本文采 用矩 形框来描述 目标 状态 X

1、4/4本文采用矩 形框来描述 目标 状态 ， 即X一 X o， . ， 2 w+1 ，2 ) , 其 中 o ,Yo表示 目标中心； W， 表示矩形框的半宽,半高.本文算法采用灰度 特征和梯度特征对 目标建模。这两种特征不但计算 简单 ， 能够满足系统对实时性的要求, 而且具有互补 性.灰度特征是一种宏观特征, 而梯度特征可以描 述 目标 的局部细节 , 这样就避免了在一种特征无法适应当前场景的条件下造成另外一种特征一定也无 法适用的情况 。 灰度特征对目标部分遮挡 、 外观大小变化有较强的适应性.因此 ， 本文采用灰度特征构建 目标模 型， 将 目标灰度平均量化成 个等级 , 用直方图表 示

2、为 P ，一 ) 一 。梯度特征反映了目标在 不 同方向上的局部灰度变化信息, 本文采用类似于 S F 描述子的构建方法 ， 但考虑到计算简便， 将 目 标矩形区域平均划分成 2 4个子区域 ， 对每个子 区域的每个像素计算其梯度模值和方向， 并将梯度方向平均量化为 3 6个等级进行统计 ， 统计时按照梯度模值进行加权。这样可以构建出 2 3 6 -1 4 4 维的直方图 c = = = 一 2 。 2特征置信度计算 目标的观测特征对粒子 的权值计算起重要作 用 ， 而权值大小直接影响目标状态 X的估计结果。对于多个观测特征 ， 如果某 一观测特征无法有效 区分目标和背景 ， 那么使用该观 测

3、特征进行特征 匹配只会使跟踪性能更 差。因此 ， 必须针对当前场景判断各种特征对 目标和背景区分度 ， 动态设 定不同特征的置信度。 由于视频序列 的连续性 ， 只需要 考虑 目标 和 其外围局部 的背景区域 之间的特征 区分度 即可 。 图1给出目标区域 以及背景 区域划分示意图。目 标区域大小为（ 2 w+ ）（2 h+1 ）， 距离 目标 区域 宽度为 ， 高度为 的外 围区域作为背景区域 。为 了增加 目标和背景建模的可靠性,分别定义 目标和背景核函数 ，如 （1 ）式 和( 2） 式所示。越靠近目 标 中心 的像素点赋予越高的权值， 而远离 目标中 心的像素点 赋予较低 的权 值.对

4、 于背 景 区域 则 是，距离中心越近的像素点赋予较小 的权值 , 而远 离中心的像素点赋予较高权值 。 对 目标和背景 区域的灰度直方图特征和梯度 直方图特征分 别采用 目标和背景核 函数进 行加 权 ， 如( 3) 式和 ( 4 ） 式,其 中， 厂 I， G） 分别表示灰度和梯度特征 。在加权操作后 ， 进行 直方 图的归一化 ， 保证 1 o b j ， 一和 / J Mb , ， = 。 K. b i (z, ) b g，f 一 - K z, y ） o 那么 , 在 k时刻 ,每个特征对 目标 和背景的区分度D分别定义如下 : D， 。 ， ， , 一 o j， k ， 一1 一

5、/ 黑 躁 (5 ) 式中 d , 表示Bh ta c h ary 距离.考虑到不 同的 特征对 目标 和背景 区分度的影响 ， 根据贝叶斯 准 则 ，可以根据式（ 6 ) 计算第 个粒子权重 ： ocp( X ) 一（ I X ， 厂） ( ，) （ 6 ） 式中: ( I X ， , )和 P （ 厂 ） 分别表示特征 厂的观 测似然函数和置信度，可以通过(7 ）式和(8 ）式分别计算 ： （ n , f ) c c 。 x f 一 )（7 ) 、 u , 警， J I ,“ 式中 p 表示 时刻 ，第 个粒子 的特征模型 。从 （ 6 ） 式可以看 出, 每个采样粒子的权值大小既和特征的

6、置信度 （ 厂 ） 有关, 也和采用特征 ，描述的观 测似然函数P（Z l X ，, ) 有关 .而 P(，) 的值 与目标和背景间的区分度有关 系，区分度越大 ,特征的置信度就越大，采用该特征计算出的权值所占 比例就越大, 从而跟踪精度就会越高，越可靠。反 之 ， 就越不可靠. 每个粒子的观测似然函数 （ l ,， ） 反映 的是粒子 确定的候选 区域是 目标区域的概率大小 ， 其取值受到 影 响， 是用特征 ，计算似 然函数值的噪声参 数.由于本文采用灰度特征和 梯度特征 的维数不相同(灰度直方图1 维 ， 梯度 直方图 1 4 4维) ， 为了使得两种 特征计算出来 的权 值的度量标准统

7、一， 根据实验经验 ， 掰一0 。 0 2 , 一 0 . 0 5 8 ， 与 的比值与其维数平方成反 比。这 样, 在跟踪过 程 ，根据 上述方 法不 断修 正 目标 模 型 , 使得区分度大的特征权值 比重始终高于区分 度小的特征， 保证当前特征模型能有效 区分 目标 和背景 ， 实现 目标的可靠跟踪 。 1颜色模型的建立及相似性度量 颜色是一个在追踪算法中被广泛采用的特征。假 设整个颜色空间被离散化成 个子区域，统计图像中 各个像素点落在相应子区域的频数，于是得到由m个 条柱组成的颜色直方图考虑到图像中像素的位置对构建颜色直方图的影响.引入表示空间信息的核函数来计算加权的颜色直方图，使位

8、于目标中央区域的像 素有较高的权值，而边缘区域可能包含背景， 对颜色 直方图贡献小，所以分配较小的权值，从而使目标的 颜色模型更加准确为了减少跟踪过程 中光照变化的 影响,将 R G B颜色空间转换到H V空间， H和S 分别 表示色调和饱和度,对光照变化不敏感,分配较大的 量化等级（设为 8 ) , 而 分量表示高度分量，对光照变 化非常敏感，所以分配较小的量化等级( 设为 2 ），那么总的量化级数m 8 。 用Py = ） . _ 表 示以Y为中心点的目标区域颜色分布. 。 , r （ ） b（ x i ) u l （ 1 ） =l ， 其中， 表示目标区域内的像素数； 为目标区域内 的第

9、 个像素点的坐标;b( i ）为蕾处像素点对应直 方图的索引值; 】为狄拉克函数;参数 h表示跟踪窗宽 （ 包括长半轴W和短半轴) ，定义h 。 + . ； k （r 为权值函数： ） 1 r ： ； （ 2 ） 其中，r 为像素点到目 标中心区域的距离；f为标准 化 因 子 七（ ) , 使 得 羔 ） =1 . 在 相 似 性 度 、 z 量方面采用 h a c ha y a系数来描述目标特征P 和 候选区域 q 之间的相似性， 为: ( p , ) ： g ( 3） 1 2结构模型建立目前一种新的图像质量评价方法是通过比较对比度、亮度和结构相似性三个参数来衡量图像质量及图 像之间的差异,称为结构相似性质量因子【 ，这种方法易于实现且计算量较小，本文正是通过这种方法对 灰度图像构建结构模型 两幅大小一致的图像和Y 的结构相似性为： 糍x 器 ）（ 苦）（ 4) + ； y 其中, 表示灰度图像的均值, 表示灰度图像的方 差， 表示两幅图像的协方差 算法实现 基于HS V的加权颜色直方图的粒子滤波,融合标的结构信息，实现对目标的鲁棒跟踪。具体的跟踪过程包括初始化、重采样、预测和更新等四个过程. 步骤 初始化 在初始帧中定位要跟踪的目标，然后通过公式（ ) 计算选定区域的加权颜色直方图,建立 目标颜色模型, 通过公式( 4 ） 建立跟踪区域的灰度图像模