一種適用于離崗檢測的目標跟蹤算法

李義超+羅飛

收稿日期：2013-11-11

作者簡介：李義超（1988—），男，湖北漢川人，碩士研究生，研究方向：數字圖像處理，運動目標的識別與跟蹤。

通訊聯系人，E-mail：liyichao-168@163.com

文章編號：1003-6199（2014）03-0088-04

摘 要：提出一種改進的適用于智能安防領域中離崗檢測的目標跟蹤算法，該算法結合均值漂移算法和粒子濾波算法的優點，先使用均值漂移算法對目標進行預跟蹤，然后在此基礎上使用粒子濾波對目標精確定位，在保證了跟蹤準確率的前提下縮短了算法的計算時間。此外，針對監控視頻大多分辨率低，目標辨識度不高等特點，在本文中，原始視頻流的灰度信息和紋理信息被作為待跟蹤目標的特征。實驗結果證明，采用該混合特征的目標跟蹤算法比其他同類算法在目標跟蹤的準確率和實時性上具有更好的表現，能夠適應更廣泛的視頻場景。

關鍵詞：目標跟蹤；均值漂移；粒子濾波；混合特征；離崗檢測

中圖分類號：TP391.9 文獻標識碼：A

An Object Tracing Algorithm Suitable for Off-position Detection

LI Yi-chao， LUO Fei

（Automation Science and Engineer Academy， South China University of Technology，Guangzhou，Guangdong 510641，China）

Abstract：In this paper， we propose an improved object tracing algorithm which is suitable for off-position detection in intelligent security filed. This algorithm takes advantage of mean shift and particle filter， pre-traces the object by the mean-shift algorithm and then calculates the accurate position by particle algorithm， which shortens computing time on the premise of insuring tracing accuracy. Besides， according to the problem that the low-resolution and low contrast of surveillance video， a new hybrid feature based on the gray scale information and texture information is regarded as the main feature of object in video scene. At last， experiment results prove that the improved object tracing algorithm with hybrid feature have better performance of tracking accuracy and real-time， which is applied more widely than other algorithms.

Key words：object tracing； mean-shift； particle filter； hybrid feature； off-position detection

1 引 言

離崗檢測是運用目標跟蹤算法對視頻場景中的執勤人員進行跟蹤，它是智能安防領域中智能視頻分析的一個重要的研究方向，具有廣泛的實際應用價值。目前，國內外的研究人員針對視頻場景中特定的目標進行跟蹤的課題已經提出了許多目標跟蹤算法，如均值漂移（mean-shift）算法、粒子濾波算法等，但是卻沒有一種有效的算法專門應用于離崗檢測。

文獻[1]，[2]，[3]，[4]提出了幾種粒子濾波算法，不過這些算法均難以應用于安防領域內的視頻場景。文獻[8]針對目標是否被遮擋分別采用均值漂移算法與粒子濾波算法，但是從本質上來講，該算法并沒有將二者融合，只是根據不同的視頻場景選擇不同的算法。文獻[9]，[10]提出了一種將均值漂移算法嵌入到粒子濾波算法中，減少用于描述目標狀態的粒子樣本數量。但是該算法要求在使用粒子濾波算法跟蹤的過程中每一次重要性重采樣對所有的粒子樣本均進行一次均值漂移算法。可以預見，當粒子樣本數量增加時，該算法的計算量將成幾何數量增長。

本文提出的目標跟蹤算法（MSPF算法）結合了均值漂移算法和粒子濾波算法的優點。與文獻[9]中提出的兩步法不同的是，本文提出的算法沒用根據上一步跟蹤的結果動態的改變粒子樣本數量；其次，本文采用的視頻圖像的顏色特征和紋理特征作為目標的特征，避免了由于采用單一的灰度特征或紋理特征無法表征目標信息而造成的目標跟蹤丟失的情形。實驗結果證明，采用混合特征的MSPF算法比采用單一特征以及其他的目標跟蹤算法具有更好的跟蹤效果，更具有實用價值。

在下文中，我們首先介紹幾種常用的目標特征，分析各特征的生成過程以及應用場合，然后介紹了本文采用的MSPF算法流程，比較了混合特征以及該MSPF算法的跟蹤效果，最后總結了全文，提出算法的改進方向。

2 算法的基本原理

2.1 混合特征的選擇

眾所周知，我們能夠通過肉眼在一幀視頻中區分出目標和背景的主要依據是目標的灰度值分布與背景的灰度值分布有明顯的差異。鑒于此，大部分粒子濾波算法中粒子樣本所采用的特征都是灰度直方圖特征。因為灰度直方圖特征能夠很好的適應目標旋轉和變形帶來的影響。但是，由于現實中的視頻場景一般都會比較復雜，我們需要跟蹤的目標周圍可能還會有與其灰度值分布相似的目標，尤其是在監控視頻的分辨率普遍較低的情況下，這種情況更加普遍。因此，我們一般還會加入目標的紋理特征。

常用的紋理特征主要有局部二進制模式（LBP算子）以及梯度幅值特征。下面分別介紹LBP紋理圖和梯度幅值紋理圖的生成過程。

生成一幅LBP紋理圖像的具體過程如下：利用每個像素及其周圍3×3的環形鄰域上的8個像素點構造出一個表征該像素紋理的特征值如式（1）。

LBPp，r=∑p-1p=0s（gp-gc）2p；（1）

其中，gc表示鄰域中心的灰度值，gp（p=0，1，…，p-1）對應著鄰域上的P個等分點的灰度值。s（gp-gc）等于0或1；將得到的結果以中心像素點的右鄰域像素為起始像素按逆時針方向開始計算，給每一項s（gp-gc）賦予二項式因子2p，可以將像素的局部空間紋理結構表示為一個唯一的十進制數，該十進制數被稱為LBP特征值。然后對圖像中的每個像素求LBP特征值，構造一幅圖像的LBP紋理特征圖。

生成梯度幅值圖像的具體過程如下：首先對原始圖像分別采用x方向和y方向，尺寸為3×3的sobel邊緣提取算子生成x、y方向的梯度圖像，然后如公式（2）所示，梯度幅值近似取X方向和Y方向梯度值的絕對值和作為梯度幅值，計算圖像上每一點的梯度幅值生成一幅梯度幅值紋理圖像。

f≈|Gx|+|Gy|（2）

其中，Gx為x方向的梯度，Gy為y方向的梯度。

2.2 MSPF算法流程

Mean-shift算法是一種基于非參數的核密度估計的方法，通過在數據的密度分布中求解局部極值。在本文中，mean-shift算法中像素點的概率密度圖像采用的是色調分量上的反向投影直方圖，搜索窗口采用矩形窗。粒子濾波是一種順序重要性采樣法，通過尋找一組在狀態空間中傳播的隨機樣本來近似的表示概率密度函數。具體做法是將粒子樣本隨機的分布在目標可能出現的區域中，采集各粒子樣本的特征并計算各粒子樣本與目標的相似度，將其作為更新粒子權值的主要依據，然后根據粒子權值進行重要性重采樣，如此反復，迭代結束后計算各粒子權值的加權和作為預測結果。

本文中采用的算法流程如下：

1）手工標定帶有目標的搜索窗口，計算該搜索窗口內的混合特征；

2）在下一幀圖像上，使用矩形窗口的mean-shift算法搜索目標；

3）根據mean-shift算法搜索的目標區域，將粒子點分布在目標區域的周圍。每個粒子都具有它們各自的特征以及加權值，每個粒子都反映著一種可能的目標狀態；

4）采樣與更新粒子權值。比較各粒子樣本特征與目標特征的巴氏距離，并歸一化后作為各粒子的權值；

5）重要性重采樣。根據粒子的權值重新初始化粒子。歸一化后具有非常小的權值的粒子，說明這些粒子和目標偏離較遠，重新分布后，這些粒子所在的區域將被分配更少的粒子。然后重復進行3-5操作；

6）估計目標狀態。估計目標狀態是指通過估計運動目標的狀態參數和粒子狀態參數的加權，加權求和后的狀態參數即為當前幀中目標的狀態；

7）更新目標特征。在新的一幀中提取出目標的混合特征來更新原目標特征。

至此，完成對當前幀的跟蹤。

3 實驗結果分析

本文實驗中采用的操作系統是window xp， 編程語言環境是Microsoft Visual Studio 2005，算法中相關算法模塊來自opencv開源的機器視覺庫。硬件平臺是：奔騰E5800（3.2G），內存2GB。

如圖1中所示，至上而下依次是一副圖像的灰度圖和局部二進制紋理圖以及梯度幅值圖，用紅圈標記出道路上行走的行人作為待跟蹤的目標。從圖1中可以看出，由于背景、光線等原因，目標在灰度圖上幾乎不能分辨，而從LBP圖和梯度幅值圖像中則可以明顯的分辨出來。

圖2中的視頻場景是晚間道路上的監控場景，對比的是在MSPF濾波中使用灰度直方圖特征和混合特征的跟蹤效果。其中左邊的一組圖像是采用單一的灰度圖像直方圖作為目標特征的跟蹤效果，右邊的一組圖像采用混合特征作為目標特征的跟蹤效果。由圖2可以看出，僅僅采用灰度信息跟蹤目標，其跟蹤效果較差，在第86幀以后基本上無法跟蹤目標。而加入了紋理特征后，盡管目標尺寸在變化，混合特征仍然可以代表場景中目標的特征，準確的跟蹤目標。

下圖3是單獨使用粒子濾波算法和mean-shift算法以及MSPF算法的跟蹤效果對比圖。左邊的一組圖是采用粒子濾波算法的跟蹤效果，中間的一組圖是采用mean-shift算法的跟蹤效果，右邊的一組圖是采用MSPF算法的跟蹤效果。

對比第三行圖像，當目標移動到監控區域邊緣時，粒子濾波算法預測的跟蹤區域仍然可以停留在目標最后出現的位置上，而mean-shift算法則對此無能為力。從整體的跟蹤效果來看，將均值漂移算法加入到粒子濾波后，一方面相對于單獨使用粒子濾波減少了粒子樣本數量，另一方面每一幀中跟蹤較為平緩，避免了單獨使用粒子濾波造成跟蹤區域的跳變現象。

4 結 論

本文所提出的目標跟蹤算法，首先采用mean-shift算法進行預跟蹤，粗略的確定目標在新的一幀中出現的位置，然后使用粒子濾波算法進行精確跟蹤。這樣可以減小粒子樣本的數量，縮短了算法的計算量，提高該算法的實時性。針對安防視頻的特點，粒子樣本的特征選擇綜合了視頻場景中目標的灰度信息和紋理信息，可以明顯的區分出前景目標和背景，從而可以很好的適用于安防視頻中的目標跟蹤。

由于本算法來源于智能安防領域中的智能視頻分析項目，而安防特定的應用背景對算法的準確率、漏報率等指標提出了苛刻的要求。因此，該算法將一直不斷的優化。

參考文獻

[1] ISLAM， M.Z. CHIL-WOO Lee.Shape based Moving Object Tracking with Particle Filter[J].Control， Automation and Systems， 2008， Page（s）： 679 682.

[2] ISLAM M Z.，CHI-MIN OH ； CHIL-WOO Lee.Real Time Moving Object Tracking by Particle Filter[J].Computer Science and its Applications， 2008. CSA '08， Page（s）： 347- 352.

[3] TAO ZHANG，SHUMIN FEI，XIAODONG LI，HONG LU.An Improved Particle Filter for Tracking Color Object[J].Intelligent Computation Technology and Automation （ICICTA）， 2008， Page（s）： 109- 113.

[4] 竇琴.智能視頻監控中基于粒子濾波的目標跟蹤系統研究[D].武漢：武漢理工大學 碩士學位論文，2009.

[5] 張穎，王紅娟， 黃義定.基于Meanshift和粒子濾波的行人目標跟蹤方法[J].計算機與現代化， 2012，15（3）：20-26.

[6] 王鑫， 唐振民. 基于特征融合的粒子濾波在紅外小目標跟蹤中的應用[J].中國圖象圖形學報，2010，15（1）：8-12.

[7] 明新勇.基于均值漂移算法和粒子濾波算法的目標跟蹤[D].南京：南京理工大學碩士學位論文，2008.

[8] 李紅波，曾德龍，吳渝.基于Mean-Shift和粒子濾波的兩步多目標跟蹤方法[J].重慶郵電大學學報：自然科學版， 2010，15（2）：30-36.

[9] 邱雙忠.視頻圖像中運動目標跟蹤有關算法的研究[D].武漢：武漢理工大學碩士學位論文，2008.

[10]張長城， 李智明，楊德貴.基于MSPF方法的紅外弱小目標自適應跟蹤算法分析[J].紅外技術， 2007，15（8）：4-8.

[11]查宇飛， 畢篤彥.一種基于粒子濾波的自適應運動目標跟蹤方法[J].電子與信息學報，2007，30（1）：11-16.

常用的紋理特征主要有局部二進制模式（LBP算子）以及梯度幅值特征。下面分別介紹LBP紋理圖和梯度幅值紋理圖的生成過程。

生成一幅LBP紋理圖像的具體過程如下：利用每個像素及其周圍3×3的環形鄰域上的8個像素點構造出一個表征該像素紋理的特征值如式（1）。

LBPp，r=∑p-1p=0s（gp-gc）2p；（1）

其中，gc表示鄰域中心的灰度值，gp（p=0，1，…，p-1）對應著鄰域上的P個等分點的灰度值。s（gp-gc）等于0或1；將得到的結果以中心像素點的右鄰域像素為起始像素按逆時針方向開始計算，給每一項s（gp-gc）賦予二項式因子2p，可以將像素的局部空間紋理結構表示為一個唯一的十進制數，該十進制數被稱為LBP特征值。然后對圖像中的每個像素求LBP特征值，構造一幅圖像的LBP紋理特征圖。

生成梯度幅值圖像的具體過程如下：首先對原始圖像分別采用x方向和y方向，尺寸為3×3的sobel邊緣提取算子生成x、y方向的梯度圖像，然后如公式（2）所示，梯度幅值近似取X方向和Y方向梯度值的絕對值和作為梯度幅值，計算圖像上每一點的梯度幅值生成一幅梯度幅值紋理圖像。

f≈|Gx|+|Gy|（2）

其中，Gx為x方向的梯度，Gy為y方向的梯度。

2.2 MSPF算法流程

Mean-shift算法是一種基于非參數的核密度估計的方法，通過在數據的密度分布中求解局部極值。在本文中，mean-shift算法中像素點的概率密度圖像采用的是色調分量上的反向投影直方圖，搜索窗口采用矩形窗。粒子濾波是一種順序重要性采樣法，通過尋找一組在狀態空間中傳播的隨機樣本來近似的表示概率密度函數。具體做法是將粒子樣本隨機的分布在目標可能出現的區域中，采集各粒子樣本的特征并計算各粒子樣本與目標的相似度，將其作為更新粒子權值的主要依據，然后根據粒子權值進行重要性重采樣，如此反復，迭代結束后計算各粒子權值的加權和作為預測結果。

本文中采用的算法流程如下：

1）手工標定帶有目標的搜索窗口，計算該搜索窗口內的混合特征；

2）在下一幀圖像上，使用矩形窗口的mean-shift算法搜索目標；

3）根據mean-shift算法搜索的目標區域，將粒子點分布在目標區域的周圍。每個粒子都具有它們各自的特征以及加權值，每個粒子都反映著一種可能的目標狀態；

4）采樣與更新粒子權值。比較各粒子樣本特征與目標特征的巴氏距離，并歸一化后作為各粒子的權值；

5）重要性重采樣。根據粒子的權值重新初始化粒子。歸一化后具有非常小的權值的粒子，說明這些粒子和目標偏離較遠，重新分布后，這些粒子所在的區域將被分配更少的粒子。然后重復進行3-5操作；

6）估計目標狀態。估計目標狀態是指通過估計運動目標的狀態參數和粒子狀態參數的加權，加權求和后的狀態參數即為當前幀中目標的狀態；

7）更新目標特征。在新的一幀中提取出目標的混合特征來更新原目標特征。

至此，完成對當前幀的跟蹤。

3 實驗結果分析

本文實驗中采用的操作系統是window xp， 編程語言環境是Microsoft Visual Studio 2005，算法中相關算法模塊來自opencv開源的機器視覺庫。硬件平臺是：奔騰E5800（3.2G），內存2GB。

如圖1中所示，至上而下依次是一副圖像的灰度圖和局部二進制紋理圖以及梯度幅值圖，用紅圈標記出道路上行走的行人作為待跟蹤的目標。從圖1中可以看出，由于背景、光線等原因，目標在灰度圖上幾乎不能分辨，而從LBP圖和梯度幅值圖像中則可以明顯的分辨出來。

圖2中的視頻場景是晚間道路上的監控場景，對比的是在MSPF濾波中使用灰度直方圖特征和混合特征的跟蹤效果。其中左邊的一組圖像是采用單一的灰度圖像直方圖作為目標特征的跟蹤效果，右邊的一組圖像采用混合特征作為目標特征的跟蹤效果。由圖2可以看出，僅僅采用灰度信息跟蹤目標，其跟蹤效果較差，在第86幀以后基本上無法跟蹤目標。而加入了紋理特征后，盡管目標尺寸在變化，混合特征仍然可以代表場景中目標的特征，準確的跟蹤目標。

下圖3是單獨使用粒子濾波算法和mean-shift算法以及MSPF算法的跟蹤效果對比圖。左邊的一組圖是采用粒子濾波算法的跟蹤效果，中間的一組圖是采用mean-shift算法的跟蹤效果，右邊的一組圖是采用MSPF算法的跟蹤效果。

對比第三行圖像，當目標移動到監控區域邊緣時，粒子濾波算法預測的跟蹤區域仍然可以停留在目標最后出現的位置上，而mean-shift算法則對此無能為力。從整體的跟蹤效果來看，將均值漂移算法加入到粒子濾波后，一方面相對于單獨使用粒子濾波減少了粒子樣本數量，另一方面每一幀中跟蹤較為平緩，避免了單獨使用粒子濾波造成跟蹤區域的跳變現象。

4 結 論

本文所提出的目標跟蹤算法，首先采用mean-shift算法進行預跟蹤，粗略的確定目標在新的一幀中出現的位置，然后使用粒子濾波算法進行精確跟蹤。這樣可以減小粒子樣本的數量，縮短了算法的計算量，提高該算法的實時性。針對安防視頻的特點，粒子樣本的特征選擇綜合了視頻場景中目標的灰度信息和紋理信息，可以明顯的區分出前景目標和背景，從而可以很好的適用于安防視頻中的目標跟蹤。

由于本算法來源于智能安防領域中的智能視頻分析項目，而安防特定的應用背景對算法的準確率、漏報率等指標提出了苛刻的要求。因此，該算法將一直不斷的優化。

參考文獻

[1] ISLAM， M.Z. CHIL-WOO Lee.Shape based Moving Object Tracking with Particle Filter[J].Control， Automation and Systems， 2008， Page（s）： 679 682.

[2] ISLAM M Z.，CHI-MIN OH ； CHIL-WOO Lee.Real Time Moving Object Tracking by Particle Filter[J].Computer Science and its Applications， 2008. CSA '08， Page（s）： 347- 352.

[3] TAO ZHANG，SHUMIN FEI，XIAODONG LI，HONG LU.An Improved Particle Filter for Tracking Color Object[J].Intelligent Computation Technology and Automation （ICICTA）， 2008， Page（s）： 109- 113.

[4] 竇琴.智能視頻監控中基于粒子濾波的目標跟蹤系統研究[D].武漢：武漢理工大學 碩士學位論文，2009.

[5] 張穎，王紅娟， 黃義定.基于Meanshift和粒子濾波的行人目標跟蹤方法[J].計算機與現代化， 2012，15（3）：20-26.

[6] 王鑫， 唐振民. 基于特征融合的粒子濾波在紅外小目標跟蹤中的應用[J].中國圖象圖形學報，2010，15（1）：8-12.

[7] 明新勇.基于均值漂移算法和粒子濾波算法的目標跟蹤[D].南京：南京理工大學碩士學位論文，2008.

[8] 李紅波，曾德龍，吳渝.基于Mean-Shift和粒子濾波的兩步多目標跟蹤方法[J].重慶郵電大學學報：自然科學版， 2010，15（2）：30-36.

[9] 邱雙忠.視頻圖像中運動目標跟蹤有關算法的研究[D].武漢：武漢理工大學碩士學位論文，2008.

[10]張長城， 李智明，楊德貴.基于MSPF方法的紅外弱小目標自適應跟蹤算法分析[J].紅外技術， 2007，15（8）：4-8.

[11]查宇飛， 畢篤彥.一種基于粒子濾波的自適應運動目標跟蹤方法[J].電子與信息學報，2007，30（1）：11-16.

常用的紋理特征主要有局部二進制模式（LBP算子）以及梯度幅值特征。下面分別介紹LBP紋理圖和梯度幅值紋理圖的生成過程。

生成一幅LBP紋理圖像的具體過程如下：利用每個像素及其周圍3×3的環形鄰域上的8個像素點構造出一個表征該像素紋理的特征值如式（1）。

LBPp，r=∑p-1p=0s（gp-gc）2p；（1）

其中，gc表示鄰域中心的灰度值，gp（p=0，1，…，p-1）對應著鄰域上的P個等分點的灰度值。s（gp-gc）等于0或1；將得到的結果以中心像素點的右鄰域像素為起始像素按逆時針方向開始計算，給每一項s（gp-gc）賦予二項式因子2p，可以將像素的局部空間紋理結構表示為一個唯一的十進制數，該十進制數被稱為LBP特征值。然后對圖像中的每個像素求LBP特征值，構造一幅圖像的LBP紋理特征圖。

生成梯度幅值圖像的具體過程如下：首先對原始圖像分別采用x方向和y方向，尺寸為3×3的sobel邊緣提取算子生成x、y方向的梯度圖像，然后如公式（2）所示，梯度幅值近似取X方向和Y方向梯度值的絕對值和作為梯度幅值，計算圖像上每一點的梯度幅值生成一幅梯度幅值紋理圖像。

f≈|Gx|+|Gy|（2）

其中，Gx為x方向的梯度，Gy為y方向的梯度。

2.2 MSPF算法流程

Mean-shift算法是一種基于非參數的核密度估計的方法，通過在數據的密度分布中求解局部極值。在本文中，mean-shift算法中像素點的概率密度圖像采用的是色調分量上的反向投影直方圖，搜索窗口采用矩形窗。粒子濾波是一種順序重要性采樣法，通過尋找一組在狀態空間中傳播的隨機樣本來近似的表示概率密度函數。具體做法是將粒子樣本隨機的分布在目標可能出現的區域中，采集各粒子樣本的特征并計算各粒子樣本與目標的相似度，將其作為更新粒子權值的主要依據，然后根據粒子權值進行重要性重采樣，如此反復，迭代結束后計算各粒子權值的加權和作為預測結果。

本文中采用的算法流程如下：

1）手工標定帶有目標的搜索窗口，計算該搜索窗口內的混合特征；

2）在下一幀圖像上，使用矩形窗口的mean-shift算法搜索目標；

3）根據mean-shift算法搜索的目標區域，將粒子點分布在目標區域的周圍。每個粒子都具有它們各自的特征以及加權值，每個粒子都反映著一種可能的目標狀態；

4）采樣與更新粒子權值。比較各粒子樣本特征與目標特征的巴氏距離，并歸一化后作為各粒子的權值；

5）重要性重采樣。根據粒子的權值重新初始化粒子。歸一化后具有非常小的權值的粒子，說明這些粒子和目標偏離較遠，重新分布后，這些粒子所在的區域將被分配更少的粒子。然后重復進行3-5操作；

6）估計目標狀態。估計目標狀態是指通過估計運動目標的狀態參數和粒子狀態參數的加權，加權求和后的狀態參數即為當前幀中目標的狀態；

7）更新目標特征。在新的一幀中提取出目標的混合特征來更新原目標特征。

至此，完成對當前幀的跟蹤。

3 實驗結果分析

本文實驗中采用的操作系統是window xp， 編程語言環境是Microsoft Visual Studio 2005，算法中相關算法模塊來自opencv開源的機器視覺庫。硬件平臺是：奔騰E5800（3.2G），內存2GB。

如圖1中所示，至上而下依次是一副圖像的灰度圖和局部二進制紋理圖以及梯度幅值圖，用紅圈標記出道路上行走的行人作為待跟蹤的目標。從圖1中可以看出，由于背景、光線等原因，目標在灰度圖上幾乎不能分辨，而從LBP圖和梯度幅值圖像中則可以明顯的分辨出來。

圖2中的視頻場景是晚間道路上的監控場景，對比的是在MSPF濾波中使用灰度直方圖特征和混合特征的跟蹤效果。其中左邊的一組圖像是采用單一的灰度圖像直方圖作為目標特征的跟蹤效果，右邊的一組圖像采用混合特征作為目標特征的跟蹤效果。由圖2可以看出，僅僅采用灰度信息跟蹤目標，其跟蹤效果較差，在第86幀以后基本上無法跟蹤目標。而加入了紋理特征后，盡管目標尺寸在變化，混合特征仍然可以代表場景中目標的特征，準確的跟蹤目標。

下圖3是單獨使用粒子濾波算法和mean-shift算法以及MSPF算法的跟蹤效果對比圖。左邊的一組圖是采用粒子濾波算法的跟蹤效果，中間的一組圖是采用mean-shift算法的跟蹤效果，右邊的一組圖是采用MSPF算法的跟蹤效果。

對比第三行圖像，當目標移動到監控區域邊緣時，粒子濾波算法預測的跟蹤區域仍然可以停留在目標最后出現的位置上，而mean-shift算法則對此無能為力。從整體的跟蹤效果來看，將均值漂移算法加入到粒子濾波后，一方面相對于單獨使用粒子濾波減少了粒子樣本數量，另一方面每一幀中跟蹤較為平緩，避免了單獨使用粒子濾波造成跟蹤區域的跳變現象。

4 結 論

本文所提出的目標跟蹤算法，首先采用mean-shift算法進行預跟蹤，粗略的確定目標在新的一幀中出現的位置，然后使用粒子濾波算法進行精確跟蹤。這樣可以減小粒子樣本的數量，縮短了算法的計算量，提高該算法的實時性。針對安防視頻的特點，粒子樣本的特征選擇綜合了視頻場景中目標的灰度信息和紋理信息，可以明顯的區分出前景目標和背景，從而可以很好的適用于安防視頻中的目標跟蹤。

由于本算法來源于智能安防領域中的智能視頻分析項目，而安防特定的應用背景對算法的準確率、漏報率等指標提出了苛刻的要求。因此，該算法將一直不斷的優化。

參考文獻

[1] ISLAM， M.Z. CHIL-WOO Lee.Shape based Moving Object Tracking with Particle Filter[J].Control， Automation and Systems， 2008， Page（s）： 679 682.

[2] ISLAM M Z.，CHI-MIN OH ； CHIL-WOO Lee.Real Time Moving Object Tracking by Particle Filter[J].Computer Science and its Applications， 2008. CSA '08， Page（s）： 347- 352.

[3] TAO ZHANG，SHUMIN FEI，XIAODONG LI，HONG LU.An Improved Particle Filter for Tracking Color Object[J].Intelligent Computation Technology and Automation （ICICTA）， 2008， Page（s）： 109- 113.

[4] 竇琴.智能視頻監控中基于粒子濾波的目標跟蹤系統研究[D].武漢：武漢理工大學 碩士學位論文，2009.

[5] 張穎，王紅娟， 黃義定.基于Meanshift和粒子濾波的行人目標跟蹤方法[J].計算機與現代化， 2012，15（3）：20-26.

[6] 王鑫， 唐振民. 基于特征融合的粒子濾波在紅外小目標跟蹤中的應用[J].中國圖象圖形學報，2010，15（1）：8-12.

[7] 明新勇.基于均值漂移算法和粒子濾波算法的目標跟蹤[D].南京：南京理工大學碩士學位論文，2008.

[8] 李紅波，曾德龍，吳渝.基于Mean-Shift和粒子濾波的兩步多目標跟蹤方法[J].重慶郵電大學學報：自然科學版， 2010，15（2）：30-36.

[9] 邱雙忠.視頻圖像中運動目標跟蹤有關算法的研究[D].武漢：武漢理工大學碩士學位論文，2008.

[10]張長城， 李智明，楊德貴.基于MSPF方法的紅外弱小目標自適應跟蹤算法分析[J].紅外技術， 2007，15（8）：4-8.

[11]查宇飛， 畢篤彥.一種基于粒子濾波的自適應運動目標跟蹤方法[J].電子與信息學報，2007，30（1）：11-16.