.436 智能系统学报 第11卷 粒度来量化，经验得出G通道最敏感，R通道次之，B 比较两图，可看到粒化后的颜色直方图在颜色 通道敏感度最低。因此G通道要表现更多的颜色特 级数上降低了大约5倍，曲线与横轴所围成的面积 征信息，颜色粒度则赋予最大：而敏感度相对最弱的 是采集的目标区域的像素点数量，可见粒化后的像 B通道表现最少的颜色特征信息，颜色粒度则赋予最 素点数量大约降低了4倍，大大降低了计算量。这 小。令R、G、B通道的量化粒度分别表示为R、、 一点将在后续的实验中得到进一步的验证。 R,经验得出当R=5、R=6、R=3时表现的颜色 特征信息最为有效，行人跟踪效果较好。 2粒化的Mean Shift行人跟踪算法 计算经过颜色通道粒化后的3个颜色通道的直 粒化的Mean Shift行人跟踪算法(GMS)是利用 方图虽然已经降低了一定的计算代价和存储代价， 图像粒化及颜色通道粒化后的核函数空间加权的颜 但是为了更进一步简化计算量和降低存储代价，将 色直方图作为目标模型，采用巴氏系数作为相似度 颜色粒化后的三通道颜色值整合成一维颜色值作为 度量，通过自适应步长的MS迭代来实时跟踪行人 该颜色粒的颜色特征值，由于颜色的权重信息已经 目标的位置。 在颜色粒化的时候通过颜色粒度表现，因此整体的 2.1算法描述 转换函数f代)直接体现为各颜色通道的转换函数 设{L,i=1,2,…,n}表示中心位置为y的 的叠加，且保证f代)≥1，表达为 行人目标区域经过图像粒度R,粒化后的图像粒， fc(v)=fc(vg)+fc(vc)+fc(vg)= x·表示每个图像粒L的中心位置，则经过图像粒 g·2隆-9+6·2-9+g·2晚-9+1(6) 化后的加权核函数为 式中：u=(R,"c,B)表示R,G,B颜色特征值向量， mRc=n限+n+n+1表示最终得到的一维颜色 2 特征值的级数。 -XX≤1x=1I(7) K0=0,X>1 未经颜色特征粒化(a)和经过颜色特征粒化后 的颜色直方图(b)如图2所示。 式中：h表示行人目标区域核半径。{xJj=1,2,…, 300 m×n}表示图像粒L的像素位置，b(x,)= 250 [b(x)b(x)b(x,)]表示像素x,的R、G、 B颜色特征值向量，其中b(x)、b(x)、b(x) 200 分别表示R、G、B三颜色通道的特征值，则每个图像 150 粒L的颜色特征值向量通过转换函数式(2)得到 100 f(L)= (8) m×n 通过式(6)和式(8)，求得行人目标区域经过图像粒 50 100150200250300 化和颜色通道粒化后的参考颜色直方图q= 颜色级数 为 (a)颜色特征直方图 (qu)u=1.2..mgc 35 g.=cI y-x [fc(f(L)）-] 30 (9) 25 式中：8为Kronecker函数；C为归一化常数，使得 20 15 ∑9.=1，因此有 10 C= (10) K A 10 20306060 同理，设在跟踪过程中行人目标候选区域的颜 颜色级数 色直方图经过图像粒化和颜色通道粒化后表示为 (b)粒化的颜色特征直方图 图2颜色直方图 p少o)=p.(少o)=1,2。,其中为为目标候选区 域的中心位置，同样有 Fig.2 Color histogram粒度来量化，经验得出 Ｇ 通道最敏感， Ｒ 通道次之， Ｂ 通道敏感度最低。 因此 Ｇ 通道要表现更多的颜色特 征信息，颜色粒度则赋予最大；而敏感度相对最弱的 Ｂ 通道表现最少的颜色特征信息，颜色粒度则赋予最 小。 令 Ｒ、Ｇ、Ｂ 通道的量化粒度分别表示为 Ｒ Ｒ Ｃ 、 Ｒ Ｇ Ｃ 、 Ｒ Ｂ Ｃ ，经验得出当 Ｒ Ｒ Ｃ ＝ ５、 Ｒ Ｇ Ｃ ＝ ６、 Ｒ Ｂ Ｃ ＝ ３ 时表现的颜色 特征信息最为有效，行人跟踪效果较好。 计算经过颜色通道粒化后的 ３ 个颜色通道的直 方图虽然已经降低了一定的计算代价和存储代价， 但是为了更进一步简化计算量和降低存储代价，将 颜色粒化后的三通道颜色值整合成一维颜色值作为 该颜色粒的颜色特征值，由于颜色的权重信息已经 在颜色粒化的时候通过颜色粒度表现，因此整体的 转换函数 ｆ（ｖ） 直接体现为各颜色通道的转换函数 的叠加，且保证 ｆ（ｖ） ≥ １，表达为 ｆＣ（ｖ） ＝ ｆＣ（ｖＲ ） ＋ ｆＣ（ｖＧ ） ＋ ｆＣ（ｖＢ ） ＝ ｖＲ·２ ＲＲ Ｃ －９ ＋ ｖＧ·２ ＲＧ Ｃ －９ ＋ ｖＢ·２ ＲＢ Ｃ －９ ＋ １ （６） 式中： ｖ ＝ （ｖＲ ，ｖＧ ，ｖＢ ） 表示 Ｒ、Ｇ、Ｂ 颜色特征值向量， ｍＲＣ ＝ ｎＲＲ Ｃ ＋ ｎＲＧ Ｃ ＋ ｎＲＢ Ｃ ＋ １ 表示最终得到的一维颜色 特征值的级数。 未经颜色特征粒化（ ａ）和经过颜色特征粒化后 的颜色直方图（ｂ）如图 ２ 所示。 （ａ）颜色特征直方图 （ｂ）粒化的颜色特征直方图 图 ２ 颜色直方图 Ｆｉｇ．２ Ｃｏｌｏｒ ｈｉｓｔｏｇｒａｍ 比较两图，可看到粒化后的颜色直方图在颜色 级数上降低了大约 ５ 倍，曲线与横轴所围成的面积 是采集的目标区域的像素点数量，可见粒化后的像 素点数量大约降低了 ４ 倍，大大降低了计算量。 这 一点将在后续的实验中得到进一步的验证。 ２ 粒化的 Ｍｅａｎ Ｓｈｉｆｔ 行人跟踪算法 粒化的 Ｍｅａｎ Ｓｈｉｆｔ 行人跟踪算法（ＧＭＳ）是利用 图像粒化及颜色通道粒化后的核函数空间加权的颜 色直方图作为目标模型，采用巴氏系数作为相似度 度量，通过自适应步长的 ＭＳ 迭代来实时跟踪行人 目标的位置。 ２．１ 算法描述 设 ｛Ｌ ＲＩ ｉ ，ｉ ＝ １，２，…，ｎＲＩ ｝ 表示中心位置为 ｙ 的 行人目标区域经过图像粒度 ＲＩ 粒化后的图像粒， ｘ ∗ ｉ 表示每个图像粒 Ｌ ＲＩ ｉ 的中心位置，则经过图像粒 化后的加权核函数为 Ｋ（Ｘ） ＝ １ － Ｘ ０， { ，Ｘ ≤ １ Ｘ ＞ １ Ｘ ＝ ‖ ｙ － ｘ ∗ ｉ ｈ ‖ ２ （７） 式中：ｈ 表示行人目标区域核半径。 ｛ｘｉ，ｊ，ｊ ＝ １，２，…， ｍ ＲＩ × ｎ ＲＩ｝ 表示图像粒 Ｌ ＲＩ ｉ 的像素位置， ｂｆ（ｘｉ，ｊ） ＝ ［ｂ Ｒ ｆ （ｘｉ，ｊ） ｂ Ｇ ｆ （ｘｉ，ｊ） ｂ Ｂ ｆ （ｘｉ，ｊ）］ 表示像素 ｘｉ，ｊ 的 Ｒ、Ｇ、 Ｂ 颜色特征值向量，其中 ｂ Ｒ ｆ （ｘｉ，ｊ）、ｂ Ｇ ｆ （ｘｉ，ｊ）、ｂ Ｂ ｆ （ｘｉ，ｊ） 分别表示 Ｒ、Ｇ、Ｂ 三颜色通道的特征值，则每个图像 粒 Ｌ ＲＩ ｉ 的颜色特征值向量通过转换函数式（２）得到 ｆ Ｉ（Ｌ ＲＩ ｉ ） ＝ ∑ ｍＲ Ｉ×ｎＲ Ｉ ｊ ＝ １ ｂｆ（ｘｊ） ｍ ＲＩ × ｎ ＲＩ （８） 通过式（６）和式（８），求得行人目标区域经过图像粒 化和 颜 色 通 道 粒 化 后 的 参 考 颜 色 直 方 图 ｑ ＝ ｑｕ { } ｕ ＝ １，２，…，ｍＲ Ｃ 为 ｑｕ ＝ Ｃ∑ ｎＲ Ｉ ｉ ＝ １ Ｋ ‖ ｙ － ｘ ∗ ｉ ｈ ‖ ２ æ è ç ö ø ÷ δ ｆＣ（ｆ Ｉ（Ｌ ＲＩ [ ｉ ）） － ｕ] （９） 式中： δ 为 Ｋｒｏｎｅｃｋｅｒ 函数； Ｃ 为归一化常数，使得 ∑ ｍＲ Ｃ ｕ ＝ １ ｑｕ ＝ １，因此有 Ｃ ＝ １ ∑ ｎＲ Ｉ ｉ ＝ １ Ｋ ‖ ｙ０ － ｘ ∗ ｉ ｈ ‖ ２ æ è ç ö ø ÷ （１０） 同理，设在跟踪过程中行人目标候选区域的颜 色直方图经过图像粒化和颜色通道粒化后表示为 ｐ（ｙ０ ） ＝ ｛ｐｕ（ｙ０ ）｝ｕ ＝ １，２，…，ｍＲ Ｃ ，其中 ｙ１ 为目标候选区 域的中心位置，同样有 ·４３６· 智 能 系 统 学 报 第 １１ 卷