复杂场景下目标跟踪方法探究范文

本站小编为你精心准备了复杂场景下目标跟踪方法探究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《机电设备》2014年第二期

1基于HOG特征的人体检测方法

基于梯度方向直方图（HistogramsofOrientedGradients，简称为HOG）的人体检测算法由法国Dalal和Triggs对人体检测分析得出。由于衣服颜色信息的不稳定性，其通过图像中人体边缘信息作为表达人体的稳定特征，并训练基于此特征（HOG特征）的线性SVM人体分类器，进行人体检测。此方法由于要穷举检测窗口，比较耗时，受到快速人脸检测思想（采用积分图快速计算Haar特征）的影响，F.Porikli等提出快速计算HOG特征的方法。其思想是引用积分直方图进行特征提取过程的加速。通过区域和表示积分图，也就是每个像素点（x,y）处所对应的左上方的所有像素点处的值，用公式表达如下实现图像积分图的计算时，只需要遍历图像一次，即可完成。如果需要计算cell内某方向（40~60度）的特征值，只需要找到按cell四个坐标位置（F、E、C、D）积分图，利用val=F+C-D-E的值来求此cell方向特征值即可。而在计算block的值时，不受block大小影响，仅需要访问四次积分图就可以完成特征的计算。

2基于粒子滤波的HOG人体跟踪方法

粒子滤波（ParticleFilter），简称PF，是一种基于蒙特卡罗来近似模拟贝叶斯滤波的一种方法，通过一组带权值的粒子，来预测运动目标的位置。粒子滤波变种非常多，常见的有Isard等提出的条件密度传播方法，简称为CONDENSATION算法（ConditionalDensityPropagation），UnscentedParticleFiltering等。其中，贝叶斯概率框架、序列重要性采样和重采样是粒子滤波研究的重要组成部分。

2.1基于粒子滤波的人体跟踪考虑到人体运动过程中速度及加速度等因素，应采取高阶自回归过程（Auto-RegressiveProcess）动力学模型，本文采用二阶ARP模型：其中，系数A、B、C、D，是四个常数，即运动模型的确定性分量，D为偏移向量，其它三个为系数矩阵，可以通过样本训练得到，tw为t时刻标准正态随机向量，tx为t时刻人体状态向量，包含当前区域中心的坐标、区域面积的高度及宽度。通过t-1、t-2时刻的状态向量来预测t时刻的状态向量。在人体跟踪过程中，主要是计算候选区域与目标模板的相似度，具体的说就是用当前候选预测的粒子集的各个人体区域与上一时刻得到的人体跟踪区域，通过比较两者的加权颜色直方图，进而得到候选区域与跟踪人体的相似度。相似度的计算过程如下：首先，得到匹配双方颜色直方图，颜色直方图指将目标区域的颜色空间分割成若干个小的颜色空间，每个小区域构成直方图的bin，如取分割区域个数m，已知目标候选矩形区域的状态向量为x，为了使运动目标的颜色模型更加准确，对于颜色直方图进行加权处理，使距离目标中心点较远的区域的像素权值小，较近区域的像素的权值大，这样权值小的区域对于建立直方图起的作用较小，这样就降低背景像素的颜色直方图分布。权值函数为：上述通过加权颜色直方图的粒子滤波方法，可以完成人体的跟踪，但当背景复杂时，背景颜色分布与人体颜色分布相近时，或者当人体被其它运动物体遮挡时，容易造成跟踪失败。尤其是人体被长时间遮挡的情况下，跟踪效果更差。

2.2基于粒子滤波结合HOG特征的人体跟踪根据遮挡因子判断当前跟踪目标是否出现遮挡，如果没有，继续用粒子滤波方法进行粒子更新进行目标跟踪。如果在t时刻出现遮挡，则扩展当前目标模板的预测区域大小，形成新的观测区域R。预测区域的变大，需要改变粒子数大小，在未出现遮挡时，采用90个粒子即可完成目标的预测跟踪；区域扩大后，采用均匀分布重新分配230个粒子观测区域R范围内。这里是重新分配的粒子，而不是在上一时刻的粒子数基础上，增加剩余粒子，这样做得好处会使粒子分布更加均匀，遮挡发生后，下一时刻的目标模板即为权值最大的候选区域，而不是粒子状态向量的均值（由于是遮挡情况下，所以粒子较非遮挡情况的粒子误差较大，选择似然值大的粒子作为目标模板效果较好），只有在没有遮挡的情况下才采用均值来作为估计结果。假如运动目标离开遮挡区域，采用粒子滤波方法，粒子数范围回到90个大小，同时目标模板求解用均值方法得到。这样就完成了短时间遮挡情况下问题的处理，但对于长时间遮挡的问题，通过此基础上加入HOG特征来解决。具体思路如下：当采用遮挡因子在时刻t判断出目标出现遮挡时，此时目标模板为tx∧，采用传统粒子滤波的方法来解决遮挡，即增大粒子数范围，来捕捉目标模板t1x∧+，在此过程处理时，加入可信度η来进行判断，即通过保留t-1时刻未出现遮挡时的目标模板t1x∧−，得到候选区域状态向量1itx∧+与目标模板t1x∧−的似然函数值t1iL+，即相似度，作为目标模板的可信度，选出新粒子集中t1iL+最大者，若其高于η，则认为1itx∧+为遮挡后预测正确的目标模板，也就是上述传统PF跟踪过程。这里让η的取值为0.6。否则认为粒子滤波跟踪失效，取消粒子滤波的跟踪预测过程，采用HOG特征用于人体检测的方法，在遮挡范围R进行人体检测，并判断检测人体状态向量1jtx∧+与t1x∧−区域的人体相似度，选出人体状态向量1jtx∧+中，t1iL+最大者且高于η者，认为是跟踪的目标人体，进行目标关联，并以此作为新的目标模板t1x∧+，继续采用粒子滤波的方法进行人体跟踪。若低于η，则继续采用HOG特征人体检测，如果在时间t内一直没有检测到，则认为此目标已经离开视频区域，取消HOG特征的人体检测。若在时间t内检测到人体且高于η，认为是跟踪的目标人体，进行目标关联，并以此作为新的目标模板t1x∧+。

3实验结果分析

粒子滤波进行跟踪已经在复杂环境下取得好的效果，但对于遮挡情况下的跟踪还有待改进之处。本文结合粒子滤波方法，进行遮挡人体的跟踪，在短时间遮挡情况下，通过扩大候选区域，增加粒子数来进行目标跟踪，能取得不错的效果，但对于长时间遮挡，效果不太好。下面是长时间遮挡情况下，采用方法一（传统粒子滤波的方法）进行跟踪的效果图，可以看到在图1（c）、图1（d）中长时间发生遮挡的情况下，目标跟踪丢失，预测区域从衣服红色的人体转到衣服黑色的人体，在长时间遮挡后，此时若进行跟踪时，将跟踪图1（c）、图1（d）中衣服为黑色的人体，造成人体跟踪失败。采用本文的基于粒子滤波的HOG特征的目标跟踪的改进算法后，如图1（e）、图1（f）所示，发现能正确跟踪红色衣服人体。长时间遮挡时效果图中的图1（a）是遮挡前第10帧跟踪效果，选定红色衣服的人体作为跟踪目标；图1（b）为发生遮挡时第20帧的跟踪效果，跟踪红色人体目标与黑色人体目标发生遮挡；图1（c）为采用方法一预测的目标区域，此时图像帧为第23帧，跟踪由红色衣服的人体目标变成错误跟踪黑色衣服的人体目标，从此时起将经过约三秒钟的长时间遮挡。图1（d）为用方法一在两人分开后，第71帧预测的目标区域，跟踪目标依然为黑色人体。图1（e）为用方法二，即改进算法预测的目标区域，此时图像帧为第69帧，跟踪目标为红色人体。图1（f）仍旧为方法二，即改进算法预测的目标区域，此时图像帧为第90帧，此时跟踪目标依然为红色人体。从图1实验结果图中，可以看出，采用方法一不能解决长时间遮挡，而采用方法二，即通过基于粒子滤波的HOG特征的跟踪算法，可以很好的解决长时间目标遮挡的问题，并能正确跟踪非遮挡人体。对于复杂场景下步态识别研究提供了技术支持。并且通过比较处理遮挡问题的算法的准确性分析，通过表1中可以看出，MeanShift结合粒子滤波的跟踪方法的跟踪准确性低于本文方法的跟踪准确性。在复杂场景，处理遮挡问题的跟踪算法中，本方法在跟踪准确性是比较优秀的。

4结论

主要研究了粒子滤波的跟踪方法，采用序列重要性采样的方法进行粒子采样，并采用样本重采样的方法处理粒子退化现象。对于长时间遮挡的问题，提出了基于粒子滤波的HOG特征方法来解决人体跟踪中长时间遮挡的问题，其中通过采用可信度η来判断检测人体是否是要跟踪的物体，进而进行跟踪目标的人体关联。实验表明，基于粒子滤波的HOG特征方法，可以有效解决长时间遮挡下人体跟踪问题。通过实验对比，也表明此方法在跟踪准确性上优于传统的MeanShift结合粒子滤波的方法。对于复杂场景中人体跟踪，提供了可靠的解决方法。

作者：胡帅华焦宝顾英双崔震宇单位：中国船舶重工集团公司第七二六研究所