·540 智能系统学报 第4卷 )=（n-1)u+m 高跟踪的准确性.在目标模板与候选目标进行相似 (7) 度计算时，同时考虑上、下半身的相似度.以变量 6)重复回到第2)步 curRegion来标识上、下半身：curRegion=0,表示上 2 粒子滤波的目标跟踪算法优化 半身；curRegion=1表示下半身.例如，SumB[curRe- gion]、BH[bin][curRegion]表示B分量亮度的半身 粒子滤波是一个没有条件限制的大平台，可以 统计和B分量的半身直方图统计 整合各种各样的技术，本文以粒子滤波为基础，整合 2.4目标的互遮挡判断 颜色特征、前景信息、速度预测等多种技术，同时采 目标间是否发生互遮挡需要通过目标的互相关 用积分图运算方法对基于粒子滤波的目标跟踪算法 性信息来确定.如果2个目标的互相关性小，表示目 进行了优化. 标间不存在互遮挡或互遮挡的面积小；否则，要对2 2.1积分图运算提高算法的效率 个目标进行位置上的判断，通过空间位置上的重叠 积分图是一种用区域和来表示、便于快速计算 来判断目标是否真的存在互遮挡：当2个框的位置 的中间运算图.积分图中的像素点(x',y)的特征值 在x方向的重叠部分不少于coverRatio*Width且在 代表原图中对应像素点(x,y)左上角所有像素点的 y方向的重叠部分不少于coverRatio*Height时，判 特征值的和.那么采用积分图方式表达某一区域 断为相互遮挡.这里coverRatio为遮挡比例. R(x',y';x”,y”)的特征值则可表示为 2.5颜色直方图亮度补偿 R(x',y';x",y"）=Ⅱ(x",y")-Ⅱ(x',y") 目标跟踪中会发生图像整体亮度突变的情况， Ⅱ(x",y)+Ⅱ(x',y) (8) 比如天气的变化或是摄像头性能参数发生变化.如 由式(8)可见，只要将全局区域的特征进行积 果不对跟踪区域进行亮度上的补偿，相邻帧统计出 分值统计，要获得该区域内的任何子区域的特征统 来的同一目标的颜色直方图会有很大的不同.直方 计值，无论区域大小，只需要2次减法操作和一次加 图与模板直方图的相关性小，导致粒子权重小，影响 法操作即可.特别是对于粒子滤波这类算法，每一帧 跟踪结果.根据亮度差异的不同，将亮度补偿到直方 图片要取上百个粒子进行计算，常规的运算方法是 图的不同的bin中.亮度补偿的结果是相邻帧的同 每个粒子所代表的区域都要进行梯度、颜色的统计， 一目标直方图相似度得到提高 这样的运算量是很大的，积分图能大大降低计算量. 当粒子数增加时计算的代价也不大.在程序实现中 3实验及结果分析 也多次用到了：三颜色分量的亮度积分图、三颜色分 基于VC++6.0设计的视频跟踪试验平台上进 量的积分直方图、图像的梯度积分图等多种积分图 行跟踪试验，输人352*288大小、AVI格式的视频， 运算 按本文算法对运动中的人体进行大量的跟踪实验， 2.2前景在目标跟踪中的应用 实验的视频都是在人体衣服、姿态和光照等变化大， 采用混合高斯建模(GMM)方法分割前景不仅是 复杂场景、有大面积遮挡或目标间互遮挡等场景下 为了进行目标检测，将分割出来的前景应用到目标跟 进行的.对跟踪结果截图得到图像序列，抽取其中的 踪中也是很好的解决背景干扰的一个方法.前景点进 几组图片进行效果对比分析，体现粒子滤波优化算 行统计可以用来判断目标是否被障碍物遮挡，如果目 法的跟踪效果的优越性. 标被遮挡则该区的特征统计都为零，直接跳入下一个 3.1粒子滤波算法跟踪效果 区域.这既提高了算法效率，也避免了障碍物颜色与 为了验证粒子滤波跟踪的效果，选取不同场景 目标颜色相似参与统计会干扰跟踪结果的问题，同时 下的视频分别采用Mean-shift算法与粒子滤波算法 还避免了目标框跟踪到背景或障碍物上 对目标进行跟踪比较」 2.3目标的分段直方图表征 图1是光照变化情况下分别给出了第35、61、 在视频分析算法中，目标特征的选择对于目标 81、95、127帧采用Mean-shi讥算法的跟踪情况.在图 检测、分类是至关重要的.好的目标特征表达应当能 像序列中，目标从暗处走向光线强烈处.第61帧跟 很好地代表目标，具有鲁棒性强、计算量低以及能应 踪框开始漂移，第81、95帧目标框继续远离目标，第 用到高效的算法中等特点， 127帧显示目标框与目标全部分开，发生了失跟踪. 目标的分段直方图表征是将目标分为上、下半 显见，Mean-shift方法在跟踪的鲁棒性方面不足，在 身分别统计，这样的直方图更为准确地描述目标，提 复杂场景下易发生错误的跟踪