基于多变量动态建模的粒子滤波行人跟踪算法实现

第35卷第4期

2017年7月佛山科学技术学院学报（自然科学版）

Journal of Foshan University (Natural Sciences Edition)Vol. 35 No. 4

Jul. 2017

文章编号：1008-0171(2017)04-0047-07

基于多变量动态建模的粒子滤波行人跟踪算法实现

张玉荣夂2

(1.武汉理工大学信息工程学院，湖北武汉430070;2.徽商职业学院电子信息系，安徽合肥230061)

摘要:对于行人运动模型是线性系统，噪声符合高斯分布，采用边检测边跟踪的卡尔曼滤波算法，试验达到了预期的效果。但在实际中行人的随机行走具有很大的不确定性，不一定是线性系统和高斯分布，此时利用Kalman 滤波就会导致跟踪失败。研究了基于先检测后跟踪的加权颜色直方图为匹配模板，基于动态建模的粒子滤波实现对行人的有效跟踪。在初始帧利用AdaBoost算法确定行人的位置、大小等状态信息，以行人矩形框内的加权颜色直方图作为跟踪的目标模板，初始化粒子集。在后续的视频图像中，利用粒子滤波算法实现行人跟踪。结果表明，即使在目标有遮挡、阴影等复杂噪声背景下，提出的方法也能很好地跟踪到视频序列中行人。

关键词:行人检测;行人跟踪;AdaBoost；加权颜色直方图;粒子滤波

中图分类号:TP391.4 文献标志码:A

行人跟踪不仅能够提供行人的运动轨迹，也为后期的行为识别(如异常动作检测等)提供了准确可 靠的信息。在视频序列中，为了估计行人的运动轨迹，可利用行人检测算法确定初始帧图像的行人状态 作为先验信息，结合行人的状态方程和观测方程对行人在后续帧的位置、速度、宽高等进行估计[1-3]。

目前，行人跟踪的方法有基于检测的方法和基于跟踪的方法两大类[1]。当行人运动模型为线性系 统，噪声符合高斯分布时，采用边检测边跟踪的卡尔曼滤波算法，可以得到最小均方误差意义上状态的 最优估计，试验达到了预期的效果。但也存在着跟踪过程过多依赖检测性能的问题。另外，行人运动的 自主性很强，运动轨迹是随机、不确定的，行走过程中可能发生短时全部遮挡或局部遮挡，属于非线性 系统，原来的运动模型不一定符合实际行人行走的规律，并且利用最优贝叶斯估计的预测与更新方程 计算时，存在高维积分运算，很难把最优解析解形式状态解出，此时使用Kalman滤波无法实现可靠地 跟踪[4~5]。而基于Monte-Carlo思想和递推贝叶斯估计的粒子滤波在非线性、非高斯分布的系统中得到 了研究者的推广，非常适合非线性系统，即使在目标有遮挡、阴影等复杂噪声背景下，也能很好地跟踪 到视频序列中行人。因此本文以加权颜色直方图为匹配模板，基于动态建模的粒子滤波实现对行人的 有效跟踪。

1基于卡尔曼滤波的行人跟踪算法

利用卡尔曼滤波对行人进行跟踪，需要首先确定行人的运动模型（即状态方程)和观测模型，然后 再利用卡尔曼滤波的递推方程组估计行人的运动状态。

收稿日期：2017-05-12

基金项目：安徽省自然科学研究重点项目（KJ2016A685);安徽省教育厅质量工程项目（2014jxtd110，2015tszy089)

作者简介:张玉荣(1976-)，女，安徽庐江人，徽商职业学院副教授，武汉理工大学博士生。