基于改进粒子滤波稀疏子空间单目标跟踪算法.docVIP

基于改进粒子滤波稀疏子空间单目标跟踪算法 　　摘 要： ?对单目标跟踪问题，提出基于改进粒子滤波的稀疏子空间单目标跟踪算法。在改进的粒子滤波中提出将样本分为正、负和过渡样本，减小粒子退化带来的影响，通过仿真实验验证改进粒子滤波器可提高目标跟踪的鲁棒性。仿照人眼视觉神经系统，将稀疏子空间引入粒子滤波中，建立一个稀疏最优化模型，获得稀疏矩阵，稀疏子空间有针对性地对目标进行聚类，得到聚类中心位置实现目标跟踪。经过在相同视频序列实验与基本粒子滤波同mean?shift算法目标跟踪的实验对比可知，单目标跟踪的快速性和鲁棒性得到了很大提高。 　　关键词： 目标跟踪； 贝叶斯滤波； 粒子滤波； 稀疏子空间； 过渡样本； 聚类中心 　　中图分类号： TN911.1?34； TP18 文献标识码： A 文章编号： 1004?373X（2018）13?0010?04 　　Abstract： A sparse subspace single target tracking algorithm based on improved particle filtering is proposed for single target tracking problem. On the basis of improved particle filtering， a method to classify the sample into positive， negative and transition samples is proposed to reduce the influence of particle degradation. The simulation experiment results show that the improved particle filter can improve the robustness of target tracking. On the basis of human visual nervous system， the sparse subspace is introduced into the particle filtering， and a sparse optimal model is established to obtain the sparse matrix. The target is clustered in the sparse subspace to get the location of the clustering center and realize the target tracking. The result of same video sequence experiment is compared with those of the target tracking experiments for basic particle filtering algorithm and Mean?shift algorithm. The results indicate that the accuracy and robustness of single target tracking algorithm are greatly improved. 　　Keywords： target tracking； Bayesian filtering； particle filtering； sparse subspace； transition sample； clustering center 0 引 言 　　目标跟踪是对视频中所标记的目标实施状态估计的过程，通过对时间和空间相对性的判断，确定跟踪目标在视频序列中每一帧的位置和姿态。2013年，文献[1]提出一种LDSs算法，通过聚类和噪音压制等处理验证了该方法的准确性。2013年，文献[2]提出一种检测人类行为的新方法，结合稀疏的外观特征和运动特征捕捉目标在视频中的微小变化，通过实验表明算法提高了处理数据的快速性。2015年，文献[3]提出一种基于颜色和空间信息的多特征融合目标跟踪算法，通过实验对目标的平均位置误差进行判断，确定提出的算法使得鲁棒性提高。2016年，文献[4]提出LRSP算法，针对目标受光照和姿态变化的影响具有更好的鲁棒性。 　　针对目标跟踪的鲁棒性和准确性，本文提出基于改进粒子滤波的稀疏子空间单目标跟踪算法，仿照人眼视觉神经系统[5]，将高维空间中数据映射成低维子空间数据，通过对映射后的数据聚类和学习分类，采用粒子滤波实现在线跟踪目标。在实验环节，将本文算法与已提出的跟踪方法进行比较，通过定量和定性分析验证算法的有