(1)能量：

　　(4-6)

(2)对比度：

　　(4-7)

(3) 相关：

(4-8)

　　(4) 熵：

　　(4-9)

　　本节利用目标的纹理特征值作为前景观测信息更新粒子的权值，粒子区域的纹理分布与目标纹理分布越相似，权值越大，反之越小。这里根据跟踪目标的特征选择某一个统计分量或者某几个统计分量作为纹理特征值，同样运用巴特查理亚距离作为目标纹理特征值与粒子区域的纹理特征值相似性的量度。

假设由式(4-6)-(4-9)得到目标的纹理特征值，并给定k-1时刻目标物体的后验概率密度函数由粒子表示。基于纹理特征的粒子滤波方法的实现过程即可参照基于加权颜色直方图的粒子滤波方法。 五、实验结果及分析5.1 简单情况下视频跟踪的实现

　　在光照均匀、背景简单、目标颜色和纹理分布模型单一的情况下，分别用基于颜色和纹理的粒子滤波器实现视频跟踪。选择粒子数Ns=20，跟踪结果如图5.1和图5.2所示：

　　第1帧 第40帧 第80帧 第120帧

　　图5.1 基于颜色特征的粒子滤波器用于视频跟踪的实现(简单环境下)

　　第1帧 第40帧 第80帧 第120帧

　　图5.2 基于纹理特征的粒子滤波器用于视频跟踪的实现(简单环境下)

　　由图5.1和图5.2可看出，这两种方法的跟踪效果相仿。但是，从跟踪算法的实现时间考虑，方法1耗时T=100.34秒，方法2耗时T=47.25秒，因此，方法2具有时间效益更好。

　　5.2 复杂情况下视频跟踪的实现

　　当光照发生改变、背景复杂、目标颜色分布模型和纹理分布模型发生改变的情况下，我们运用同样的方法进行跟踪，并用白色圆标注出跟踪位置。

　　跟踪结果如图5.3和图5.4所示：

　　第15帧 第180帧 第304帧 第496帧

　　图5.3 基于颜色特征的粒子滤波器用于视频跟踪的实现(复杂环境下)

　　第15帧 第180帧 第304帧 第496帧

　　图5.4 基于纹理特征的粒子滤波器用于视频跟踪的实现(复杂环境下)

　　从图5.3和图5.4中可以看出，两种方法进行跟踪的结果都出现目标丢失现象。

　　这时考虑运用动态目标模型。根据区域的不同建立多个目标颜色和纹理分布模型，并设定一个阈值，当巴特查理亚距离超出这一阈值，则切换目标模型。

　　实验证明，在这一特定视频下，方法1并不能使跟踪效果改善，而方法2能使跟踪效果得到很好的改善。其跟踪结果如图5.5所示。

　　第15帧 第180帧 第304帧 第496帧

　　第15帧 第180帧 第304帧 第496帧

　　图5.5 运用目标动态模型的纹理特征粒子滤波器用于视频跟踪的实现(复杂环境下)

　　从图5.5中可以看出，跟踪过程中，不管目标以何种方式出现，都能很好地得到跟踪。

　　文献[6]中提出基于颜色、纹理和边缘特征的粒子滤波器分别适用于不同跟踪对象，在特定跟踪场合中可以取得特定的效果。所以，当改变跟踪对象时，运用动态目标模型的跟踪效果可能会不同。当跟踪目标突出的是颜色特征时，基于颜色特征的粒子滤波器运用动态目标模型则可以使跟踪效果得到改善。相应地，这时基于纹理特征的粒子滤波器运用动态目标模型则不能使跟踪效果改善。 总结粒子滤波算法是基于贝叶斯估计的一种跟踪算法。它具有很多优点[7]，如可以对非刚性物体的运动进行鲁棒的跟踪，对动态背景下的目标运动也有很强的适应性。它在视频跟踪中的应用有很大的发展前景。

　　本文重点阐述基于颜色特征和基于纹理特征的粒子滤波算法。这两种算法都以粒子滤波为跟踪框架，在计算粒子权值时，考虑目标的颜色特征和纹理特征，这样得到的离散粒子集合更加真实地模拟了状态向量的后验概率分布，因而可以获得更加稳定、更加准确的跟踪效果。在复杂的情况下，运用动态目标模型，使跟踪结果更准确。但是，实验结果还不够理想，算法还有待完善。 参考文献[1] Cipolla R.and Pentland A., Computer Vision for Human-Machine Interaction, Cambridge University Press, 1998.

　　[2] (美)David A.Forsyth, Jean Ponce著，林学訚等译. 计算机视觉——一种现代方法[Z]. 电子工业出版社，2004年6月.

　　[3] 万莉，刘焰春，皮亦鸣. EKF、UKF、PF目标跟踪性能的比较[J]. 雷达科学与技术，2007，Vol.5, No.1，13-16.

　　[4] 韩崇昭，朱洪艳，段战胜等著，《多源信息融合》，北京：清华大学出版社，2006.4.

　　[5] 毕华军，梁家红，吴冰. 粒子滤波器在图像序列目标跟踪中的应用[J]. 计算机仿真，2006，Vol.23，No.1，184-186.

　　[6] Paul Brasnett, Lyudmila Mihaylova, David Bull, Nishan Canagarajah. Sequential Monte Carlo tracking by fusing multiple cues in video sequences. Image and Vision Computing 25 (2007) 1217-1227.

　　[7] 杨小军，潘泉，王睿，张洪才. 粒子滤波进展与展望[J]. 控制理论与应用，2006，Vol.23, No.2，261-265.

 3/3   首页 上一页 1 2 3