（通信与信息系统专业论文）基于颜色和粒子滤波的运动目标跟踪算法研究.pdf

m o v i n go b j e c tt r a c k i n ga l g o r i t h mr e s e a r c hb a s e do nc o l o ra n d p a r t i c l ef i l t e r b y y a n gq i b e ( i n n e rm o n g o l i au n i v e r s i t y ) 2 0 0 8 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o r t h ed e g r e eo f m a s t e ro fe n g i n e e r i n g c o m m u n i c a t i o na n di n f o r m a t i o ns y s t e m m c h a n g s h au n i v e r s i t yo fs c i e n c e & t e c h n o l o g y s u p e r v i s o r p r o f e s s o rj i a n gj i a f u m a r c h ，2 0 1 1 哪3 m7，川3伽48m 8ii- y 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得 的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个 人或集体已经发表或撰写的成果作品。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后果由本人承 担。 作者签名：冽：物芍 日期：，年f 月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数 据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 1 、保密d ，在年解密后适用本授权书。 2 、不保密围。 ( 请在以上相应方框内打“寸) 作者签名：吲笏日期：叫年6 月日 导师躲翻五啉侈叶厂月们 摘要 视频序列中目标跟踪是计算机视觉研究中的一个热点问题，它在医学诊断、天气情 况分析、视频智能监控、视觉导航、军事制导等多方面都有非常好的前景应用。如何快 速，准确的检测并跟踪运动目标，是视频图像处理中的技术研究热点。本文在总结和分 析现有运动目标检测与跟踪方法的基础上，重点研究了静态背景下运动目标的检测和跟 踪技术。针对在各种复杂环境下对视频中目标的跟踪问题，特别是对目标跟踪过程中 的观测模型的建立和预测、粒子滤波算法的重采样以及目标间的相互遮挡等问题进行了 重点的分析，并结合实际的问题提出了具体的解决办法。本文的主要研究内容包括以下 几个方面： l 、介绍了本课题的研究背景及国内外的研究现状，对本文所要做的工作进行了阐 述； 2 、文章的第二部分介绍了跟踪的基础理论知识，主要包括图像预处理的概念、目 标特征的提取，具体包括颜色特征的提取、纹理特征的提取和颜色分布模型，接下来对 后期图像的处理、非线性贝叶斯跟踪的理论进行了归纳和总结。 3 、针对传统粒子滤波算法中的粒子贫乏问题，改进了一种基于多样性采样的重采 样粒子滤波算法。该算法在传统重采样算法后加入了多样性采样环节，在重采样后的粒 子的邻域内按照均匀分布寻找相关粒子，使得粒子不会收敛于一点上，增加了粒子的多 样性，以达到解决粒子贫化问题的目的，解决了随时间的增加由于粒子贫化导致跟踪失 败的问题。 4 、对于目标跟踪中的遮挡问题进行了分析，提出了一种改进的遮挡检测处理算法。 通过b h a t t a c h a r y y a 的结果对目标的状态进行判定，若目标发生遮挡，采用前一帧的模 板来更新当前帧目标状态；当在遮挡结束后，即使恢复对目标模板的更新。 最后将本文提出的方法在实际的环境下的视频图像中进行检验。根据检验的结果说 明了在目标严重遮挡的时候，本文的方法能够准确的跟踪目标，达到了较高的鲁棒性。 关键字：粒子滤波，目标跟踪，颜色特征，遮挡判定 a bs t r a c t v i d e oo b j e c t st r a c k i n gi sac o r ep r o b l e mi nt h ef i e l d so fc o m p u t e rv i s i o n , w h i c hh a sa w i d er a n g eo fa p p l i c a t i o n si nm a l i t o r yg u i d a n c e ，v i s u a ls u r v e i l l a n c e ，v i s u a ln a v i g a t i o no f r o b o t s ，m e d i c a ld i a g n o s ew e a t h e ra n a l y s i sa n d8 0o i lt h er e s e a r c ho fv i d e oi m a g ep r o c e s s i n g t e e l m o l o g yf o c u so n h o wt od e t e c ta n dt r a c km o v i n gt a r g e t sq u i c k l ya n da c c u r a t e l y b a s e do nt h es u m m a r ya n da n a l y s i so ft h ee x i s t i n gm e t h o do fm o v i n gt a r g e td e t e c t i o n a n dt r a c k i n g ，t h et h e s i sf o c u so nt h em o v i n gt a r g e td e t e c t i o na n dt r a c k i n gt e c h n o l o g yi na s t a t i cs c e n e f o rt h et r a c k i n gp r o b l e m si nc o m p l e xe n v i r o n m e n t ，t h et h e s i sf o c u s0 1 1t h e s o l u t i o nt ot h ep r o b l e m ss u c ha so b s e r v a t i o nm o d e lo ft a r g e tt m e l d n g , i n t e r - b l o c kb e t w e e n t a r g e t sa n dt h er e s a m p l i n g o fp a r t i c l ef i l t e ra l g o r i t h m ，a n di tp r o p o s e dc o r r e s p o n d i n g s o l u t i o n st os u c hi s s u e s t h em a i nc o n t e n t so f t h i sd i s s e r t a t i o na r es u m m a r i z e da sf o l l o w s ： f i r s t l y , a n a l y z e dt h et h ee x i s t i n gt r a c k i n ga l g o r i t h m s ，w i t ha ne m p h a s i s o ne l a b o r a t i n gt h e p r i n c i p l eo fb a y e s i a nf i l t e r i n gt h e o r y , i n c l u d i n gp a r t i c l ef i l t e ra n dk a l m a n f i l t e ra l g o r i t h m ， d i s c u s s e dt h ef r a m e w o r k ，a d v a n t a g e sa n dd i s a d v a n t a g e so ft h ea l g o r i t h m s e c o n d l y ，f o rt h ep r o b l e mo fm o v i n gt a r g e t si nn a t u r a le n v i r o n m e n ta r ev u l n e r a b l et ot h e b a c k g r o u n di n t e r f e r e n c e ，a ni m p r o v e dc o l o rd i s t r i b u t i o nm o d e lw a sp r o p o s e d , a n db r o u g h t i t t ot h eo p a r t i c l ef i l t e ro b s e r v a t i o nm o d e l t h i r d l y , f a c e dw i t ht h ei s s u eo fp o o rp a r t i c l ei nt r a d i t i o n a lp a r t i c l ef i l t e ra l g o r i t h m s ，w e i n t r o d u c e dar e s a m p l i n gp a r t i c l ef i l t e ra l g o r i t h m w h i c hi sb a s e do nd i v e r s i t ys a m p l i n g t e c h n o l o g y t h ea l g o r i t h ma d d e dal i n ko fd i v e r s i t ys a m p l i n g 加t r a d i t i o n a ll e s a m p l i n g a l g o r i t h m t of i n dr e l a t e dp a r t i c l e sa c c o r d i n gt oau n i f o r md i s t r i b u t i o ni nt h en e i g h b o r h o o d a r e ao fp a r t i c l e sa f t e rm s a m p l i n g ，s ot h a tt h ep a r t i c l e sw i l ln o tc o n v e r g et oo n ep o i n ta n d i n c r e a s et h ep a r t i c l e sd i v e r s i t y , i na d d t i o n ，t h ea l g o r i t h ma c h i e v e dt h ep u r p o s eo fs o l u t i o nt o p a r t i c l e sd e p l e t e dp r o b l e m sa n ds o l v e dt h ep a r t i c l et r a c k i n gf a i l u r e sd u et od e p l e t e dp a r t i c l e s a st i m ei n c r e a s e d f o u r t h l y , t h et h e s i sa n a l y z e dt h eo c c l u s i o np r o b l e mf o rt a r g e t st r a c k i n ga n db r o u g h tu pa n i m p r o v e do c c l u s i o nd e t e c t i o np r o c e s s i n ga l g o r i t h m ， w h i c hd e t e r m i n e dt h et a r g e ts t a t e t h r o u g hb h a t t a c h a r y y ar e s u l t s ，i ft h et a r g e tw a sh i d d e n , i tu p d a t e dc u r r e n t 胁n es t a t eb y u s i n gt h et e m p l a t eo ft h ep r e v i o u sf r a m e ；w h e nt h eh i d d e nw a so v e r , t h e nr e c o v e r e dt h et a r g e t t e m p l a t eu p d a t e s f i n a l l y , t h i sm e t h o dw a sa p p l i e dt ot h ev i d e oi m a g et e s ti nt h en a t u r a le n v i r o n m e n t t h e e x p e r i m e n t a lr e s u l t ss h o w e dt h a tt h i sa p p r o a c hc a nt r a c kt h et a r g e ta c c u r a t e l ya n da c h i e v e da h i g h e rr o b u s t n e s sw h e nt h et a r g e tw a ss e v e r e l yh i d d e n k e yw o r d s ：p a r t i c l ef i l t e r , o b j e c t st r a c k i n g , c o l o rc h a r a c t e r i s t i c s ，h i d d e nd e t e r m i n a t i o n i i i 目录 摘要i a b s t r a c t i i 第一章绪论 1 1 课题的研究背景及意义。l 1 2 国内外的研究现状1 1 3 本文的主要研究内容3 1 4 本章小结4 第二章目标跟踪概述 2 1 图像预处理5 2 1 1 图像颜色模型一5 2 2 目标特征的提取7 2 2 1 颜色特征7 2 2 2 纹理特征8 2 2 3 颜色分布模型一8 2 3 后期图像的处理。9 2 4 非线性贝叶斯跟踪l o 2 4 1 全概率和贝叶斯公式。1 1 2 4 2 动态模型和观测模型一1 1 2 5 本章小结1 2 第三章视频序列中的目标跟踪算法 3 1 卡尔曼滤波算法1 3 3 1 1 卡尔曼滤波算法存在的问题1 5 3 1 2 卡尔曼滤波器发散的原因及抑制1 5 3 2 粒子滤波原理l6 3 2 1 蒙特卡罗方法的收敛性1 7 3 2 2 重要性采样1 7 3 2 3 序列重要性采样l8 3 2 4 重采样19 3 3 本章小结2 0 第四章运动目标的检测 4 1 光流法2 2 4 2 帧间差分法2 2 4 3 背景差分法2 3 4 3 1 基本概念2 3 4 3 2 背景差分法的优缺点2 5 4 3 3 实验结果分析2 5 4 4 目标的分割2 6 4 4 1 图像二值化2 6 4 4 2 数学形态学处理一2 7 4 5 本章小结2 8 第五章基于颜色和粒子滤波的目标跟踪算法 5 1 改进的粒子滤波重采样算法2 9 5 1 1 传统的重采样算法2 9 5 1 2 改进的重采样算法3 1 5 1 3 改进的重采样算法描述3 l 5 2 基于改进粒子滤波算法的运动目标跟踪3 3 5 2 1 目标运动模型一3 3 5 2 2 基于颜色的目标观测模型3 4 5 2 3 基于改进的粒子滤波算法的运动目标跟踪算法3 4 5 3 目标遮挡检测及处理3 6 5 4 实验结果与分析3 7 5 5 本章小结3 9 第六章总结 6 1 全文总结4 0 6 2 对未来研究的展望4 l 参考文献4 2 致谢。4 6 附录( 攻读硕士学位期间发表录用论文) 4 7 l 1 1 课题的研究背景及意义 、 、 第一章绪论 人类的视觉系统是获取外界信息的最主要途径，人类所获得的信息有8 5 是通过视 觉来获得的，因此视觉是人类感知世界的一种最重要的方式。运动目标的检测他鼬1 、运 动目标的跟踪和运动目标的测量是视觉领域的一个热门的研究方向，在具体的应用方面 也很广阔。视频中目标的跟踪噱3 1 刚的研究在交通系统中的应用也非常的广泛，具体的应 用可以包括行人行为判定、智能车辆驾驶、交通流量控制、车辆异常行为检测等很多方 面。 目标跟踪的定义，是指对视频图像序列中的运动目标首先进行运动目标的检测，然 后对运动的目标按照不同的特征进行提取和识别，最后对运动的目标进行跟踪，在对运 动目标的跟踪过程中获得它的运动参数等，对运动目标跟踪过程中获得的运动参数进行 进一步处理和分析，进行能够实现对运动目标的行为理解，这样就能够完成更复杂一点 的任务。 对运动目标的检测、跟踪和测量的研究具有很重要的意义，特别是在一些人没有办 法直接参与的工作环境中或者工作量非常大，研究智能化不需要人类的直接参与或仅需 少量通过视觉分析和目标跟踪系统的交互是系统日后发展的必然趋势。随着现在社会中 多媒体技术和数字通信技术的不断发展，数字高技术产品的大规模应用，视频序列运动 目标的检测与运动目标的跟踪技术研究也会随着社会的发展进而提高到一个更高层次 的水平。 1 2 国内外的研究现状 随着视频监控技术的不断发展，图像设备的相关技术( 目标跟踪技术、目标提取技 术) 也日趋于完善。在运动目标的跟踪技术中，可以通过视频监控设备终端的图像传感 器来采集到连续的图像序列，将这个采集到得图像序列通过基于颜色和粒子滤波的目标 遮挡算法【1 6 , 1 7 , 1 8 1 来获取运动目标的的相关信息等。目前在国外的一些较为先进的图像跟 踪系统中，通常采用图像雷达和c c d ( 电荷耦合元件) 构成的地面图像探测设备来获得图 像序列，也可以通过边缘检测算法来检测图像的边界并确定运动目标的确切位置。 换而言之，图像序列也可以通过一些电子设备产品( 比如d v ) 来获得。这些图像 设备使用简单，容易进行操作和结果的仿真，这正是图像跟踪方法和其他方法的最本质 的差别，同时也是图像跟踪技术能够得到发展的重要原因。 一般而言，图像跟踪从技术层面上具备以下的几个特点： ( 1 ) 分析对像是相关联的并且是离散帧序列； ( 2 ) 用具有很强的可观性的图像作为识别的载体； ( 3 ) 可以采用以及具备完整理论体系的数字图像处理和分析方法。 目标跟踪算法所要解决的主要问题是图像序列中的某一目标连续跟踪的问题，在目 标的检测识别的基础上建立目标跟踪算法，其中涉及到得跟踪目标的运动轨迹估计、特 征分析和保证运动目标跟踪稳定性的跟踪策略等。 国内还有国外的很多学者对目标跟踪算法在各种情况下作了很多的研究，目前比较 常用的跟踪算法有： ( 1 ) 图像差分跟踪算法； ( 2 ) 基于跟踪序列前后相关性的目标跟踪算法； ( 3 ) 基于目标光流特征的跟踪算法； 国外还有很多学者将数学形态学、神经网络技术、人工智能技术、小波技术、模式 识别等应用于对运动目标的检测跟踪中，并且获得了比较好的应用效果。 总体来讲，如何快速而可靠地从一帧图像到另一帧图像中定位运动目标是运动目标 跟踪技术的难点。运动目标跟踪最基本的要求是运动目标跟踪技术的可靠性。所以运动 目标跟踪技术的关键是如何选取目标的特征信息，并且在能够可靠应用的前提下简化算 法的运算。 国外在对运动目标跟踪技术的研究方面一直处于领先的地位。其中美国的麻省理工 学院已经开展了对行人和车辆的跟踪以及交互作用识别的相关研究，国外的一些公司也 正将基于视觉的手势识别的系统应用在商业领域中。 国外在对运动目标跟踪技术的研究中还有多传感器监控的研究，可以使用多个传感 器对一个地区的飞行器监控以及协同监控，例如对从飞机上拍摄的视频图像进行相应的 分析和处理。 国内外对运动目标的检测的方法主要有以下几种： ( 1 ) 光流法； 2 ( 2 ) 帧间差分法； ( 3 ) 背景差分法； ( 4 ) 点状相关图分析法； ( 5 ) 块比较法： ( 6 ) 基于曲线演化的方法。 总结起来，运动目标检测技术的发展有如下特点： ( 1 ) 光流法、帧间差分法和背景差分法等三种传统的运动目标检测方法中，帧间 差分法和背景差分法是目前应用最普遍视觉系统的检测方法。 ( 2 ) 在传统检测方法的基础上不断的改进和新算法不断的出现。 ( 3 ) 实时性、稳健性和准确性是运动目标检测技术研究和应用的主旋律。 ( 4 ) 许多运动目标的检测和跟踪方法只是在特定环境起作用，目前还没有一套评 价运动目标检测算法好与坏的统一标准。 目前在中国国内的所有研究机构当中，中国科学院北京自动化研究所的研究处于领 先地位，对基于扩展卡尔曼滤波器的车辆跟踪算法、交通场景的视觉监控基于三维线性 模型定位、基于行为模式识别和步态的远距离身份识别提出了对目标运动轨迹和行为特 征的学习的学习算法，在此基础上取得了一定的研究成果。 视频序列的运动目标跟踪技术在医学研究、工业过程控制、飞机导航、交通监控、 军事、国防等领域有着很重要的应用。 1 3 本文的主要研究内容 在本文中，我们通过建立目标运动模型与颜色模型，利用背景差分算法实现目标的 检测，缩小目标的搜索区域，接着建立目标粒子滤波系统，实现对运动目标跟踪。 第一章，本文的绪论部分，主要是对课题的提出背景及研究意义和国内外的研究现 状进行了分析。 第二章，介绍了跟踪的基础理论知识。主要介绍了图像预处理和非线性贝叶斯跟踪 的理论，阐述了图像颜色模型及目标特征的提取和后期图像的处理、全概率和贝叶斯公 式、动态模型和观测模型。 第三章，介绍视频序列中运动目标跟踪算法。介绍了卡尔曼滤波算法和粒子滤波的 原理。 3 第四章，阐述了如何实现运动目标的检测，介绍了光流法、帧间差分法、光背景差 分法的基本基本理论，接下来介绍了目标的分割是如何实现的。 第五章，是全文的重点，针对传统粒子滤波算法的粒子贫乏问题提出了针对性的解 决办法。结合颜色特征模板以及遮挡处理改进后对目标进行改进粒子滤波算法跟踪。并 对实现的结果进行了分析 第六章，本章对全文工作进行了总结，对未来的的工作方向给予了展望。 1 4 本章小结 本章首先提出了本课题的提出背景及研究意义，接着分析了运动目标检测的现状和 运动目标跟踪的研究现状，接着提出了本文所作的工作及全文的结构。 4 第二章目标跟踪概述 目标跟踪是计算机视觉领域中一个极具挑战性的课题，被广泛地应用于视频监控、 视频压缩、人机交互、医学图像处理等领域。目标跟踪是指在图像序列中识别出目标的 同时能够对其进行精确的定位，从而获取目标的运动参数，如位置、位移、速度等，从 而进一步进行目标处理与分析，实现目标的行为理解，这就涉及到目标跟踪的相关知识。 本章将主要介绍一些关于跟踪的基础理论知识以及本文涉及到的相关相关基础识，为后 续章节中研究运动目标跟踪提供理论知识，包括图像预处理、目标特征的提取、后期图 像的处理以及非线性贝叶斯跟踪等。图像的预处理主要是让待处理的图像能够有一个很 好的特征数据，在处理工程中只需要这些特征数据就能满足图像处理的需求。目标特征 的提取主要对运动目标的纹理、形状和颜色这三种特征进行有效的提取和分析。后期图 像的处理主要是对图形进行后期的处理，如用数学形态学的基本运算膨胀、腐蚀、开启 和闭合等操作保证图像质量。非线性贝叶斯跟踪则在分析贝叶斯跟踪算法的基础上对其 进行改进。 2 1 图像预处理 图像的预处理是图像处理的前期程序，在图像处理中占有举足轻重的地位，一般来 说图像的预处理主要是让待处理的图像能够有一个很好的特征数据，在处理工程中只需 要这些特征数据就能满足图像处理的需求。 2 1 1 图像颜色模型 图像的颜色空间i s , 3 l 3 3 1 示模型，其中包含r g b 颜色模型，h i s 颜色模型，h s v 颜色模 型，c m y 颜色模型，h s v 颜色模型，c m y 颜色模型等等。这6 种模型都是将图像用三维 向量来进行表示，在三维向量中这6 种模型的颜色是用的描述是用模型中的坐标点来进 行的。这6 种颜色模型中的每一种都有优点和缺点，在实际应用中，结合实际的问题， 要合理的选择自己需要的颜色模型，这些模型从某种程度上来讲都能够有效简单的体现 所要表达的物体实际的颜色特征，实现对其的评价和有关衡量。在本章主要介绍r g b 颜色模型和h s v 的颜色模型。 ( 1 ) r g b 颜色模型 5 r g b 颜色模型是由r e d 、g r e e n 、b l u e 三种颜色组成，三种颜色按照自己占有的不 同比例混合就形成了大自然中的各种颜色，因此r g b 颜色模型就是一种加色混合模型。 即如下构成方式： f = a r + b g + 凹 ( 2 1 ) 其中，f 为三色按比例合成的颜色，a 、b 、c 分别为r 、g 和b 的三色的权值，同时 a 、b 、c 的值均大于0 小于1 。 r g b 颜色模型是基于笛卡尔坐标的，三个轴分别是r 、g 、b 。原点是( o ，o ，o ) 的黑色对应( 即r = o ，g = o ，b = 0 ) ，在立方体的顶点则对应着白色( 即r r = 2 5 5 ，g = 2 5 5 ，b = 2 5 5 ) 。 在r g b 颜色模型的坐标中，像素点是由灰度值从黑色到白色不断变化的点构成的，这些 像素点沿着从原点到与原点最远的顶端的连线分布，这些点分别表示不同的颜色，其中 可以由矢量进行表示。为了计算方便，我们将r g b 归一化到区间【o ，1 1 之中。 ( 2 ) h s v 的颜色模型 h s v 0 a u e ，s a t u r a t i o n , v a l u e ) 是把彩色信号表示为色度h 、饱和度s 、亮度v 三种属性 的颜色模型，通常采用圆锥体坐标系表示，并且三个坐标都是相互独立的。h s v 颜色模 型是一种人眼适合分辨的颜色模型，常用于计算机视觉以及图像处理的算法研究中。色 度( h u e ) 是指颜色的类别，如红、绿、蓝。通常用0 0 到3 6 0 的角度表示其代表的颜色。 它是由物体表面反射的光中占优势的那些波长来决定的，不同的频率绝对不同的波长， 所以不同频率的波长的光能够产生颜色感觉的不同。饱和度( s a t u r a t i o n ) 则是表示颜色 的深浅程度，饱和度越高说明颜色越深，通常用0 到1 表示其深浅程度。亮度( v a l u e ) 的大小是由物体的反射系数决定的，反射系数越小，物体的亮度就越小，一般在o 到l 之间取值。 从r g b 到h s v 的转换公式如下： v = m a x ( r ，g ，曰) s = 0 删删高圪1 瑟未 l ( g 一曰) 6 0 s ， i f ( y = 足) h = l s o - ( g 一召) 6 0 s ， i f ( 矿= g ) i2 4 0 + ( g b ) 幸6 0 s ， i f ( y 一召) 6 2 2 目标特征的提取 在平时的生活当中只能用能够有效区别于其他事物的特点来对一个事物加以详细 的描述。比如说我们利用一副图像的特征才能够准确的描述- - n 图像，这些特征能够表 示出这幅图像的本质属性，只有对运动目标的特征进行准确的提取后，才能够把这幅图 像与其它不同目标有效的区分开来。 一副图像中包含着许多信息，这些信息非常的丰富，如果从不同的角度进行考虑的 话就会有相应的特征提取方法，这些特征提取方法不尽相同。论文从实际应用角度出发， 主要对运动目标的纹理、形状和颜色等三种特征进行有效的提取和分析。 2 2 1 颜色特征 世界上每一种事物都有其固有的颜色特征，同时颜色是物体固有的特征。颜色能够 在图像中表示它丰富的信息。但如果从人类肉眼的角度来看，人们一般用颜色作为区分 不同事物的首选特征。 在计算机视觉的理论当中，颜色信息分为局部颜色信息和全局颜色信息。全局颜色 信息定义了一个物体的主色调，局部颜色信息则包含物体的形状、轮廓和纹理。与纹理、 形状两种特征相比，颜色有他自己独特的优点，这种优点体现在颜色特征对大小和方向 的变化不敏感，颜色特征的稳定性比较好，在通常的情况下，利用颜色特征能够很方便 有效的对一副图像的特征进行描述。 颜色直方图的概念是描述不同的色彩在整个图像中所占的比例，并不是按照字面的 意思理解成对物体的每种颜色所处的空间位置的描述。任何一副图像都有唯一的一个直 方图与其对应，颜色直方图能够以一种非常简单的方式来描述图像中色彩的全局分布， 同时也能够反映出图像中颜色的基本色调和统计分布。颜色直方图的计算需要将颜色空 间离散成为若干个相等的小区间，这个时候我们称每一个小区间为b i n ，这个离散化的 过程叫做颜色的量化。 假k s 表示图像中某一特征值为毛的像素的个数，n 为该图像中像素的总个数，对其进 行归一化处理得： ) = 警 ( 2 3 ) 那么，该图像中特征的直方图可以表示为： h = 【办( 五) ，h ( x 2 ) 9 - 0 9 h c x ) 】 在实际的应用中，取到图像中的所有的颜色特征值是不太可能的，得到的统计直方 图的结果中会出现一些零点，这些零点使相似性度量不能准确的反应出两幅图像之间的 差别，这些零点的出现给相似性度量带来一定的困难。为了解决如何准确的反应出两幅 图像之间到底有什么区别这个问题，因此提出了累加直方图的概念。 假设图像某一特征的一般直方图可以表示为h = 厅( 五) ，厅( 恐) ，厅( 矗) 】，令 l 名( 薯) = 办( ) ( 2 4 ) 那么该特征的累加直方图可以表示为： 名= 力( j c l ) ，旯( 屯) ，名( 矗) 】 ( 2 5 ) 2 2 2 纹理特征 纹理特征n 6 翻是图像处理在计算机视觉等领域有着非常重要的应用。纹理特征的概 念是所有物体表面共有的内在特征，包含了纹理特征与周围环境之间的联系、物体表面 的组织结构排列的信息等。 粗糙程度是纹理特征的一种重要的度量方式，这种度量一般是用空间自相关函数来 描述的。纹理基元在空间上的重复排列构成的叫做纹理，与空间尺寸有着密切的关系， 并且大尺寸的纹理基元表示较粗的纹理，反之则表示较细的纹理。 2 2 3 颜色分布模型 k a t j an u m m i a r o 等人提出把颜色分布作为目标的模型，运动目标的颜色模型结合到 粒子滤波的观测模型中，目标可以在部分旋转和遮挡的情况下进行鲁棒性的跟踪测试， 获得了空前的效果3 5 3 力。 因此，图像直方图是离散的函数m s ( r 。) = n k ，其中气是k 级灰度，是图像中灰度 级，的图像中像素的个数。因为运动目标的边缘会受到各种干扰或者由于被物体遮挡 而被赋予较小的权值，同时也是为了提高颜色模氆的可信度，通常采用高斯函数的方式， 即： 坶，= 阿2 ) 其中，r 表示运动目标的中心。采用核函数的方式是对目标边缘由于受到各种干扰 的影响被赋予较小的权值，而对运动目标中心附近的像素点赋予较大的权重，从而提高 了颜色模型的可信度，颜色分布模型g ，- - f p g 表示为： 以= c 兰t = l 七( 掣删栌“】 ( 2 7 ) 上式中n 代表目的区域像素的总数，万是d e l t a 的函数，为了适应跟踪区域的大 小的变化选择参数a ，归一化的因子是c ，以使二q y 。= 1 。 颜色分布模型通过一定的相似性度量方法可以实现对运动目标的稳定跟踪，但这种 度量方法不能够用于室外环境下。因为该目标模型，在室外的自然环境下很容易受到背 景因素比较严重的干扰，同时还受到天气、光照条件变化的影响。而在室内环境下，背 景因素比较单一，跟踪效果较好。基于以上考虑，本文提出一种改进的模型，这种模型 能够很好的对室外环境下的运动目标进行建模，进而提取其特征。 为了使颜色分布模型在自然环境下能够准确的跟踪目标并且减少目标受背景干扰 的程度，在模板中心与目标中心重合的基础上，在目标中心附近，都赋予相等的最大权 值。通过这样的改进，就很好的减少了目标受干扰的程度。换而言之，可以认为在运动 目标边界的像素也有可能不属于目标，同时模板中心周围的像素属于目标，因此，将 相等的最大权值赋予给目标中心的附近。r g b 空间对各个分量高度密切相关，并且r g b 空间对光照的变化比较敏感，根据前面的分析，本文采用h s v 颜色空间来描述直方图， 并用8 x 8 x 4 b i n s 表示。即 鼬) = 吼d + 2 ) ( ：- ：) 2 i i i xi i i o 有 熙p i 一p ( a ) i 善) = 1 ( 3 9 ) 当n 趋于足够大时，频率以概率1 收敛于p ( 爿) ，窆以概率1 收敛于期望 重要性采样定理：当从p ( l 钆) 中采样很困难时，可以先选取已知的，容易采样 的参考分布g ( iz o - j ) ，通过对g ( i 气j ) 的采样提取一组粒子，并采用对参考分布的 采样粒子点进行加权近似估计后验分布p ( i 毛尘) 。 变化形式可得： ，“( ) ) = 肛( ) 罢裂口( 1 ) ( 3 1 0 ) 。 g 【，i 刁，t j 由贝叶斯公式可以得到如下公式： 1 7 进而可以得到： 其中嵋( 黾。) 是权值： p ( k ) = 血蓑掣 ( 3 1 1 ) ，( ) ) = b ( ) 专等g ( i 气) ( 3 1 2 ) 慨，= 趣是掣 ( 3 1 3 ) 另外式中p ( 气，) 可以表示为： p ( 气) = i 以( i ) 蚝 ( 3 1 4 ) 从参考分布中采样后，数学期望可以有采样点粒子近似表示： 厶( 厂( ) ) = 厂( x 时i 地- l 而i 彳) ( 3 1 5 ) z - i 式中毛表示从g ( 屯l 气) 中抽出的第i 个采样点所在的位置。啊( 乇) 为归一化权值， 以后为了方便叙述，采用来代替。 重要采样属于蒙特卡罗方法的一种最普遍的形式，因为在序列图像中跟踪目标需要 不断的递推运算，即从前一帧的数据估计出当前帧的数据，但是它还无法完全满足跟踪 问题的需求。而重要采样在估计p ( i 铴) 前，需要将所有观测数据毛重新算一遍， 这个计算的过程和计算量是十分惊人的，所以重要采样方法需要变形以适应序列图像处 理的需要。 3 2 3 序列重要性采样 因为有了对后验分布递推形式的估计，所以上述重采样需要重新写成序列的形式。 也就是说k 时刻的参考分布g ( l 毛) 可以看成是t - l 时刻的参考分布的边缘分布。即 日“，i 气) = q ( x 0 = ji ) = q ( l - i ，气) q ( 一li 磊) 通过迭代运算可以得到： t g ( ) = g ( 而) 兀q ( x tix o 纠，而纠) ( 3 1 6 ) t - i 从上式可以看出，在参考分布可以被序列分解后，通过不断求g ( i q ，气q ) ，就 可以依次递推出k 时刻的后验概率分布。重要采样的权值为： 1 8 ：j 堑吐盟丛堕l g ( i 一l ，五，) g ( - ll 气) ( 3 1 7 ) 由上述可以推出得到k - l 时刻的权值公式为： 嵋q = 毪案篙产 n 嘞 g l - ll 毛，- l j 目标跟踪问题中，一般只利用目标在k 前一时刻的运动状态去估计目标在当前k 时刻 的运动状态，从而不用考虑在k 一1 时刻以前的运动目标状态信息。所以整个系统可以描 述成一个尔可夫模型，当前时刻的随机变量的状态而与其他时刻的状态无关仅与前一时 刻的状态相关。在这样的假设前提下，参考分布g 瓴i 嘞一，气) 。q ( x tl 弓) 这样采样后的权值公式变为： 一= 吨鼍糍挚 ( 3 1 9 ) g i i - l ，弓) 接下来要考虑如何选择参考分布g ( 毫i 也，弓) 了，在序列重要采样中，最常见的参 考分布选择为状态模型的概率分布： q ( x ji ，弓) = p ( i t ，)( 3 2 0 ) 由上式可推论得到权值： 叫= 吐，p ( 刁i ) ( 3 2 1 ) 后验概率分布可以由这些粒子近似表示为： p ( xl 毛，) 嵋万( 西一)( 3 2 2 ) 从式中可以看出在选择好参考分布后，对后验概率分布的估计变成了两个步骤，一 个是在p ( x tl 毛_ ) 中采样，另外一个是求解p ( z ti ) 。z f 表示t 时刻的观测值，那么p ( 毛i ) 就表示粒子的观测值的可信度。即同时p ( z fi ) 叫做似然概率，因为它体现了实际状 态向量与粒子z 的相似程度。 3 2 4 重采样 在解决粒子退化问题时，一般是在随着时间推移同时不断检验粒子的权值退化程 度，将权值较大的粒子复制，同时去除权值较小的粒子，即所谓的重采样原理。即如下 公式： 露( i 毛) = 专喜川屯( ) ( 3 2 3 ) 1 9 其中吖是，在重采样过程中被复制的次数，即足粒子磊，所生成的子粒子的数目。 ， 其中吖是一个整数，且吖= n ，若川= o ，则说明粒子要被去除掉。通常当粒子 l = l 滤波退化到一定的程度时便开始重采样，而粒子退化强度表示由下式所述： ：士 ( 3 2 4 ) ( 形) 2 f = l 重采样实际上是根据粒子的权值大小从当前的粒子集中重新采样n 次，从而产生一 组新的粒子 ) 羔。又因为从式( 3 2 4 ) 中产生的采样是独立同分布的，所以新的一组 粒子的权值就被重新设置为。这样的结果是原先的粒子集中权值较大的粒子，以 为新权值，多次出现在重采样后的粒子集中。 当如小于一个阈值坼时，系统丌始重采样。可以发现重采样的方法在减4 , t 粒子 的退化问题的同时也引入了一些其他问题，这些问题包括： ( 1 ) 由于在重采样过程中必须将所有的粒子组合起来进行重新的计算，限制了重 采样算法并行运行的可能性。 ( 2 ) 由于包含了大量重采样重复的例子( 这些例子具有高权值被多次选中并复制) ， 重采样也会导致了粒子多样性的丧失，粒子多样性的丧失的问题在小噪声的环境下将会 变得更加的突出。 ( 3 ) 粒子演化路径的多样性会逐渐的消失( 变成了粒子自身的复制) ，这些路径的 光滑也会随之退化进而消失。 重采样步骤表示在k - 1 时刻粒子中依粒子权值采出新的k 时刻使用的粒子，它用来 防止粒子滤波的退化；传播步骤表示粒子在系统状态方程作用下从k - 1 时刻传播到k 时 刻，它体现了贝叶斯滤波器的预测过程；观测步骤表示根据观测密度确定k 时刻粒子的 权值，它体现了贝叶斯滤波器的更新过