結(jié)合在線學(xué)習(xí)檢測的粒子濾波行人跟蹤算法.pdf

1、在視頻流中跟蹤指定的目標是自動化圖像識別中的一項重要任務(wù)，例如行為分析，自然人機互動和自動導(dǎo)航等等?，F(xiàn)實情況中長時間跟蹤會由于一些因素，比如光線變化，位置變化，遮擋，目標的形態(tài)變化，類似物體的干擾等而導(dǎo)致跟蹤困難。早期的跟蹤算法在整個視頻中采用固定的目標模板，根據(jù)模板匹配原則確定后續(xù)幀中目標的位置。這種方法的缺點是隨著目標形態(tài)的變化，目標特征會與第一幀中提取出的模板特征有很大不同，導(dǎo)致匹配錯誤，進而出現(xiàn)跟蹤失敗。粒子濾波即根據(jù)模板匹配來

2、確定粒子權(quán)重，它同時采用了模板更新的方法，但如果環(huán)境突然變動，仍會跟蹤失效。且因為粒子數(shù)量有限，一旦失效后很難再重新定位目標，而整幀都取粒子則會有很大的計算開銷，導(dǎo)致不能實時跟蹤。最近提出的粒子濾波與檢測器結(jié)合的算法因檢測器是在粒子濾波預(yù)測的位置上進行檢測，如果目標不在預(yù)測的位置上，丟失目標后仍然不能重新定位。
　　本文針對粒子濾波跟蹤算法在丟失目標后難以恢復(fù)的不足，借鑒了粒子濾波與檢測器結(jié)合的思想，提出將粒子濾波與檢測器結(jié)合，但

3、要改變檢測器的搜索策略。因此文中將粒子濾波算法與TLD算法中的全局檢測器結(jié)合，針對結(jié)合檢測器以后出現(xiàn)的問題，本文主要做了以下幾點工作：
　　1.原始的粒子濾波算法使用HSV顏色模型，而檢測器中使用的是灰度圖像特征，為了將它們結(jié)合，考慮了最近效果較好的幾種灰度圖像特征，比較并分析它們在粒子濾波中的效果。最終選取了灰度直方圖作為特征。
　　2.在使用了原有的粒子濾波算法流程時效果并不理想，經(jīng)發(fā)現(xiàn)是粒子權(quán)重的計算公式并不適合現(xiàn)有跟

4、蹤方法，因此改變了粒子權(quán)重計算公式。
　　3.在結(jié)合了粒子濾波與檢測器之后，仍使用TLD算法中的輸出選擇策略時檢測器難以發(fā)揮作用，經(jīng)分析得出粒子濾波沒有自我判別標準，導(dǎo)致跟蹤失效時仍具有較高置信度的輸出。因此本文為粒子濾波添加一個自我判別標準，為粒子濾波單獨設(shè)置一個閾值，當(dāng)粒子濾波輸出置信度低于這個閾值時，認為跟蹤失效，將其輸出丟棄，而直接采用檢測器輸出作為最終輸出。
　　4.討論了粒子濾波中的模板更新問題，盡管模板更新策略

5、在原始的粒子濾波中起了改善效果的作用，但是本文在經(jīng)過分析之后采取固定的模板，以平衡粒子濾波與檢測器，從而達到更好的效果。
　　仿真實驗中采用中心位置誤差（CLE）作為測試比較準則，與灰度下有模板更新的粒子濾波算法，以及基于分塊模板匹配的frag算法進行對比，發(fā)現(xiàn)跟蹤失敗后，粒子濾波的中心位置誤差持續(xù)增長，而本文提出的方法因為可以重新定位目標，中心位置誤差在一段時間后會下降，且顯著優(yōu)于frag算法。因此總結(jié)出本文提出的結(jié)合在線學(xué)習(xí)檢