基于粒子Mean Shift遷移的紅外人體目標(biāo)跟蹤算法

基于粒子ＭｅａnShift遷移的紅外人體目標(biāo)跟蹤算法本文受教育部科研重點(diǎn)項(xiàng)目基金資助，項(xiàng)目編號(hào)：108174本文受教育部科研重點(diǎn)項(xiàng)目基金資助，項(xiàng)目編號(hào)：108174云廷進(jìn)郭永彩高潮(重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室,重慶，400０30)摘要：提出一種基于粒子MｅanShift遷移過程的紅外人體跟蹤方法。算法通過采樣粒子遷移和聚類動(dòng)態(tài)建立目標(biāo)的狀態(tài)模型和量測(cè)模型。在被跟蹤區(qū)域隨機(jī)布撒粒子，以各粒子對(duì)應(yīng)像素的亮度作為特征值進(jìn)行MeanShift收斂性分析，使用收斂后的粒子集表達(dá)目標(biāo)的當(dāng)前狀態(tài)；以狀態(tài)粒子的坐標(biāo)位置為特征值對(duì)其進(jìn)行MｅａnSｈift聚類,作為對(duì)目標(biāo)的量測(cè)。連續(xù)跟蹤時(shí),下一幀的采樣粒子基于上一幀的量測(cè)結(jié)果產(chǎn)生。與傳統(tǒng)的基于序貫重要性采樣的粒子濾波方法相比，算法不需要目標(biāo)的相似性測(cè)度計(jì)算，僅用少數(shù)粒子即可實(shí)現(xiàn)對(duì)目標(biāo)的可靠跟蹤。關(guān)鍵詞：粒子遷移人體跟蹤紅外圖像MeaｎSｈift粒子濾波引言紅外圖像中人體目標(biāo)的跟蹤困難主要來自兩個(gè)方面：一是人體目標(biāo)的自身特征，由于人體是非剛體目標(biāo)，姿態(tài)多樣，大小不一,而且運(yùn)動(dòng)狀態(tài)復(fù)雜多變,具有高度的隨意性，沒有固定的運(yùn)動(dòng)規(guī)律,無法建立完善的運(yùn)動(dòng)模型表達(dá)形式;二是紅外圖像是灰度圖像，沒有色彩信息,紋理細(xì)節(jié)很少，使得目標(biāo)跟蹤可用的特征值較少。傳統(tǒng)的跟蹤方法如光流法是基于剛體運(yùn)動(dòng)目標(biāo)，對(duì)于非剛體目標(biāo)的跟蹤受到限制[1]，用于人體目標(biāo)跟蹤時(shí)必須與其它特征相結(jié)合才能完成[2][3];卡爾曼濾波及其擴(kuò)展形式等是基于線性／高斯動(dòng)態(tài)系統(tǒng),需要對(duì)目標(biāo)的運(yùn)動(dòng)特征進(jìn)行假設(shè),建立目標(biāo)運(yùn)動(dòng)模型[4］，如CP,ＣA，CV等模型,因此使其在應(yīng)用于人體目標(biāo)跟蹤時(shí)受到一些限制。目前，用于人體目標(biāo)跟蹤的比較可行的算法是采用貝葉斯濾波跟蹤的形式［5]，粒子濾波作為貝葉斯濾波的最優(yōu)近似,適用于任意非線性非Gaｕss的隨機(jī)系統(tǒng)，適合于人體目標(biāo)的跟蹤［６][7]。粒子濾波是基于仿真的統(tǒng)計(jì)濾波方法,需要采用大量的隨機(jī)樣本粒子來估計(jì)，使得運(yùn)算量很大，此外還非常依賴于相似函數(shù)的選擇,并面臨粒子退化和粒子枯竭的問題。近年來MeaｎSｈift算法［7]作為一種有效的統(tǒng)計(jì)迭代算法，在滿足一定條件下,可快速收斂到最近的一個(gè)概率密度函數(shù)的穩(wěn)態(tài)點(diǎn)而不需要任何先驗(yàn)知識(shí),實(shí)現(xiàn)非參數(shù)概率密度的估計(jì)，在人體等非剛體目標(biāo)跟蹤中得到了很好的應(yīng)用[8]［9][10]。但由于MｅanShiｆｔ跟蹤方案需要使用目標(biāo)的色彩空間分布作為特征值，使用跟蹤區(qū)域的顏色直方圖的Bhatｔａchａｒｙya系數(shù)進(jìn)行相似性分析,對(duì)于紅外人體目標(biāo)來說,丟失了色彩信息,而且目標(biāo)間的灰度特征都很接近，很難通過顏色直方圖的Ｂhａt(yī)tacｈaｒyｙａ系數(shù)進(jìn)行匹配，傳統(tǒng)的基于顏色的MeanShifｔ算法不能適用于此類跟蹤任務(wù)。本文基于粒子濾波的思想，結(jié)合MeaｎSｈifｔ算法非參數(shù)概率密度估計(jì)的優(yōu)點(diǎn),使用MeａnShifｔ方法對(duì)粒子進(jìn)行收斂性分析,使用達(dá)到穩(wěn)定態(tài)的傳播粒子對(duì)目標(biāo)的狀態(tài)進(jìn)行動(dòng)態(tài)建模，由此,在不需要知道目標(biāo)模型先驗(yàn)知識(shí)的基礎(chǔ)上，不依賴于相似函數(shù),與粒子濾波算法相比，克服了粒子退化及粒子耗盡的問題，僅用少數(shù)的粒子即可實(shí)現(xiàn)對(duì)人體目標(biāo)進(jìn)行可靠跟蹤,降低了運(yùn)算量。1ＭeａｎShift方法的簡(jiǎn)介圖１MｅaｎＳhift迭代過程Ｆig.1TheｉteｒatiｖeproｃeｓｓｏｆMeanShiftalgｏrｉthｍ給定離散特征點(diǎn)集,核函數(shù),則在點(diǎn)處的概率密度估計(jì)為：(1）事實(shí)上，在實(shí)際計(jì)算時(shí)，我們可以通過計(jì)算概率密度估計(jì)的梯度（2)通過沿著特征空間內(nèi)樣本點(diǎn)密度梯度方向進(jìn)行反復(fù)迭代搜索，使各樣本點(diǎn)最終收斂于臨近的局部密度極大點(diǎn)。一般的，核函數(shù)采用(3)的形式,為歸一化系數(shù)，為核函數(shù)半徑。常用的核函數(shù)有[８]等幾種形式。令，則(4)代入上式(5)定義(６)為ＭｅaｎSｈift向量,則的方向與概率密度估計(jì)函數(shù)的梯度方向一致。對(duì)樣本集中的特征點(diǎn)按(7）反復(fù)進(jìn)行遞推迭代,當(dāng)不再變化時(shí)，即時(shí),則收斂于概率密度函數(shù)的局部極大值。通常，我們可以放松收斂條件，當(dāng)小于一定閾值時(shí),即可認(rèn)為收斂過程完成。2跟蹤模型的建立２.１狀態(tài)模型跟蹤模型分為兩個(gè)部分:狀態(tài)模型和量測(cè)模型。假定初始目標(biāo)所在的區(qū)域在圖像中的位置為，對(duì)于較小目標(biāo)，目標(biāo)區(qū)域每個(gè)像素放置一個(gè)粒子；對(duì)于較大的目標(biāo)，在目標(biāo)區(qū)域按一定概率密度布撒M個(gè)隨機(jī)粒子，相當(dāng)于對(duì)目標(biāo)的灰度分布進(jìn)行抽樣采樣,樣本數(shù)為M,降低計(jì)算量。記采樣粒子集合,對(duì)每個(gè)粒子使用其所在圖像位置的灰度值作為特征值,使用Unｉｆorm核函數(shù),進(jìn)行MeanShift收斂分析。粒子在兩軸向上MeａnShift向量(８）式中、分別為所用核函數(shù)的帶寬。之所以采用Uniｆoｒｍ核，是因?yàn)閷?duì)于較大的目標(biāo)圖像可以通過積分圖像加速M(fèi)eａnShifｔ算法的執(zhí)行[１１］。當(dāng)小于設(shè)定閾值時(shí),記錄收斂位置。由于紅外圖像中人體目標(biāo)的亮度比背景亮度要高，由MeanShift算法的收斂特性可知,所有的粒子都向附近灰度概率密度函數(shù)的局部極大值遷移,即由背景向圖像中的人體目標(biāo)亮度較高的位置移動(dòng)。各粒子的最終收斂位置由目標(biāo)的灰度分布和所選取的帶寬函數(shù)決定。假定所有粒子的最終收斂位置集合為,即目標(biāo)的灰度密度函數(shù)的局部極大值所在位置可以用個(gè)粒子進(jìn)行表達(dá)。當(dāng)選取合理的帶寬函數(shù)時(shí)，粒子最終收斂位置并不完全依賴于目標(biāo)的外形輪廓,使用這種狀態(tài)模型,當(dāng)目標(biāo)局部被背景遮擋時(shí)，狀態(tài)模型仍然有效，只是對(duì)目標(biāo)整體狀態(tài)的刻畫轉(zhuǎn)化為對(duì)目標(biāo)局部狀態(tài)的刻畫，對(duì)跟蹤而言,只是由目標(biāo)整體跟蹤轉(zhuǎn)化為局部跟蹤，對(duì)于人體等非剛體目標(biāo)具有非常好的魯棒性。2.２量測(cè)模型對(duì)于目標(biāo)狀態(tài)的量測(cè)通過對(duì)表達(dá)目標(biāo)狀態(tài)的所有粒子的聚類分析實(shí)現(xiàn)。假定狀態(tài)粒子集中第個(gè)粒子在圖像中的坐標(biāo)位置可以用復(fù)數(shù)向量表示，以作為特征值進(jìn)行MeaｎShift非監(jiān)督聚類，對(duì)應(yīng)的ＭeanShift向量為：(9）由于粒子的坐標(biāo)位置為整數(shù)，故當(dāng)?shù)慕^對(duì)值取整數(shù)為零時(shí)，即可認(rèn)為聚類過程完成。假定第個(gè)量測(cè)粒子的收斂位置和包含的粒子數(shù)目為,則該量測(cè)粒子相對(duì)于圖像的絕對(duì)坐標(biāo)值為。各粒子量測(cè)值的權(quán)重系數(shù)由其對(duì)應(yīng)類別所包含的粒子數(shù)目歸一化決定：（１０）式中L為聚類完成后得到量測(cè)粒子總數(shù)，使用所有量測(cè)粒子坐標(biāo)位置的加權(quán)平均值作為運(yùn)動(dòng)軌跡點(diǎn)坐標(biāo)位置:(11)圖２為實(shí)現(xiàn)跟蹤模型建立的實(shí)例。(a）目標(biāo)圖像（ｂ）狀態(tài)模型（c)量測(cè)模型(d)權(quán)系數(shù)及加權(quán)中心圖2跟蹤模型的建立Fig.2Eｓtａｂｌiｓhingmodelsfortｒackｉng3目標(biāo)跟蹤的實(shí)現(xiàn)3．１算法的執(zhí)行過程在介紹算法的實(shí)現(xiàn)方案之前,首先介紹一下粒子濾波的思想方法,關(guān)于粒子濾波的更多理論和方案請(qǐng)參見相關(guān)文獻(xiàn)[１2]。粒子濾波的基本思想是在基于大量的量測(cè)的基礎(chǔ)上，通過一組加權(quán)粒子的演化與傳播來遞推近似狀態(tài)的后驗(yàn)概率密度函數(shù)分布，基于這些樣本和權(quán)值來計(jì)算估計(jì)值。概括開來，粒子濾波主要步驟有:（1）粒子采樣，產(chǎn)生隨機(jī)量測(cè)粒子（2）權(quán)系數(shù)更新（３）相似性特征的計(jì)算。與粒子濾波策略類似,使用本文模型實(shí)現(xiàn)目標(biāo)跟蹤分為以下步驟：（１）跟蹤初始化,根據(jù)目標(biāo)分割識(shí)別算法或手工確定的目標(biāo)所在區(qū)域,按照本文的模型建立方法,建立目標(biāo)的狀態(tài)模型和量測(cè)模型，存儲(chǔ)量測(cè)粒子的坐標(biāo)位置和相應(yīng)權(quán)系數(shù)。(2)在下一幀圖像中，以上一幀圖像的量測(cè)粒子為基礎(chǔ),對(duì)各粒子周邊一定范圍內(nèi)的像素進(jìn)行MonteCarｌo采樣,采樣的粒子的數(shù)目由其傳播系數(shù)決定，使用所有的無重復(fù)采樣粒子作為本幀圖像中的傳播粒子。（3）對(duì)本幀圖像中的傳播粒子進(jìn)行MeaｎSｈift分析，產(chǎn)生目標(biāo)新的狀態(tài)模型,并計(jì)算相應(yīng)的量測(cè)模型和加權(quán)中心及對(duì)應(yīng)粒子的傳播系數(shù),傳遞至下一幀圖像。反復(fù)執(zhí)行步驟（2）(3），并計(jì)算各幀圖像中的目標(biāo)運(yùn)動(dòng)軌跡坐標(biāo)，實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。3.2傳播粒子的產(chǎn)生控制傳播粒子的采樣控制直接影響到跟蹤算法的性能。由于傳播粒子的位置根據(jù)上一幀的量測(cè)粒子確定，每個(gè)量測(cè)粒子的權(quán)系數(shù)控制其在下一幀中產(chǎn)生傳播粒子的數(shù)目。若量測(cè)粒子具有較大的權(quán)系數(shù)，則布撒較多的粒子，對(duì)周圍區(qū)域進(jìn)行比較稠密的采樣，通過粒子的MeaｎSｈift遷移盡可能刻畫出下一幀圖像中該粒子周圍的狀態(tài)模式。以量測(cè)粒子為例,所產(chǎn)生的傳播粒子集為：(12）式中為采樣區(qū)域控制范圍,決定了探測(cè)窗口的大小,由當(dāng)前量測(cè)粒子與其最鄰近的量測(cè)粒子之間的距離決定，并使用目標(biāo)的大小進(jìn)行寬松的約束。為目標(biāo)在兩軸方向上的單步移動(dòng)距離估計(jì),Ｍ為產(chǎn)生粒子的數(shù)目。對(duì)于連續(xù)的圖像序列，針對(duì)人體目標(biāo)跟蹤而言,前后兩幀圖像中目標(biāo)位移距離不會(huì)太大，可不考慮；對(duì)于等間隔不連續(xù)的圖像序列,可設(shè)為固定值;在更復(fù)雜的無法估計(jì)的情況下，可采用Ｋaｌman濾波的方法，估計(jì)上一幀圖像中量測(cè)粒子在當(dāng)前幀中的位置取代作為粒子采樣的中心位置。3.３量測(cè)粒子傳播系數(shù)分配策略及無效量測(cè)粒子的剔除如前所述,量測(cè)粒子的權(quán)中系數(shù)的主要作用有兩個(gè):一是用于計(jì)算當(dāng)前幀圖像中加權(quán)中心的位置（運(yùn)動(dòng)軌跡），二是決定下一幀圖像中傳播粒子的數(shù)目。在假定目標(biāo)運(yùn)動(dòng)連續(xù)性的基礎(chǔ)上,我們可以認(rèn)為前后兩幀圖像中目標(biāo)的加權(quán)中心位置偏移不會(huì)太大。因此，為使得跟蹤軌跡的位置保持相對(duì)穩(wěn)定,我們對(duì)量測(cè)粒子的傳播系數(shù)分配在其對(duì)應(yīng)權(quán)系數(shù)的基礎(chǔ)上進(jìn)行了修訂,賦給上一幀量測(cè)粒子加權(quán)中心位置的粒子更大的權(quán)系數(shù)，對(duì)遠(yuǎn)離加權(quán)位置的量測(cè)粒子，由于其對(duì)加權(quán)中心的計(jì)算貢獻(xiàn)較小，因此粒子權(quán)系數(shù)也較小，對(duì)其傳播系數(shù)進(jìn)行抑制。比較可靠的方法是直接將量測(cè)粒子加權(quán)中心位置作為一個(gè)新的量測(cè)粒子并賦予較大的傳播系數(shù)，剩余的權(quán)系數(shù)按照其與加權(quán)中心的距離的倒數(shù)進(jìn)行分配。假定量測(cè)加權(quán)中心位置坐標(biāo)為，量測(cè)粒子,則權(quán)系數(shù)的分配規(guī)則可為(１3)式中為距離函數(shù)。一般情況下,取值可設(shè)置在０.3~０.7范圍內(nèi),當(dāng)目標(biāo)較小時(shí),我們甚至不需要考慮其余的量測(cè)粒子,將全部的系數(shù)權(quán)值都分配給處于加權(quán)中心位置的量測(cè)粒子,即。由于傳播粒子產(chǎn)生的隨機(jī)性及目標(biāo)的位移,因此基于上一幀圖像中對(duì)目標(biāo)的量測(cè)產(chǎn)生的傳播粒子在當(dāng)前幀完成MｅanＳhift遷移過程后,難免有的量測(cè)粒子游離于目標(biāo)之外，需要根據(jù)一定的參量將這些量測(cè)粒子剔除。一般的在假定目標(biāo)亮度比較均一且高于背景亮度的前提下，可以采用量測(cè)粒子所在位置的像素的灰度值作為測(cè)度，采用P－tile算法確定有效量測(cè)粒子對(duì)應(yīng)的灰度閾值,將低于這一閾值的量測(cè)粒子作為無效粒子進(jìn)行剔除,避免其在下一幀圖像中進(jìn)行傳播,使得跟蹤更加可靠并降低計(jì)算量。４實(shí)驗(yàn)結(jié)果及結(jié)論我們選取一個(gè)典型的視頻序列作為測(cè)試對(duì)象,以檢驗(yàn)算法的有效性。測(cè)試的紅外視頻來自Youｔube網(wǎng)站獲得該序列對(duì)應(yīng)的原始視頻請(qǐng)?jiān)L問：/watch?v=9fx7_D0E7zg，在這段視頻中，人體目標(biāo)的姿態(tài)包括半蹲、爬行、匍匐、站立、下蹲、被背景遮擋等各種復(fù)雜狀態(tài)的運(yùn)動(dòng),并且攝像機(jī)視場(chǎng)也在變化。將視頻分解為55０幀連續(xù)圖像序列，用于測(cè)試本文的算法，初始化探測(cè)窗口可手工選定,也可通過人體檢測(cè)算法確定。由于視頻背景內(nèi)容隨攝像機(jī)的移動(dòng)而改變，運(yùn)動(dòng)軌跡沒有固定的參照系而失去意義,因此未畫出目標(biāo)運(yùn)動(dòng)的軌跡。獲得該序列對(duì)應(yīng)的原始視頻請(qǐng)?jiān)L問：/watch?v=9fx7_D0E7zg第175第175幀第110幀第第210幀第第252幀第383第383幀第288幀第441第441幀第415幀第537第537幀第520幀圖3圖像序列跟蹤測(cè)試結(jié)果Ｆｉg．3Ｉmａgeｓeｑuｅｎcｅtｒaｃkｉngｒｅｓｕｌts從測(cè)試結(jié)果可以看出,本文算法對(duì)相機(jī)運(yùn)動(dòng)、目標(biāo)大小改變、姿態(tài)變化以及目標(biāo)遮擋時(shí)都能夠保持可靠的跟蹤。由于紅外圖像中人體頭部的亮度較高，使用少量隨機(jī)采樣粒子集未將目標(biāo)完全覆蓋的情況下,采用圖像亮度作為特征值的ＭeanShifｔ收斂過程使得目標(biāo)狀態(tài)模型粒子集向目標(biāo)頭部遷移,因此對(duì)本序列中人體目標(biāo)而言，跟蹤標(biāo)記的位置最終穩(wěn)定到頭部附近。與傳統(tǒng)的粒子濾波算法（序貫重要性采樣法)相比，采用本文提出的跟蹤模型方法簡(jiǎn)單，便于執(zhí)行,而且只需要少量的粒子即可以完成對(duì)目標(biāo)的可靠跟蹤，算法的實(shí)時(shí)性非常好，克服了傳統(tǒng)粒子濾波因防止粒子退化和粒子枯竭現(xiàn)象而不得不采用大量采樣粒子的缺陷,并且消除了選擇相似函數(shù)帶來的困擾。另外，由于粒子產(chǎn)生機(jī)制的靈活性,算法可以在對(duì)目標(biāo)整體進(jìn)行跟蹤和對(duì)目標(biāo)身體的某個(gè)部分進(jìn)行跟蹤的過程自動(dòng)轉(zhuǎn)換,當(dāng)目標(biāo)身體被遮擋時(shí)仍能夠?qū)δ繕?biāo)進(jìn)行可靠跟蹤，使得算法更具有魯棒性。注意到由于隨機(jī)采樣粒子是基于每個(gè)目標(biāo)產(chǎn)生，因此在多目標(biāo)跟蹤時(shí)，為解決新目標(biāo)的出現(xiàn)時(shí)的跟蹤問題，需要采用跟蹤與探測(cè)相結(jié)合的方案,并引入有限狀態(tài)機(jī)技術(shù),對(duì)目標(biāo)的復(fù)雜狀態(tài)(如目標(biāo)互相遮擋、目標(biāo)隱藏、目標(biāo)消失等）進(jìn)行處理。在下一步工作中，研究的重點(diǎn)是如何更好地控制傳播粒子的產(chǎn)生范圍和淘汰粒子時(shí)所依據(jù)參量的選擇，并研究多目標(biāo)跟蹤時(shí)，目標(biāo)相交分離后粒子的重新分配方法以及前后目標(biāo)匹配的方案。參考文獻(xiàn)[１]ＤouglasDｅCarloａndDｉmitrisMetaxａs．Opticalflｏｗconstｒaintsonｄefｏｒｍablemodelswithapｐｌｉcatioｎｓtｏfacｅtｒackｉｎg.InｔｅｒｎaｔionａlJourｎalｏfCoｍputerVisｉon,２000,3８(２):99－127.[2]YamaｎｅT..Shiraｉ,Y..Miura,J.．Persontrackingbyiｎtegｒatingopticalfｌoｗandｕｎｉｆoｒmbrightnｅsｓregioｎｓ.／/IＥＥEInｔｅrｎatioｎａlConｆerenceonRoboticsaｎｄAutomatｉon,Piscａt(yī)away，199８.IEEEComｐuterＳociety,１９98:3267–3２７2.［３]ＯkaｄaR.,ShiraiＹ．,MiuraJ.．Ｔrａｃkingapersoｎwiｔｈ３-dｍｏtｉoｎbyintegrａt(yī)ｉngopticaｌｆｌｏwanｄｄepth．//TheFourtｈIEEEInternatioｎａlCoｎfｅrｅnceｏnＡutｏmatiｃFａcｅａｎdＧesturｅＲecognitｉon,Ｇreｎｏblｅ,Ｆrancｅ,2０0０．IEEＥ,[4］KｅｌlyＤａmien,BoｌandFraｎk.Motionmodｅｌｓｅｌｅctionintrackiｎghｕmａns．//ＴhｅProceedｉｎｇｓofthｅIrishSignalsanｄSyｓtemｓConferｅｎｃe,Dublｉn,Ireｌａｎd,２０06.ＩEＴ,[5]DａnielRｏｔh，PｅtrＤｏubeｋandＬｕcＶanGoｏl.Ｂaｙesiａnpixelclassificａt(yī)ionｆorhｕｍａｎtrackiｎｇ.//ＩEEＥWorkshopｏnMotiｏnandVideoCｏmpuｔiｎg(WACV/MOTIOＮ＇0５),Waｓhiｎgｔon，DC,USA,2005.IEＥECoｍputerSocieｔｙ,[6］Okｕmａ,Kenji.AliTalｅghani．NaｎdoｄｅFｒeiｔas．JaｍｅｓＪ.Little.andDavｉdG.Lowe.Aboｏsｔｅｄparticlefiｌｔer：mｕltitargetdetecｔｉoｎandｔraｃkinｇ．/／InProｃeeｄｉngｓｏfECCＶ2０04,Pｒaｇuｅ,CzecｈRepｕbliｃ，２００４.ｖｏlｕme3021oｆＬN(yùn)ＣS,Ｓpringer,［７]NummｉａroＫ.,Ｋollｅr-MeieE.andＶan-GooｌＬ..Anａdaptｉｖｅcolor-basedｐａrｔｉｃlｅfilｔeｒ，Iｎternａt(yī)ionalＪoｕrnalofImageandVｉｓiｏｎCompuｔiｎg,２０03,21(1):99-１10．［8]CoｍaniciuD．ａndMeerP.．Meanshift:arobustapproachtｏwarｄfeatuｒesｐaceanaｌｙｓis.ＩEEEＴransａctionsonPatternAnalysisａndMａchineIｎｔelliｇencｅ,2002,２４(5):6０3-619．[9]ComanicｉuD.,RamesｈＶ.ａndMeeｒP.．Real-timeｔｒａｃｋiｎgofnｏｎ－rigidobjecｔsｕsingmeansｈiｆt.//ＩEＥＥCｏnfereｎceｏnComputｅrVisionandPａt(yī)teｒnRｅcogｎiｔiｏｎ,HｉｌtｏnHeadIｓlａｎd，SC,USA［10]CｏmanicｉuD.,RaｍeshＶ.andＭeerP．.Kerneｌ-ｂａsedoｂjecttrａcking.IEＥETraｎｓaｃtiｏnoｎPaｔternAnalysisａnｄMachｉneIntelligｅnce,2003,25（5):５64－-575.[１1]BeleｚnaiＣ..FruhｓtuckB.．BisｃhｏfH..Humandｅtecｔiｏniｎgｒoupsusiｎｇaｆａｓtｍeanｓhifｔｐroｃｅdｕre．／/Ｉｎterｎａt(yī)iｏnaｌConfeｒｅｎｃeonIｍageProcessｉng,Singapoｒe,2004(IＣIP'0４）．IEＥE，20０４:349-35２［12]AruｌａmｐalamS.，MaskｅllＳ.，GorｄonＮ.，CｌａppT..ATｕtoｒialonPartｉｃleFｉltersforOn-ＬineＮｏn－Ｌｉneａｒ/Non-GaussｉanBａyｅsｉanＴrackｉng．IEEETraｎsactionsonSiｇnalProcｅssing,200２,５0(2):174-189HumanTrackinginInｆrareｄIｍａgｅsbａseｄonParticlｅsMｅan-ＳhiftMiｇraｔionＡlgoｒitｈmYUNTｉng-jinGUOYｏng-ｃaiＧAＯＣhao(KeyLaｂorａt(yī)oｒｙofOptoelecｔronicTeｃｈnoｌogyanｄSystemsofｔｈeEduｃationMiniｓtryofCｈiｎa,ChongqinｇUｎiｖersity，Chongqing,40００30，Ｃhina)Abｓtract:Anovｅｌｍｅthoｄbａｓeｄonparticleｓmeanshiftmigｒationpｒocessfｏrｈumaｎtrackｉnginｉｎfrａreｄｉｍaｇesispｒoposedｉｎｔｈispａｐer.Referencetotｈebaｓicparｔiclefilteringｍｅtｈod,thｅｃoｒeiｄｅaoｆｔhisａlgorithｍiｓtoｅstablｉshtheobject’ｓstateｍodelandmeasurementmodeldynamicａｌlybｙthemｉgratｉngaｎｄclusterｉngofｒandｏｍｓａｍpliｎgpaｒtｉclｅｓ.Theｓamplingparticlesareｐｌacedonthｅtrａckiｎgwindowrａｎｄomlyandameansｈiftconvergeｐrocessisimplementedbytakｉngｔhepａｒｔiｃle’ｓcoｒresｐondｉｎgpiｘeｌs’iｎｔensiｔyaｓfeatｕｒe.Theobｊect’ｓｓｔａt(yī)emｏｄeｌisexpressedbytｈecoｎveｒgenｔpａrtｉｃｌesｅtｓ.Tｈen，anoｔherｍeaｎｓhiftclusterｉｎgprｏｃessiscaｒｒiedoutoｎthepａrticｌｅsｓetsoｆthｅstatemodeｌusingtheiｒcｏordｉｎatｅsｉntheｉmageａsfeatｕres,thｅｃlｕsterｉngresultsaｒeｒｅｇaｒｄｅdａsthｅmeasuremenｔｏfｔhｅoｂjｅｃt.Inthｅsequentialtraｃkingｐrocess，ｔhesａmplingpaｒtiｃlｅｓinthｅnextｆrameaｒｅgeｎerateｄraｎｄoｍｌybａsｅdonitｓprevｉoｕsｆrａmｅｍeasuremeｎtｒeｓuｌtｓ.CｏｍparｉngwiththetｒadiｔｉonaｌSequentialIｍportanceＳamplinｇ(ＳＩS)baｓedｐaｒticlefilter,oｕrｔracｋingmethodｄoｅsn’ｔnｅe(cuò)ｄｔheobjeｃt’sｌikeｌiｈoｏdｃriｔerioｎ,ｗhichisabigprｏblemforinfrａredｈｕｍaｎtraｃking,andｔhｅroｂｕsttｒaｃkinｇprｏcesscaｎｂeａｃｈievedonlybｙusingafeｗsamplingpartｉclｅs.Ｋeywｏrd:PartｉｃlesMｉｇｒationHumanTrａｃkiｎｇＩnfｒaredImａｇｅMｅanShiftParticleFｉltering本文受教育部科研重點(diǎn)項(xiàng)目基金資助,項(xiàng)目編號(hào):１０81７４課題英文背景介紹Inｆｒaｒｅｄ-imａge,esｐｅcｉaｌｌｙthefaｒ－ｉnfrarediｍａｇehａspｒoｍinentadvanｔａgecｏmpａringwｉththeｖisible-ｉmage.Aｓaresuｌtoｆtheｒmａlimaｇiｎg,infｒareｄｉmagｅisindｅpｅｎdenｔｏｆeｘｔｅrnalｌumiｎoｕsquａlｉficａｔｉｏnａndisableｔoseeｔheｉnterｅstｅｄｏｂjectｓinｄarkanｄｆrogenvｉroｎｍｅnts,whｉchisalmostｉｍｐossiblｅｉｎviｓibleopｔicalｉmaｇing.Humandｅｔｅctionandtｒackinｇaｒeｖeryｉｍpｏｒｔantiｓsｕeｓwhichcanｐrｏviｄeｔheｍｏstａｃtiveandvａlｕablｅiｎformatｉoｎinmanｙｏｃcａsｉｏns.Tｈesyｓtemsbａsedonｉnfraｒｅdimagiｎgcanalmｏstworkiｎａnｙenvｉronmentandａｌl-ｗeathercｏnditionｓ.Ｉtisirrｅplａceableiｎsｏｍeｓiｔuaｔiｏnsandｈasｗｉｄｅｌｙpoｔeｎtｉalapplｉｃａt(yī)iｏnsｉｎｍａnｙaspｅcts,ｓucｈastheInｆｒaｒeｄNaｖigationＳysｔeｍ，tｈｅInfｒaｒｅdLife-SavingSysｔem,thｅFrontｉeｒDefｅnsｅPreｃautｉonSｙstｅm,thｅSmartＳurｖeillancｅSｙsｔｅm,ｔheＮigｈtＤriver－AssｉsｔａnceSｙsteｍ,theFiｒｅＲｅscuｅandPuｂlicSafetyＳystem,theMaｎ-MachineInterｆａｃeSystemandtｈeＲobotVｉsiｏnSystｅm，etc.Ｈowｅver,humanｄｅtectionaｎｄtrackinｇｉｎiｎfrａrｅdｉmagesｉｓａｃhallengeabｌetａsｋfrｏmｔｈｅtecｈnicalviｅwpｏint,deaｌiｎgwｉthｍanyｆiｅｌdsofknowledge,sｕchaｓｉmaｇeseｇmｅntａt(yī)ion,ｆeatureextｒaｃtion,pattｅｒnｒecognitiｏn，oｂjｅcｔtrackingeｔc..Ｓinｃehumanarenｏ－rigiｄcoｍpleｘobjeｃｔs，theｍaｉndｉffiｃulｔiｅsｗｅhavetoconfrontfiｒsｔlyisｔheun-rｅｌiabiliｔyｏｆhumanｄeｔｅctionｒeｓultsｉniｎｆｒareｄimaｇe,caｕseｄｂyｈuman’ｓｖariｏusapｐeaｒａnceａｎdthｅinｔrｉnsｉcprｏpertiｅsoｆinfrａrｅdimａｇe.Ｂecａｕseofiｎｆｒaredimageiｓｇrayimａge,noｃolorinｆormationiｓavａilableａndtherearｅsomｅｏtｈeｒdrawbａcksｓuchａsｉmageblur,lowtexｔures.Wiｔhcｏｍpｌicatedandchａｎｇｅaｂlｅpｏsturｅs&appeａrancｅｓ,itｉsvｅrydｉｆficulttoｅｘｔrａｃtａnddｅscriｐｔｈｕmanfｅatuｒesｉninｆraredimagｅｅffeｃtiveｌyandtodｉsｔｉngｕiｓhtｈemfｒomdisｔurbancｅｓ.Ｓecｏndly,ｈuman’smｏvｅmｅntsaｒｅｖｅrysubjeｃｔiveaｎduｎｂｅｎｄｉng;thｅrearenｏrｏuｔｉnestｏrｅcaｐｉｔｕlateｔhem．Mｅａnwhiｌe,ｔhemoveｍeｎtｓalｓoaccomｐanyｗitｈhumanpｏsｔuｒesａnｄappearanｃesｃhａnge,thetrackiｎｇmｅthodｓusｅｄinrigidobjecｔsaｒｅnotsuitableｆorｈuｍaｎtrackiｎｇ.Thiｒdｌｙ,beiｎｇsｈortoffeatuｒesfｏrｔraｃking，someexcellｅntｈumantｒackingaｌgｏrｉtｈｍsbasedonｃｏloｒｉｎforｍatiｏnanｄｔextｕｒｅsｃａn’twｏrkｅｆfｉｃienｔｌyｆoｒinｆｒａｒｅdｈumａnｔracking.Curｒenｔly，ｔhｅmaｉnreｓearchｏnthisｆieldｉsfｏcusedｏnpｅdestriａndetｅctioｎaｎｄtrａｃｋｉnｇ,ｍａinlyusｅdｉｎsurｖｅillａｎceandniｇhtdriver-aｓsiｓｔanceiｎｃaseｓofhumａnarｅmoｓtlywalkiｎguprigｈt．Actually,humａn’smotiｏｎmannersaｒemuｃｈｍorecomｐlexｔhandescripｔiｏｎ,sotraｃkiｎgｈｕmanｏｆarｂｉtｒａrystatusisａlｍostaｎimposｓiblemｉssionｅxaｃｔlｙ．Thisｐapｅｒiｓaｐartoftｈｅkeyｒｅsｅaｒchpｒoｊectof“HuｍanMｏｔｉonOｂjｅctRｅcｏgnitioｎｂａｓeｄonInfraredImａges”foｕndedbyChinaEducａt(yī)iｏnMiｎistry(Nｏ.1０８174)，iｎtｈiｓproject,wehaveｓｏmeaｃhieveｍenｔｓｏnhｕmａnseｇｍentａt(yī)ｉonaｎｄrecogｎｉｔｉoｎininfｒareｄimages.Tｈｅalgoriｔhmproposedinｔhｉsｐａperismａinlytosolｖeｔｈetｒacｋiｎgprｏblemofhumａｎ’sａbnormalmovemenｔｓ.Tｈｅｅｘpeｒiｍeｎtsrｅsuｌｔsshowthatｐarｔicｌesｍean-ｓhｉftｍｉgrationalgｏｒitｈmweproｐoseｄisｉnｄependentonａplｉcａt(yī)edｍoveｍenｔmannerofｈ