本文采 用矩 形框來描述 目標(biāo) 狀態(tài) X

1、4/4本文采用矩 形框來描述 目標(biāo) 狀態(tài) ， 即X一 X o， . ， 2 w+1 ，2 ) , 其 中 o ,Yo表示 目標(biāo)中心； W， 表示矩形框的半寬,半高.本文算法采用灰度 特征和梯度特征對 目標(biāo)建模。這兩種特征不但計算 簡單 ， 能夠滿足系統(tǒng)對實時性的要求, 而且具有互補(bǔ) 性.灰度特征是一種宏觀特征, 而梯度特征可以描 述 目標(biāo) 的局部細(xì)節(jié) , 這樣就避免了在一種特征無法適應(yīng)當(dāng)前場景的條件下造成另外一種特征一定也無 法適用的情況 。 灰度特征對目標(biāo)部分遮擋 、 外觀大小變化有較強(qiáng)的適應(yīng)性.因此 ， 本文采用灰度特征構(gòu)建 目標(biāo)模 型， 將 目標(biāo)灰度平均量化成 個等級 , 用直方圖表 示

2、為 P ，一 ) 一 。梯度特征反映了目標(biāo)在 不 同方向上的局部灰度變化信息, 本文采用類似于 S F 描述子的構(gòu)建方法 ， 但考慮到計算簡便， 將 目 標(biāo)矩形區(qū)域平均劃分成 2 4個子區(qū)域 ， 對每個子 區(qū)域的每個像素計算其梯度模值和方向， 并將梯度方向平均量化為 3 6個等級進(jìn)行統(tǒng)計 ， 統(tǒng)計時按照梯度模值進(jìn)行加權(quán)。這樣可以構(gòu)建出 2 3 6 -1 4 4 維的直方圖 c = = = 一 2 。 2特征置信度計算 目標(biāo)的觀測特征對粒子 的權(quán)值計算起重要作 用 ， 而權(quán)值大小直接影響目標(biāo)狀態(tài) X的估計結(jié)果。對于多個觀測特征 ， 如果某 一觀測特征無法有效 區(qū)分目標(biāo)和背景 ， 那么使用該觀 測

3、特征進(jìn)行特征 匹配只會使跟蹤性能更 差。因此 ， 必須針對當(dāng)前場景判斷各種特征對 目標(biāo)和背景區(qū)分度 ， 動態(tài)設(shè) 定不同特征的置信度。 由于視頻序列 的連續(xù)性 ， 只需要 考慮 目標(biāo) 和 其外圍局部 的背景區(qū)域 之間的特征 區(qū)分度 即可 。 圖1給出目標(biāo)區(qū)域 以及背景 區(qū)域劃分示意圖。目 標(biāo)區(qū)域大小為（ 2 w+ ）（2 h+1 ）， 距離 目標(biāo) 區(qū)域 寬度為 ， 高度為 的外 圍區(qū)域作為背景區(qū)域 。為 了增加 目標(biāo)和背景建模的可靠性,分別定義 目標(biāo)和背景核函數(shù) ，如 （1 ）式 和( 2） 式所示。越靠近目 標(biāo) 中心 的像素點賦予越高的權(quán)值， 而遠(yuǎn)離 目標(biāo)中 心的像素點 賦予較低 的權(quán) 值.對

4、 于背 景 區(qū)域 則 是，距離中心越近的像素點賦予較小 的權(quán)值 , 而遠(yuǎn) 離中心的像素點賦予較高權(quán)值 。 對 目標(biāo)和背景 區(qū)域的灰度直方圖特征和梯度 直方圖特征分 別采用 目標(biāo)和背景核 函數(shù)進(jìn) 行加 權(quán) ， 如( 3) 式和 ( 4 ） 式,其 中， 廠 I， G） 分別表示灰度和梯度特征 。在加權(quán)操作后 ， 進(jìn)行 直方 圖的歸一化 ， 保證 1 o b j ， 一和 / J Mb , ， = 。 K. b i (z, ) b g，f 一 - K z, y ） o 那么 , 在 k時刻 ,每個特征對 目標(biāo) 和背景的區(qū)分度D分別定義如下 : D， 。 ， ， , 一 o j， k ， 一1 一

5、/ 黑 躁 (5 ) 式中 d , 表示Bh ta c h ary 距離.考慮到不 同的 特征對 目標(biāo) 和背景 區(qū)分度的影響 ， 根據(jù)貝葉斯 準(zhǔn) 則 ，可以根據(jù)式（ 6 ) 計算第 個粒子權(quán)重 ： ocp( X ) 一（ I X ， 廠） ( ，) （ 6 ） 式中: ( I X ， , )和 P （ 廠 ） 分別表示特征 廠的觀 測似然函數(shù)和置信度，可以通過(7 ）式和(8 ）式分別計算 ： （ n , f ) c c 。 x f 一 )（7 ) 、 u , 警， J I ,“ 式中 p 表示 時刻 ，第 個粒子 的特征模型 。從 （ 6 ） 式可以看 出, 每個采樣粒子的權(quán)值大小既和特征的

6、置信度 （ 廠 ） 有關(guān), 也和采用特征 ，描述的觀 測似然函數(shù)P（Z l X ，, ) 有關(guān) .而 P(，) 的值 與目標(biāo)和背景間的區(qū)分度有關(guān) 系，區(qū)分度越大 ,特征的置信度就越大，采用該特征計算出的權(quán)值所占 比例就越大, 從而跟蹤精度就會越高，越可靠。反 之 ， 就越不可靠. 每個粒子的觀測似然函數(shù) （ l ,， ） 反映 的是粒子 確定的候選 區(qū)域是 目標(biāo)區(qū)域的概率大小 ， 其取值受到 影 響， 是用特征 ，計算似 然函數(shù)值的噪聲參 數(shù).由于本文采用灰度特征和 梯度特征 的維數(shù)不相同(灰度直方圖1 維 ， 梯度 直方圖 1 4 4維) ， 為了使得兩種 特征計算出來 的權(quán) 值的度量標(biāo)準(zhǔn)統(tǒng)

7、一， 根據(jù)實驗經(jīng)驗 ， 掰一0 。 0 2 , 一 0 . 0 5 8 ， 與 的比值與其維數(shù)平方成反 比。這 樣, 在跟蹤過 程 ，根據(jù) 上述方 法不 斷修 正 目標(biāo) 模 型 , 使得區(qū)分度大的特征權(quán)值 比重始終高于區(qū)分 度小的特征， 保證當(dāng)前特征模型能有效 區(qū)分 目標(biāo) 和背景 ， 實現(xiàn) 目標(biāo)的可靠跟蹤 。 1顏色模型的建立及相似性度量 顏色是一個在追蹤算法中被廣泛采用的特征。假 設(shè)整個顏色空間被離散化成 個子區(qū)域，統(tǒng)計圖像中 各個像素點落在相應(yīng)子區(qū)域的頻數(shù)，于是得到由m個 條柱組成的顏色直方圖考慮到圖像中像素的位置對構(gòu)建顏色直方圖的影響.引入表示空間信息的核函數(shù)來計算加權(quán)的顏色直方圖，使位

8、于目標(biāo)中央?yún)^(qū)域的像 素有較高的權(quán)值，而邊緣區(qū)域可能包含背景， 對顏色 直方圖貢獻(xiàn)小，所以分配較小的權(quán)值，從而使目標(biāo)的 顏色模型更加準(zhǔn)確為了減少跟蹤過程 中光照變化的 影響,將 R G B顏色空間轉(zhuǎn)換到H V空間， H和S 分別 表示色調(diào)和飽和度,對光照變化不敏感,分配較大的 量化等級（設(shè)為 8 ) , 而 分量表示高度分量，對光照變 化非常敏感，所以分配較小的量化等級( 設(shè)為 2 ），那么總的量化級數(shù)m 8 。 用Py = ） . _ 表 示以Y為中心點的目標(biāo)區(qū)域顏色分布. 。 , r （ ） b（ x i ) u l （ 1 ） =l ， 其中， 表示目標(biāo)區(qū)域內(nèi)的像素數(shù)； 為目標(biāo)區(qū)域內(nèi) 的第

9、 個像素點的坐標(biāo);b( i ）為蕾處像素點對應(yīng)直 方圖的索引值; 】為狄拉克函數(shù);參數(shù) h表示跟蹤窗寬 （ 包括長半軸W和短半軸) ，定義h 。 + . ； k （r 為權(quán)值函數(shù)： ） 1 r ： ； （ 2 ） 其中，r 為像素點到目 標(biāo)中心區(qū)域的距離；f為標(biāo)準(zhǔn) 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系數(shù)來描述目標(biāo)特征P 和 候選區(qū)域 q 之間的相似性， 為: ( p , ) ： g ( 3） 1 2結(jié)構(gòu)模型建立目前一種新的圖像質(zhì)量評價方法是通過比較對比度、亮度和結(jié)構(gòu)相似性三個參數(shù)來衡量圖像質(zhì)量及圖 像之間的差異,稱為結(jié)構(gòu)相似性質(zhì)量因子【 ，這種方法易于實現(xiàn)且計算量較小，本文正是通過這種方法對 灰度圖像構(gòu)建結(jié)構(gòu)模型 兩幅大小一致的圖像和Y 的結(jié)構(gòu)相似性為： 糍x 器 ）（ 苦）（ 4) + ； y 其中, 表示灰度圖像的均值, 表示灰度圖像的方 差， 表示兩幅圖像的協(xié)方差 算法實現(xiàn) 基于HS V的加權(quán)顏色直方圖的粒子濾波,融合標(biāo)的結(jié)構(gòu)信息，實現(xiàn)對目標(biāo)的魯棒跟蹤。具體的跟蹤過程包括初始化、重采樣、預(yù)測和更新等四個過程. 步驟 初始化 在初始幀中定位要跟蹤的目標(biāo)，然后通過公式（ ) 計算選定區(qū)域的加權(quán)顏色直方圖,建立 目標(biāo)顏色模型, 通過公式( 4 ） 建立跟蹤區(qū)域的灰度圖像模