基于統計模型的遺傳粒子濾波器人體運動跟蹤

摘要： 提出了一種基于統計模型的遺傳粒子濾波器人體運動跟蹤算法。引入局域二值模式（LBP）算子提取紋理特征，利用顏色直方圖與紋理直方圖相似度的加權和表示目標相似度，以有效解決自遮擋對跟蹤的影響。利用該統計模型精確表示運動人體輪廓，目標形狀可由一可變形狀參數確定；采用遺傳粒子濾波器作為跟蹤算法以提高粒子濾波器的魯棒性和精度。通過預測更新可變形狀參數，再利用統計模型中目標形狀與形狀可變參數的關系得到圖像序列各幀中人體輪廓，有效降低了計算量，從而達到快速而準確的跟蹤目的。最后用上述方法進行了實驗，驗證了該方法的實用性和有效性。

關鍵詞：統計模型； 局域二值模式； 遺傳粒子濾波器； 人體運動跟蹤； Bhattacharyya距離

中圖分類號：O235文獻標志碼：A

文章編號：1001－3695(2008)04－1090－03

人運動的視覺分析[1]是計算機視覺領域的重要課題之一，也是近年來備受研究者關注的前沿方向。該課題在虛擬現實、智能監控、感知接口和運動分析等方面具有廣闊的應用前景。現有的運動跟蹤方法一般都通過引入一定的約束條件來指導特征跟蹤，主要包括基于模型的跟蹤方法和無模型的跟蹤方法。在基于模型的跟蹤方法中，常見的模型有線圖模型（stick figure model）、二維輪廓模型（2－D contour model）和立體模型（volumetric model）。線圖模型將身體的各個部分以直線來近似，將人體的運動看成是人體骨架的運動。二維輪廓模型的使用直接與人體在圖像中的投影有關。立體模型主要利用廣義錐臺、橢圓柱、球等三維模型來描述人體的細節結構，因此要求更多的計算參數和匹配過程中更大的計算量。

本文提出一種基于統計模型的遺傳粒子濾波器人體運動跟蹤方法。為解決自遮擋對跟蹤的影響，提出一種目標相似度表示方法，由紋理直方圖和顏色直方圖相似度的加權和表示。在該統計模型中，目標的形狀可由樣本集的平均形狀向量和一個可變形狀參數通過一定的運算得到，因此，通過粒子濾波器預測更新該形狀參數，再通過簡單運算即可得到跟蹤目標的輪廓，由此實現快速有效的跟蹤。本文中并不直接采用目標的形狀向量作為狀態模型，而是采用該可變形狀參數作為狀態模型，這一點是由跟蹤的實時快速性決定的，因為形狀向量較之可變形狀參數維數要高，不利于實時跟蹤。

1人體運動跟蹤模型

1．1統計模型及其獲取

為建立統計模型，給定一組標有n個特征點的M幅人體運動圖像作為訓練數據。特征點可以標記在人體的外部輪廓和邊緣。將標記的n個點寫成向量形式，記為X=(x1，y1，x2，y2，…，xk，yk，…，xn，yn)T。其中：(xk，yk)是第k個點的坐標。圖1顯示了由40個特征點標定的一幅人體輪廓圖像。

統計模型的獲取過程如下：首先對訓練樣本集中（包含M個訓練樣本）這些形狀進行校準。校準是指以某個形狀為基準，對其他形狀進行旋轉、縮放和平移，使其與基準形狀接近。然后對校準后的數據進行主成分分析[2]（principal component analysis）。其過程如下：

4結束語

為了驗證本文所述方法的效果，對實際拍攝的一段圖像序列進行了人體運動跟蹤實驗。實驗平臺是Intel P4 1．7 GHz CPU的微機。在室內不同背景下用攝像頭拍攝跟蹤不同的人，分辨率是320×240，共300幀。

實驗中，圖像序列的第一幀中跟蹤目標由統計模型中來表示。本文中統計模型特征點個數選為40，訓練集中樣本數為50，粒子濾波器中粒子數取為160，σ取為0．25，再采樣階段的閾值Th為100。通過大量實驗，取相似度計算式（8）中λ值為0．55，圖4為部分實驗結果。

實驗結果表明，本算法在序列圖像中全部跟蹤成功。由于采用了粒子濾波器作為核心的跟蹤算法，使得處理速度可達20 fps，基本上可滿足實時跟蹤需要。

本文提出了一種基于統計模型的遺傳粒子濾波器人體運動跟蹤算法。由于人體為一形變物體，而運動跟蹤與識別勢必需要測量人體運動速度，傳統的用于跟蹤的橢圓或矩形模型在此不太可取。為此提出可以較精確表示人體的統計模型。為有效解決遮擋對跟蹤的影響，綜合考慮顏色和紋理特征，再結合粒子濾波器進行跟蹤，達到了比較好的效果。下一步的研究重點將放在如何在圖像中自動提取統計模型各特征點以及如何改進跟蹤算法以提高算法的速度與精度等。

參考文獻：

[1]GAVRILA D. The visual analysis of human movement: a survey[J]. Computer Vision and Image Understanding， 1999，73(1):82－98.

[2]SMITH L I. A tutorial on principal components analysis[EB/OL].(2002). http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf.

[3]MENP T， PIETIKINEN M. Texture analysis with local binary patterns[C]//CHEN C H， WANG P S P. Proc of Handbook of Pattern Recognition and Computer Vision， 3rd ed， World Scientific. 2005:197－216.

[4]DOUCET A. Particle filter for state estimation of jump Markov linear systems[J]. IEEE Trans on Signal Processing， 2001，49(3):613－624.

[5]KAILATH T. The divergence and Bhattacharyya distance measures in signal selection[J]. IEEE Trans on Communication Technology， 1967， 15:52－60.

[6]DOUCET A. On sequential simulation monte carlo sampling methods for bayesian filtering[J]. Statistics and Computing， 2000，10(3):197－208.

[7]ARULAMALAM M S， MASKELL S， GORDON N， et al. A tutorial on particle filters for online nonlinear/non－gaussian bayesian tracking[J]. IEEE Trans on Signal Processing， 2002，50(2):174－188.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”