基于Kalman预测的人体运动目标跟踪

万方数据１７４模式识别与人工智能１７卷方法不仅具有直观、实现简单和快速等优点，而且对姿态变化不敏感【４］，因此，在本文中，对于彩色图像即采用此人脸检测及定位方法．在检测出人脸之后，就用Ｂｌｏｂ操作确定人脸的高度和宽度，然后运用下述方法来确定眼睛的位置．而对于灰度图，则可直接运用下述方法实现眼睛定位．为了说明人眼的检测定位过程，本文从Ｓｕｒｆｉｍ—ａｇｅ人脸数据库中选出一幅图像进行眼睛定位．图２为人脸灰度图，先对图２做垂直灰度投影，为了减少噪声的影响，须将垂直灰度投影曲线进行平滑，平滑前和平滑后的垂直投影曲线如图３所示．根据曲线中主要凸峰的左右边界即可确定人脸的左右边界（图４）．再对图４做水平灰度投影，并对水平投影曲线进行平滑操作，所得曲线如图５所示．根据曲线确定头顶及鼻中部形成的上下边界，由此确定眉跟区域（图６）．最后用ＳＯＢＥＬ算子求出眉眼区域的边缘图，并进行边缘分组，定位出眼睛的位置（图７），以此位置作为眼睛跟踪的初始值，并构造人眼的初始模板．２１．５ｌ０．５图２人脸灰度图像２１．５ｌＯ．５ｌ（ａ）人脸的垂直灰度（ｂ）平滑后的垂直灰度投影曲线投影曲线图３人脸的垂直灰度投影曲线图４人脸的左右边界（ａ）人脸的水平灰度投影曲线（ｂ）平滑后的水平灰度投影曲线图５人脸区域的水平灰度投影曲线粼曰图６人脸的眼睛区域图７眼睛的位置３眼睛跟踪算法针对现有一些眼睛跟踪算法的缺陷，考虑到Ｋａｌｍａｎ滤波和基于颜色分布特征的ＭｅａｎＳｈｉｆｔ算法所具有的快速迭代的特点，这里提出了综合使用Ｋａｌｍａｎ滤波和ＭｅａｎＳｈｉｆｔ算法来实现人眼的实时跟踪．跟踪时首先要在初始帧中检测和定位出眼睛的位置，然后再构造眼睛模板．为了减小ＭｅａｎＳｈｉｆｔ的误差漂移，在以后的跟踪过程中要不断地更新眼睛模板．３．１Ｋａｌｍａｎ滤波算法眼睛运动的特征可用位置和速度来描述．设（Ｃ。

，ｒｔ）为ｔ时刻眼睛的位置（质心的位置），（“。

，轨）为ｔ时刻眼睛在ｆ方向和ｒ方向的速度，所以ｔ时刻眼睛的状态向量为毛＝（ｑ，让，“。

2．6．常用运动目标跟踪方法介绍2．6．1基于区域匹配的跟踪方法如绪论中所介绍，基于区域匹配的跟踪方法14 6J的基本思想是将检测阶段经过目标分割后获得的含有运动目标的区域提取出来，并作为跟踪匹配的模板，同时定义目标的匹配度量方法。

在后续序列的待搜索图像帧中，通过匹配度量全图搜索与模板达到最佳匹配的区域，找到的使得匹配度量值最小的位置即可确定为目标在当前帧的位置，从而达到运动目标跟踪的目的。

可以看出，基于区域匹配的跟踪算法的关键在于搜索方法以及匹配度量方法的定义，选取合适的搜索算法和匹配距离的度量方法成为这类算法中不断改进的突破点。

目前常用的搜索算法一般被归为全局搜索和局部搜索这两大类。

全局搜索主要是针对整幅图像进行全图搜索，这种搜索算法可以保证搜索的准确性，匹配的准确率高。

但其对于大幅图像来讲，搜索全图十分耗时，难以应用到实际的跟踪系统中；局部搜索相比于全局搜索的逐点扫描，需要预先检测当前帧中的运动目标，然后只针对运动目标所存在的区域进行匹配，从而实现了运动目标的跟踪。

局部搜索省去了全图搜索所耗费的大部分时间，因此实时性很好，但其对于目标检测的精确度要求较高。

局部搜索还有一个难点问题在于，其抗遮挡性能低，如果运动目标在检测过程中互相遮挡或是被背景等遮挡，则易导致跟踪精度大大降低，严重时甚至会出现目标丢失的情况。

因此采用局部搜索方法时一般还需研究专门的遮挡消除算法。

该方法的另一个关键点在于如何定义匹配度量方法。

目前常用的匹配度量方法有亮度匹配法、形态距离匹配法以及外部轮廓匹配法等等。

亮度匹配主要是利用与颜色相关的特征如灰度、颜色值等，进行匹配度量；外部轮廓匹配主要是以目标的纹理、大致形状等为基准进行匹配度量。

基于区域匹配的跟踪方法由于提取了比较完整的目标模板，获得了更多的目标信息，因此其相比于其他跟踪算法，其更多的被用来对较小的或对比度较低的运动目标进行跟踪，尤其在军事领域有比较广泛的应用。

但其缺点也不容忽视：全局搜索的运算量大，局部搜索的遮挡问题等等，因此人们将运动预测方法结合到基于区域匹配的方法中，如Kalman预测，通过预测运动动目标在下一帧中可能出现的运动范围，进行局部搜索，从而提高了搜索的效率；而对于遮挡和阴影问题，则提出了利用彩色以及纹理等来解决。

基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的算法。

在目标跟踪定位中，它可以用于估计目标的运动轨迹。

下面是一个简单的基于扩展卡尔曼滤波的目标跟踪定位算法的描述，以及一个简化的MATLAB程序实现。

算法描述1. 初始化：设置初始状态估计值（例如位置和速度）以及初始的估计误差协方差矩阵。

2. 预测：根据上一时刻的状态估计值和模型预测下一时刻的状态。

3. 更新：结合观测数据和预测值，使用扩展卡尔曼滤波算法更新状态估计值和估计误差协方差矩阵。

4. 迭代：重复步骤2和3，直到达到终止条件。

MATLAB程序实现这是一个简化的示例，仅用于说明扩展卡尔曼滤波在目标跟踪定位中的应用。

实际应用中，您需要根据具体问题和数据调整模型和参数。

```matlab% 参数设置dt = ; % 时间间隔Q = ; % 过程噪声协方差R = 1; % 观测噪声协方差x_est = [0; 0]; % 初始位置估计P_est = eye(2); % 初始估计误差协方差矩阵% 模拟数据：观测位置和真实轨迹N = 100; % 模拟数据点数x_true = [0; 0]; % 真实轨迹初始位置for k = 1:N% 真实轨迹模型（这里使用简化的匀速模型）x_true(1) = x_true(1) + x_true(2)dt;x_true(2) = x_true(2);% 观测模型（这里假设有噪声）z = x_true + sqrt(R)randn; % 观测位置% 扩展卡尔曼滤波更新步骤[x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R);end% 扩展卡尔曼滤波更新函数（这里简化为2D一维情况）function [x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R)% 预测步骤：无观测时使用上一时刻的状态和模型预测下一时刻状态F = [1 dt; 0 1]; % 状态转移矩阵（这里使用简化的匀速模型）x_pred = Fx_est + [0; 0]; % 预测位置P_pred = FP_estF' + Q; % 预测误差协方差矩阵% 更新步骤：结合观测数据和预测值进行状态更新和误差协方差矩阵更新K = P_predinv(HP_pred + R); % 卡尔曼增益矩阵x_est = x_pred + K(z - Hx_pred); % 更新位置估计值P_est = (eye(2) - KH)P_pred; % 更新误差协方差矩阵end```这个示例代码使用扩展卡尔曼滤波对一个简化的匀速运动模型进行估计。

青年消防学者论坛基于图像处理技术的行人运动轨迹提取方法谢玮，成艳英，陈柯，张玉春(西南交通大学地球科学与环境工程学院，四川成都610031)摘要：为了实现复杂场景中多运动彳亍人目标的检测和跟踪，采用计算机视觉技术对真实场景下行人运动视频进行处理利用基于高斯混合模型的背景消减法提取运动目标前景，并通过形态学运算进行目标清晰化处理采用基于预测的Kalman滤波算法对运动目标进行跟踪，并对画面中泊人数进行实时统计和更新「输出多运动行人目标的实时坐标和运动轨迹.研究结果表明：本文提出的算法能够快速准确地检测和追踪多运动行人目标,初步提取行人运动轨迹关键词：目标检测；目标跟踪;轨迹提取；图像处理；人员疏散中图分类号：X913.4,TP391.4文献标志码：A文章编号：1009-0029(2019)01-0044-04人员安全疏散是建筑消防安全设计时必须考虑的问题。

特别是在商场、学校、地铁站等人员密集场所，一旦发生火灾等紧急情况，往往导致重大的人员伤亡和财产损失。

因此，紧急情况下的人员疏散行为特性受到了国内外学者的广泛关注。

一方面随着计算机技术的进步，研究者们不断更新和完善了一系列的人员疏散模型。

例如，社会力模型、元胞自动机模型、磁场力模型等，为研究分析某些特定场景下的人员疏散提供了高效便捷的手段。

另一方面，相对于疏散模型研究，少量的疏散实验研究相继开展。

通过疏散实验，研究者获取了更真实的人员疏散数据，包括疏散时间、运动速度、人员密度以及人员疏散行为特性等。

但是，疏散实验数据的提取和还原是消防研究面临的一个共同的难题。

目前，对于实验人员运动特征的提取方法主要有两种：一种是基于人工观察和统计的方法，该方法耗时耗力且误差较大；另…种是基于计算机视觉的图像处理方法，即通过获取的实验视频对行人运动进行识别和跟踪，进一步获取人员的运动参数，该方法高效且准确率高。

Hoogendoom等开展了一系列特定场景下的人员疏散实验，运用自主开发的视频处理技术对人员的运动轨迹进行提取；刘轩等分别利用mean-shift算法和光流法分析了疏散实验中人员的微观运动特性参数。

运动目标跟踪算法及其应用分析随着计算机技术的不断发展，图像处理技术也得到了极大的发展。

图像处理技术可以将图像进行分析和处理，并且可以将这些信息转换为数字化数据。

图像处理技术不仅可以用于医学诊断、生物学、工业监控等领域，而且也广泛应用于计算机视觉领域。

在计算机视觉领域中，运动目标跟踪技术是一项基础技术，它可以追踪视频图像中的目标并提供与目标相关的信息。

一、运动目标跟踪算法运动目标跟踪算法是和计算机视觉技术紧密相连的一种技术，主要是基于视频图像跟踪技术的实现。

一般来说，运动目标跟踪算法可以分为两个步骤：目标检测和目标跟踪。

（1）目标检测目标检测是指在一个给定的时间段内，将目标从背景中检测出来并确定其位置、大小和形状等信息。

其中，检测算法和图像质量有着密切关系。

一般来说，目标检测算法可以分为两种：基于特征的目标检测算法和基于匹配的目标检测算法。

基于特征的目标检测算法主要是根据目标的特定外观特征进行识别和分类。

常用的特征包括Haar-like特征、SIFT特征、HOG特征等。

这些方法在实际应用中具有较高的准确性和鲁棒性，但是计算量比较大，需要消耗较多的计算资源。

基于匹配的目标检测算法主要是根据目标与背景之间的差异进行匹配和检测。

常用的匹配法包括基础匹配、Viterbi匹配、CAMshift算法等。

这些算法基于目标的运动状况，能够较好地适应不同的背景干扰和情况。

（2）目标跟踪目标跟踪技术是指在已经检测到目标的基础上，通过运用特定的算法，对目标进行跟踪。

常用的目标跟踪算法包括：Kalman滤波方法、Mean Shift方法和Template Matching方法等。

Kalman滤波方法是利用观测值来估计状态值的一种滤波方法。

它可以通过观察目标的位置和速度来预测后续帧中的目标位置。

Mean Shift方法是一种基于概率密度估计的跟踪方法，该方法通过目标物体在图像上的密度分布来进行目标跟踪。

Template Matching方法是一种基于模板匹配的方法。