1、4/4本文采用矩 形框來描述 目標 狀態 ， 即X一 X o， . ， 2 w+1 ，2 ) , 其 中 o ,Yo表示 目標中心； W， 表示矩形框的半寬,半高.本文算法采用灰度 特征和梯度特征對 目標建模。這兩種特征不但計算 簡單 ， 能夠滿足系統對實時性的要求, 而且具有互補 性.灰度特征是一種宏觀特征, 而梯度特征可以描 述 目標 的局部細節 , 這樣就避免了在一種特征無法適應當前場景的條件下造成另外一種特征一定也無 法適用的情況 。 灰度特征對目標部分遮擋 、 外觀大小變化有較強的適應性.因此 ， 本文采用灰度特征構建 目標模 型， 將 目標灰度平均量化成 個等級 , 用直方圖表 示

2、為 P ，一 ) 一 。梯度特征反映了目標在 不 同方向上的局部灰度變化信息, 本文采用類似于 S F 描述子的構建方法 ， 但考慮到計算簡便， 將 目 標矩形區域平均劃分成 2 4個子區域 ， 對每個子 區域的每個像素計算其梯度模值和方向， 并將梯度方向平均量化為 3 6個等級進行統計 ， 統計時按照梯度模值進行加權。這樣可以構建出 2 3 6 -1 4 4 維的直方圖 c = = = 一 2 。 2特征置信度計算 目標的觀測特征對粒子 的權值計算起重要作 用 ， 而權值大小直接影響目標狀態 X的估計結果。對于多個觀測特征 ， 如果某 一觀測特征無法有效 區分目標和背景 ， 那么使用該觀 測

3、特征進行特征 匹配只會使跟蹤性能更 差。因此 ， 必須針對當前場景判斷各種特征對 目標和背景區分度 ， 動態設 定不同特征的置信度。 由于視頻序列 的連續性 ， 只需要 考慮 目標 和 其外圍局部 的背景區域 之間的特征 區分度 即可 。 圖1給出目標區域 以及背景 區域劃分示意圖。目 標區域大小為（ 2 w+ ）（2 h+1 ）， 距離 目標 區域 寬度為 ， 高度為 的外 圍區域作為背景區域 。為 了增加 目標和背景建模的可靠性,分別定義 目標和背景核函數 ，如 （1 ）式 和( 2） 式所示。越靠近目 標 中心 的像素點賦予越高的權值， 而遠離 目標中 心的像素點 賦予較低 的權 值.對

4、 于背 景 區域 則 是，距離中心越近的像素點賦予較小 的權值 , 而遠 離中心的像素點賦予較高權值 。 對 目標和背景 區域的灰度直方圖特征和梯度 直方圖特征分 別采用 目標和背景核 函數進 行加 權 ， 如( 3) 式和 ( 4 ） 式,其 中， 廠 I， G） 分別表示灰度和梯度特征 。在加權操作后 ， 進行 直方 圖的歸一化 ， 保證 1 o b j ， 一和 / J Mb , ， = 。 K. b i (z, ) b g，f 一 - K z, y ） o 那么 , 在 k時刻 ,每個特征對 目標 和背景的區分度D分別定義如下 : D， 。 ， ， , 一 o j， k ， 一1 一

5、/ 黑 躁 (5 ) 式中 d , 表示Bh ta c h ary 距離.考慮到不 同的 特征對 目標 和背景 區分度的影響 ， 根據貝葉斯 準 則 ，可以根據式（ 6 ) 計算第 個粒子權重 ： ocp( X ) 一（ I X ， 廠） ( ，) （ 6 ） 式中: ( I X ， , )和 P （ 廠 ） 分別表示特征 廠的觀 測似然函數和置信度，可以通過(7 ）式和(8 ）式分別計算 ： （ n , f ) c c 。 x f 一 )（7 ) 、 u , 警， J I ,“ 式中 p 表示 時刻 ，第 個粒子 的特征模型 。從 （ 6 ） 式可以看 出, 每個采樣粒子的權值大小既和特征的

6、置信度 （ 廠 ） 有關, 也和采用特征 ，描述的觀 測似然函數P（Z l X ，, ) 有關 .而 P(，) 的值 與目標和背景間的區分度有關 系，區分度越大 ,特征的置信度就越大，采用該特征計算出的權值所占 比例就越大, 從而跟蹤精度就會越高，越可靠。反 之 ， 就越不可靠. 每個粒子的觀測似然函數 （ l ,， ） 反映 的是粒子 確定的候選 區域是 目標區域的概率大小 ， 其取值受到 影 響， 是用特征 ，計算似 然函數值的噪聲參 數.由于本文采用灰度特征和 梯度特征 的維數不相同(灰度直方圖1 維 ， 梯度 直方圖 1 4 4維) ， 為了使得兩種 特征計算出來 的權 值的度量標準統

7、一， 根據實驗經驗 ， 掰一0 。 0 2 , 一 0 . 0 5 8 ， 與 的比值與其維數平方成反 比。這 樣, 在跟蹤過 程 ，根據 上述方 法不 斷修 正 目標 模 型 , 使得區分度大的特征權值 比重始終高于區分 度小的特征， 保證當前特征模型能有效 區分 目標 和背景 ， 實現 目標的可靠跟蹤 。 1顏色模型的建立及相似性度量 顏色是一個在追蹤算法中被廣泛采用的特征。假 設整個顏色空間被離散化成 個子區域，統計圖像中 各個像素點落在相應子區域的頻數，于是得到由m個 條柱組成的顏色直方圖考慮到圖像中像素的位置對構建顏色直方圖的影響.引入表示空間信息的核函數來計算加權的顏色直方圖，使位

8、于目標中央區域的像 素有較高的權值，而邊緣區域可能包含背景， 對顏色 直方圖貢獻小，所以分配較小的權值，從而使目標的 顏色模型更加準確為了減少跟蹤過程 中光照變化的 影響,將 R G B顏色空間轉換到H V空間， H和S 分別 表示色調和飽和度,對光照變化不敏感,分配較大的 量化等級（設為 8 ) , 而 分量表示高度分量，對光照變 化非常敏感，所以分配較小的量化等級( 設為 2 ），那么總的量化級數m 8 。 用Py = ） . _ 表 示以Y為中心點的目標區域顏色分布. 。 , r （ ） b（ x i ) u l （ 1 ） =l ， 其中， 表示目標區域內的像素數； 為目標區域內 的第

9、 個像素點的坐標;b( i ）為蕾處像素點對應直 方圖的索引值; 】為狄拉克函數;參數 h表示跟蹤窗寬 （ 包括長半軸W和短半軸) ，定義h 。 + . ； k （r 為權值函數： ） 1 r ： ； （ 2 ） 其中，r 為像素點到目 標中心區域的距離；f為標準 化 因 子 七（ ) , 使 得 羔 ） =1 . 在 相 似 性 度 、 z 量方面采用 h a c ha y a系數來描述目標特征P 和 候選區域 q 之間的相似性， 為: ( p , ) ： g ( 3） 1 2結構模型建立目前一種新的圖像質量評價方法是通過比較對比度、亮度和結構相似性三個參數來衡量圖像質量及圖 像之間的差異,稱為結構相似性質量因子【 ，這種方法易于實現且計算量較小，本文正是通過這種方法對 灰度圖像構建結構模型 兩幅大小一致的圖像和Y 的結構相似性為： 糍x 器 ）（ 苦）（ 4) + ； y 其中, 表示灰度圖像的均值, 表示灰度圖像的方 差， 表示兩幅圖像的協方差 算法實現 基于HS V的加權顏色直方圖的粒子濾波,融合標的結構信息，實現對目標的魯棒跟蹤。具體的跟蹤過程包括初始化、重采樣、預測和更新等四個過程. 步驟 初始化 在初始幀中定位要跟蹤的目標，然后通過公式（ ) 計算選定區域的加權顏色直方圖,建立 目標顏色模型, 通過公式( 4 ） 建立跟蹤區域的灰度圖像模