·438 智能系统学报 第11卷 代次数接近5，而GMS算法的平均迭代次数3.5左 色特征的干扰，使得跟踪正确保持。该序列MS的 右，跟踪实时性提高了30%。可见在跟踪背景比较 平均迭代次数接近6，GMS的平均迭代次数约为4. 简单，行人目标颜色特征较为明显时，虽然MS算法 5,跟踪实时性提高了25%，但是相比序列一的GMS 和GMS算法的跟踪准确率相差无几，但是GMS算 平均迭代次数，每帧图片平均增加了一次迭代，这是 法由于引入了粒计算，降低了计算复杂度，因此一定 因为ImageⅡ跟踪场景相比Image I更为复杂。 程度上提高了跟踪实时性。 #132 4471 #147 41R #513 (a)MS跟踪结果 (a)MS跟踪结果 47 种料77 #487 #144 14 #493 513 (b)GMS跟踪结果 (b)GMS跟踪结果 图4 ImageⅡ跟踪结果比较 图3 mage I跟踪结果比较 Fig.4 Comparison of tracking results of image II Fig.3 Comparison of tracking results of image I 图5选取的视频图像是S2Ll项目中View」 图4选取的视频图像是S2_Ll项目中View_ 001中的部分序列，序列中红衣女子从视频窗口右 005中的部分序列，序列中蓝衣女子从视频窗口右 下端斜向上走向视频窗口左上端，走到视频窗口中 端水平穿过走向视频窗口左端，走到视频窗口中央 央时与两名黑衣男子发生遮挡随后分离，紧接着又 时与两名黑衣男子发生遮挡随后分离。由于有行人 被电线杆遮挡后又分离。跟踪图像背景略复杂，发 遮挡及背景颜色干扰，跟踪图像背景略复杂。其中 生多次遮挡，包括两行人的动态遮挡和电线杆的静 图4(a)是MS的跟踪结果，图4(b)是GMS的跟踪 态遮挡，而且背景局部区域存在光照变化干扰。其 结果。比较图4的跟踪结果，发现目标行人未发生 中图5(a)是MS的跟踪结果，图5(b)是GCMS的跟 碰撞前，MS和GMS都有正确跟踪到行人，在第144 踪结果。MS跟踪在第467帧时，行人跟踪丢失，跟 帧目标行人与两个行人发生碰撞后（即遮挡后分 踪结束；GMS在第467帧时，行人跟踪略有偏差，但 离)，在第147帧及第148帧MS目标跟踪丢失，发 是仍继续正确跟踪。整个跟踪过程中，行人目标的 现跟踪到干扰行人的蓝色牛仔裤上，与目标行人的 颜色特征与背景颜色特征和遮挡物体的颜色特征能 颜色特征相似度较高，导致误判，直至最后目标彻底 很好地区分，GMS在目标行人发生遮挡时，能适当 丢失。而在整个行人跟踪过程中，GMS跟踪目标未 减弱背景及遮挡物体的颜色干扰，跟踪效果很好，而 丢失，跟踪正确率较高，仅在第144帧行人发生遮挡 MS算法更多地受背景及遮挡物体的颜色干扰导致 时跟踪略有偏差，遮挡分离后，跟踪回复正常。可见 多次遮挡之后行人彻底丢失。该序列MS的平均迭 当跟踪场景中存在与行人目标的颜色特征相似的候 代次数约为5.5，GMS的平均迭代次数约为4.5，跟 选目标与行人目标碰撞时，MS算法跟踪失效，GMS 踪实时性仅提高了18%，可见GMS算法在跟踪场景 算法的粒化后颜色直方图一定程度上降低了背景颜 复杂的情况下，跟踪效果还有待提升。代次数接近 ５，而 ＧＭＳ 算法的平均迭代次数 ３．５ 左 右，跟踪实时性提高了 ３０％。 可见在跟踪背景比较 简单，行人目标颜色特征较为明显时，虽然 ＭＳ 算法 和 ＧＭＳ 算法的跟踪准确率相差无几，但是 ＧＭＳ 算 法由于引入了粒计算，降低了计算复杂度，因此一定 程度上提高了跟踪实时性。 （ａ）ＭＳ 跟踪结果 （ｂ）ＧＭＳ 跟踪结果 图 ３ Ｉｍａｇｅ Ｉ 跟踪结果比较 Ｆｉｇ．３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ｉｍａｇｅ Ｉ 图 ４ 选取的视频图像是 Ｓ２＿Ｌ１ 项目中 Ｖｉｅｗ＿ ００５ 中的部分序列，序列中蓝衣女子从视频窗口右 端水平穿过走向视频窗口左端，走到视频窗口中央 时与两名黑衣男子发生遮挡随后分离。 由于有行人 遮挡及背景颜色干扰，跟踪图像背景略复杂。 其中 图 ４（ａ）是 ＭＳ 的跟踪结果，图 ４（ ｂ）是 ＧＭＳ 的跟踪 结果。 比较图 ４ 的跟踪结果，发现目标行人未发生 碰撞前，ＭＳ 和 ＧＭＳ 都有正确跟踪到行人，在第 １４４ 帧目标行人与两个行人发生碰撞后（即遮挡后分 离），在第 １４７ 帧及第 １４８ 帧 ＭＳ 目标跟踪丢失，发 现跟踪到干扰行人的蓝色牛仔裤上，与目标行人的 颜色特征相似度较高，导致误判，直至最后目标彻底 丢失。 而在整个行人跟踪过程中，ＧＭＳ 跟踪目标未 丢失，跟踪正确率较高，仅在第 １４４ 帧行人发生遮挡 时跟踪略有偏差，遮挡分离后，跟踪回复正常。 可见 当跟踪场景中存在与行人目标的颜色特征相似的候 选目标与行人目标碰撞时，ＭＳ 算法跟踪失效，ＧＭＳ 算法的粒化后颜色直方图一定程度上降低了背景颜 色特征的干扰，使得跟踪正确保持。 该序列 ＭＳ 的 平均迭代次数接近 ６，ＧＭＳ 的平均迭代次数约为 ４． ５，跟踪实时性提高了 ２５％，但是相比序列一的 ＧＭＳ 平均迭代次数，每帧图片平均增加了一次迭代，这是 因为 Ｉｍａｇｅ ＩＩ 跟踪场景相比 Ｉｍａｇｅ Ｉ 更为复杂。 （ａ）ＭＳ 跟踪结果 （ｂ）ＧＭＳ 跟踪结果 图 ４ Ｉｍａｇｅ ＩＩ 跟踪结果比较 Ｆｉｇ．４ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ｉｍａｇｅ ＩＩ 图 ５ 选取的视频图像是 Ｓ２＿Ｌ１ 项目中 Ｖｉｅｗ＿ ００１ 中的部分序列，序列中红衣女子从视频窗口右 下端斜向上走向视频窗口左上端，走到视频窗口中 央时与两名黑衣男子发生遮挡随后分离，紧接着又 被电线杆遮挡后又分离。 跟踪图像背景略复杂，发 生多次遮挡，包括两行人的动态遮挡和电线杆的静 态遮挡，而且背景局部区域存在光照变化干扰。 其 中图 ５（ａ）是 ＭＳ 的跟踪结果，图 ５（ｂ）是 ＧＣＭＳ 的跟 踪结果。 ＭＳ 跟踪在第 ４６７ 帧时，行人跟踪丢失，跟 踪结束；ＧＭＳ 在第 ４６７ 帧时，行人跟踪略有偏差，但 是仍继续正确跟踪。 整个跟踪过程中，行人目标的 颜色特征与背景颜色特征和遮挡物体的颜色特征能 很好地区分，ＧＭＳ 在目标行人发生遮挡时，能适当 减弱背景及遮挡物体的颜色干扰，跟踪效果很好，而 ＭＳ 算法更多地受背景及遮挡物体的颜色干扰导致 多次遮挡之后行人彻底丢失。 该序列 ＭＳ 的平均迭 代次数约为 ５．５，ＧＭＳ 的平均迭代次数约为 ４．５，跟 踪实时性仅提高了 １８％，可见 ＧＭＳ 算法在跟踪场景 复杂的情况下，跟踪效果还有待提升。 ·４３８· 智 能 系 统 学 报 第 １１ 卷