【正文】 位置可以用個(gè)粒子進(jìn)行表達(dá)。之所以采用Uniform核，是因?yàn)閷?duì)于較大的目標(biāo)圖像可以通過積分圖像加速M(fèi)ean Shift算法的執(zhí)行[11]。2 跟蹤模型的建立 狀態(tài)模型跟蹤模型分為兩個(gè)部分：狀態(tài)模型和量測(cè)模型。常用的核函數(shù)有[8]等幾種形式。但由于Mean Shift跟蹤方案需要使用目標(biāo)的色彩空間分布作為特征值，使用跟蹤區(qū)域的顏色直方圖的Bhattacharyya系數(shù)進(jìn)行相似性分析，對(duì)于紅外人體目標(biāo)來說，丟失了色彩信息，而且目標(biāo)間的灰度特征都很接近，很難通過顏色直方圖的Bhattacharyya系數(shù)進(jìn)行匹配，傳統(tǒng)的基于顏色的Mean Shift算法不能適用于此類跟蹤任務(wù)。傳統(tǒng)的跟蹤方法如光流法是基于剛體運(yùn)動(dòng)目標(biāo)，對(duì)于非剛體目標(biāo)的跟蹤受到限制[1]，用于人體目標(biāo)跟蹤時(shí)必須與其它特征相結(jié)合才能完成[2][3]；卡爾曼濾波及其擴(kuò)展形式等是基于線性/高斯動(dòng)態(tài)系統(tǒng)，需要對(duì)目標(biāo)的運(yùn)動(dòng)特征進(jìn)行假設(shè)，建立目標(biāo)運(yùn)動(dòng)模型[4]，如CP，CA，CV等模型，因此使其在應(yīng)用于人體目標(biāo)跟蹤時(shí)受到一些限制。在被跟蹤區(qū)域隨機(jī)布撒粒子，以各粒子對(duì)應(yīng)像素的亮度作為特征值進(jìn)行Mean Shift收斂性分析，使用收斂后的粒子集表達(dá)目標(biāo)的當(dāng)前狀態(tài)；以狀態(tài)粒子的坐標(biāo)位置為特征值對(duì)其進(jìn)行Mean Shift聚類，作為對(duì)目標(biāo)的量測(cè)。算法通過采樣粒子遷移和聚類動(dòng)態(tài)建立目標(biāo)的狀態(tài)模型和量測(cè)模型。關(guān)鍵詞：粒子遷移 人體跟蹤 紅外圖像 Mean Shift 粒子濾波引言紅外圖像中人體目標(biāo)的跟蹤困難主要來自兩個(gè)方面：一是人體目標(biāo)的自身特征，由于人體是非剛體目標(biāo)，姿態(tài)多樣，大小不一，而且運(yùn)動(dòng)狀態(tài)復(fù)雜多變，具有高度的隨意性，沒有固定的運(yùn)動(dòng)規(guī)律，無法建立完善的運(yùn)動(dòng)模型表達(dá)形式；二是紅外圖像是灰度圖像，沒有色彩信息，紋理細(xì)節(jié)很少，使得目標(biāo)跟蹤可用的特征值較少。近年來Mean Shift算法[7]作為一種有效的統(tǒng)計(jì)迭代算法，在滿足一定條件下,可快速收斂到最近的一個(gè)概率密度函數(shù)的穩(wěn)態(tài)點(diǎn)而不需要任何先驗(yàn)知識(shí)，實(shí)現(xiàn)非參數(shù)概率密度的估計(jì)，在人體等非剛體目標(biāo)跟蹤中得到了很好的應(yīng)用[8][9][10]。一般的，核函數(shù)采用 (3)的形式，為歸一化系數(shù)，為核函數(shù)半徑。通常，我們可以放松收斂條件，當(dāng)小于一定閾值時(shí)，即可認(rèn)為收斂過程完成。粒子在兩軸向上Mean Shift向量 (8)式中、分別為所用核函數(shù)的帶寬。各粒子的最終收斂位置由目標(biāo)的灰度分布和所選取的帶寬函數(shù)決定。假定狀態(tài)粒子集中第個(gè)粒子在圖像中的坐標(biāo)位置可以用復(fù)數(shù)向量表示，以作為特征值進(jìn)行Mean Shift非監(jiān)督聚類，對(duì)應(yīng)的Mean Shift向量為： (9)由于粒子的坐標(biāo)位置為整數(shù)，故當(dāng)?shù)慕^對(duì)值取整數(shù)為零時(shí)，即可認(rèn)為聚類過程完成。粒子濾波的基本思想是在基于大量的量測(cè)的基礎(chǔ)上，通過一組加權(quán)粒子的演化與傳播來遞推近似狀態(tài)的后驗(yàn)概率密度函數(shù)分布，基于這些樣本和權(quán)值來計(jì)算估計(jì)值。（3）對(duì)本幀圖像中的傳播粒子進(jìn)行Mean Shift 分析，產(chǎn)生目標(biāo)新的狀態(tài)模型，并計(jì)算相應(yīng)的量測(cè)模型和加權(quán)中心及對(duì)應(yīng)粒子的傳播系數(shù)，傳遞至下一幀圖像。若量測(cè)粒子具有較大的權(quán)系數(shù)，則布撒較多的粒子，對(duì)周圍區(qū)域進(jìn)行比較稠密的采樣，通過粒子的Mean Shift遷移盡可能刻畫出下一幀圖像中該粒子周圍的狀態(tài)模式。如前所述，量測(cè)粒子的權(quán)中系數(shù)的主要作用有兩個(gè)：一是用于計(jì)算當(dāng)前幀圖像中加權(quán)中心的位置（運(yùn)動(dòng)軌跡），二是決定下一幀圖像中傳播粒子的數(shù)目。假定量測(cè)加權(quán)中心位置坐標(biāo)為，量測(cè)粒子，則權(quán)系數(shù)的分配規(guī)則可為 (13)式中為距離函數(shù)。4實(shí)驗(yàn)結(jié)果及結(jié)論我們選取一個(gè)典型的視頻序列作為測(cè)試對(duì)象，以檢驗(yàn)算法的有效性。抓取實(shí)驗(yàn)結(jié)果的第117225283841445537幀呈現(xiàn)如下：第175幀第110幀第210幀第252幀第383幀第288幀第441幀第415幀第537幀第520幀圖3 圖像序列跟蹤測(cè)試結(jié)果 Image sequence tracking results從測(cè)試結(jié)果可以看出，本文算法對(duì)相機(jī)運(yùn)動(dòng)、目標(biāo)大小改變、姿態(tài)變化以及目標(biāo)遮擋時(shí)都能夠保持可靠的跟蹤。注意到由于隨機(jī)采樣粒子是基于每個(gè)目標(biāo)產(chǎn)生，因此在多目標(biāo)跟蹤時(shí)，為解決新目標(biāo)的出現(xiàn)時(shí)的跟蹤問題，需要采用跟蹤與探測(cè)相結(jié)合的方案，并引入有限狀態(tài)機(jī)技術(shù)，對(duì)目標(biāo)的復(fù)雜狀態(tài)（如目標(biāo)互相遮擋、目標(biāo)隱藏、目標(biāo)消失等）進(jìn)行處理。04). IEEE, 2004: 349 352 [12] Arulampalam S., Maskell S., Gordon N., Clapp T.. A Tutorial on Particle Filters for OnLine NonLinear/NonGaussian Bayesian Tracking. IEEE Transactions on Signal Processing, 2002, 50(2):174189 Human Tracking in Infrared Images based on Particles MeanShift Migration AlgorithmYUN Tingjin GUO Yongcai GAO Chao (Key Laboratory of Optoelectronic Technology and Systems of the Education Ministry of China, Chongqing University， Chongqing,400030，China)Abstract：A novel method based on particles mean shift migration process for human tracking in infrared images is proposed in this paper. Reference to the basic particle filtering method, the core idea of this algorithm is to establish the object’s state model and measurement model dynamically by the migrating and clustering of random sampling particles. The samp