基于粒子Mean Shift迁移红外人体目标跟踪算法.docVIP

基于粒子Mean Shift迁移的红外人体目标跟踪算法 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Mean Shift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Mean Shift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Mean Shift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 Mean Shift 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