空间信息码本和粒子滤波相结合目标跟踪算法

发布时间：2019-10-10 06:44

【摘要】：针对粒子滤波跟踪过程中容易积累误差引起跟踪失败的问题,提出一种基于空间信息码本背景建模的粒子滤波跟踪算法。首先,在码本背景建模过程中将目标像素码本和周围8邻域像素码本进行融合,克服背景噪声干扰得到精确的前景目标;然后提取前景区域的核函数加权颜色特征作为粒子滤波初始状态先验分布。同时在重采样过程中引入位置信息加权改进。实验结果表明,该算法减少了粒子发散引起的采样误差,且能够在复杂背景下对目标进行有效跟踪,在实时性和准确性上优于标准粒子滤波算法。
【图文】：

直方图,检测结果

＞)=true，colordist(xt，vi)≤ε2，其中ε2为检测阈值，通常情况下ε1＜ε2;Step6若码字ci与xt匹配，则xt=background，并更新码字ci;否则，xt=foreground;同时对xt进行以下操作:Step6．1若在xt码本的8邻域相邻码本中，存在ci与之平匹配，则count++;Step6．2若count++≥K，K为设定阈值，则xt=background;否则，xt=foreground。1．3前景检测结果对比采用PETS视频数据库中Camera和Lab两组视频进行实验，分别对室外和室内场景进行前景检测对比。如图1所示，Camera中左侧存在树枝晃动，以及车辆经过引起沿途车窗光线变化，这些干扰都引起了标准码本的误检。同样，Lab中人体经过引起室内光线突变更是引起了标准码本较大范围的误检噪声。而空间信息的码本在初步检测出前景之后又与背景码本进行融合比较，进一步精确判断前景像素，很好地适应了环境中的噪声和背景干扰。图1前景检测结果对比2基于前景检测的粒子滤波跟踪算法2．1核函数加权颜色特征提取复杂背景、光照等干扰影响对目标的正确描述，本文采用核函数加权［10］颜色特征对检测出的前景目标提取HSV颜色特征作为粒子滤波观测模型，以减少复杂背景对观测值的影响，即目标中心区域分配较大权值，而目标边缘区域分配较小权值。其中H和S分量对光照不敏感各划分为16个量化级，而V分量对光照明感划分为4个量化级，直方图颜色共被划分为16×16×4个量化级。首先通过码本前景检测得到准确目标前景并求得外接矩形H0=［x0，y0，w，h］，其中(x0，y0)为矩形框中心坐标，w、h为矩形框宽和高，可得以矩形区域(x0，y0)为中心归一化加权直方图:q(u)=C∑ni=1k‖x1－x

粒子,状态,复杂背景,同文

Step5读取下一帧，重新进行粒子初始化。3实验结果及分析为验证本文算法前景约束下粒子采样的稳定性和跟踪效果的鲁棒性，与空间信息码本特征提取状态下复杂背景跟踪的有效性，分别进行了在交叉遮挡环境下同文献［8］算法对比，与复杂背景环境下同文献［2］标准粒子滤波算法对比。实验采用VS2010+OpenCV2．0，环境为i5(2．60GHz)，内存2GB的笔记本电脑。(1)实验一:文献［8］算法交叉遮挡实验对比实验采用两个目标由接近、交叉到分开的视频(跟踪粒子数为100)，对比文献［8］和本文两种算法的跟踪效果与粒子采样状态。如图2(a)所示，由于文献［8］中粒子的采样空间是随机的，所以其粒子发散比较大，两目标交叉过程中发散尤为严重。图2(b)为本文算法的粒子采样状态，由于采用了检测出的前景区域为粒子滤波观测样本，且粒子围绕目标中心采样，故粒子状态较稳定。图2(c)为本文算法的最大权重粒子状态即最终的跟踪结果。图2跟踪效果对比根据图2两目标交叉时的第188帧跟踪结果，，设定粒子矩形框的中心与目标实际中心的像素距离表征粒子的采样状态即发散程度，两种算法粒子序号为1－100，采样状态统计如图3所示，整个跟踪过程数据对比如表1所示。图3第188帧粒子采样状态统计
【作者单位】：重庆邮电大学计算机科学与技术学院;重庆市软件质量保证与测评工程技术研究中心;
【基金】：重庆市教委科学技术研究项目(KJ1402001) 重庆市科委基础与前沿项目(cstc2014jcyjA 1347) 重庆市高校优秀成果转化项目(KJZH14219)
【分类号】：TN713

【相似文献】