MeanShift算法和粒子滤波相结合的运动目标视频跟踪技术_缪鑫

６６
Mean Shift 算法和粒子滤波相结合的运动目标视频跟踪技术
缪
鑫
（中国电子科技集团公司第二十八研究所，江苏南京210007）
摘要：基于帧间视频图像的运动目标跟踪技术，已经成为计算机视觉领域的一个研究热点，在很多领域被越来越广泛使
用，特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视，具有良好的发展前景。

文章结合Mean Shift 算法、粒子滤波算法两种算法的优缺点，提出了将Mean Shift 算法与粒子滤波算法相结合，利用Mean Shift 算法的聚类作用，将粒子样本收敛在更接近目标的真实位置的区域，满足鲁棒性、实时性和抗遮挡的要求，能够应用于高实时性的视频图像处理领域。

关键词：目标视频跟踪；遮挡；Mean Shift 算法；粒子滤波算法中图分类号：TP274.2文献标识码：A 文章编号：1673-1131（2015）01-0066-02运动目标视频跟踪技术，目的是用计算机代替人，对视频图像中的目标物体进行判别和感知，该项技术在很多领域被越来越广泛的使用，特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视，具有良好的发展前景。

目标跟踪是很多计算机视觉应用的关键技术，好的算法必须要解决目标在遮挡情况下的跟踪问题。

为解决目标遮挡问题，大致可有如下四类算法：
（1）基于目标特征匹配算法。

（2）基于动态贝叶斯网络模型来精确地对遮挡过程建模。

（3）基于颜色分布的粒子滤波。

（4）多子范本匹配方法[1]。

在目标的变形、旋转的情况下，Mean Shift 算法的表现较好，因其利用梯度优化的方法，实现快速的定位目标，而能够实时地跟踪非刚性目标。

但是在目标被严重遮挡的特殊情况下，如：多个目标被同一物体遮挡，单个目标对应状态可能不是局部极值点，逐渐丢失目标，达不到目标跟踪的要求。

而粒子滤波算法，通常可用来解决非线性问题，采用多个粒子，对跟踪的不确定性有了判别，从而保证算法的鲁棒性。

但该算法由于粒子数量多，带来了较大的计算量，使得实时性下降。

为了保证检测的准确性，又节省计算时间，将Mean Shift 算法和粒子滤波相结合的跟踪算法，满足鲁棒性、实时性和抗遮挡的要求。

1算法原理
利用Mean Shift 算法的聚类作用，通过迭代有限次后，使得粒子样本就可以收敛到密度梯度的最大值，从而对于目标
状态，让每个粒子都进行很有效地描述。

通过增大样本的数量，能够使得粒子滤波提高了鲁棒性，但因此却造成了运算量的增大，降低了实时性，这限制了其在实时性要求高的系统中的使用。

把Mean Shift 算法嵌入到粒子滤波器中，利用其聚类特性，可以实现用更少的粒子进行有效描述的能力，同时也降低了运算量，使得粒子滤波算法大幅提高了处理的实时性。

图1描述了Mean Shift 算法和粒子滤波相结合的算法原理。

图1嵌入Mean Shift 算法的粒子滤波器原理图4结语
物联网被称为继计算机、互联网之后，世界信息产业的第三次浪潮，目前以一种新兴产业而热情起步。

物联网将引导信息流和物质流的全面融合，信息技术将和第一、二、三产业全面融合，造成经济和社会新的巨大发展空间，由此会激发出创新活动，产生突破。

从技术角度讲，我们应抓好物联网技术的五大核心产业：传感器产业、通讯网络产业、云数据产业、计算机产业和自动控制产业，保证物联网能够安全、可靠、公正地为全局服务。

参考文献：
[1]赵志军,沈强,唐晖,方旭明.物联网架构和智能信息处理理论与关键技术[J ].计算机科学,2011,38(8):1-8[2]Rubin,Jenny ．Overview of Design,Benefits&Security [J ]．EPCglobal ．2009,183（6）:349-351
[3]平青.基于物联网技术的城市照明控制系统[D ].苏州大学,2010
[4]龚华明,阴躲芬.物联网三层体系架构及其关键技术浅析[J ].科技广场,2013(2):78-80
[5]
任军.基于LDAP 的目录服务综述[J ]计算机应用研究,2005,5(1):79-82
作者简介：王丽红（1983-），女，内蒙古赤峰人，硕士，讲师，研究方向为算法研究、网络安全。

６７
图1中有三张图，最下方的为重采样步聚，这里用了很少的粒子。

权重大的粒子衍生更多的粒子，粒子中权重少的被淘汰。

经动态模型传播后，改变了所有粒子的信息状态，包括速度和位置等，接着用Mean Shift 算法对粒子进行收敛。

图1中的中间图表示为：在经过动态模型传播后，对每个粒子进行收敛，使粒子聚集到几个不同区域，然后从不同的方向向目标区域进行移动。

最上方的图是观测步骤，对所在粒子权重进行更新。

框图最上面E [x ]就是目标位置确定。

若当前帧某个粒子坐标位置为y 0，计算粒子候选目标模型为p (y 0)。

在p (y 0)处将Bhattacharyya
系数泰勒展开：
（1）
其中，
（2）
变换式（1）
得到：
图2基于粒子滤波算法加入MeanShift 算法的跟踪算法结构框图
3实验结果与分析
为实现对运动目标的跟踪，验证算法的实际效果，设计了
软件进行验证。

图3~图5是使用该软件的2人全遮挡的目标跟踪情况显
示。

图3
载入视频后未圈出跟踪区域
图4
两人相遇遮挡时跟踪效果
图5两人分离后跟踪效果
如图3是启动一段视屏后的画面，图中在复杂环境下有两个人相对而行；如图3-5所示：当两人相遇，目标受到遮挡时，算法依旧能够很好地跟踪目标；当两人分离，目标重新出
现后，仍然能够很好地跟踪目标。

图中的“一帧处理时间”都在0.003s 左右，完全符合视频处理的时间要求。

实验表明，该算法对于视屏图像在全遮挡情况下的单个目标跟踪具有很高的实时性及稳定性。

4结语
Mean Shift 算法和粒子滤波相结合，实现了高实时性、高鲁棒性和抗遮挡能力强的能力。

实验证明，在目标被全遮挡的情况下，新算法仍然能够应用于高实时性的视频图像处理领域。

参考文献：
[1]王展青,凡友福,张桂林.跟踪遮挡目标的一种鲁棒算法[J ].
计算机工程与应用,2007(27)
信息通信
缪鑫：Mean Shift 算法和粒子滤波相结合的运动目标视频跟踪技术。