;杨道业
5.基于联合粒子滤波和Mean-Shift的运动目标跟踪算法 [J], 杨佳
因版权原因，仅展示原文概要，查看原文内容请购买。