基于特征融合的粒子滤波目标跟踪

针对复杂场景下单一视觉特征难以准确表征被跟踪目标问题，本文提出了一种自适应融合颜色特征与形状特征的粒子滤波跟踪方法。首先分别提取目标的颜色特征和形状特征，根据当前场景动态调整各特征权重，通过特征加权计算粒子的权值，然后预测目标状态，得到跟踪结果。实验结果表明，该算法能够

目标跟踪作为计算机视觉领域的重要研究方向，在智能监控[1] [2]和人机交互[3] [4]等领域有着广泛的应用。在这些场景中，目标的运动轨迹是非线性的，而且背景中常常存在大量的噪声。由于粒子滤波器可以应对非线性系统和非高斯噪声，因此提供了一种稳健的跟踪框架[5] [6]。在复杂的跟踪场景下，目标外观易受光照变化、遮挡、形变等因素的影响。因此，单一的视觉特征很难准确地表征目标。不同信息在不同场景下所起到的作用有所差别，许多学者利用信息之间的冗余性和互补性，提出多种信息融合的目标跟踪算法，以解决单一信息的不足[7] [8] [9]。本文采用民主融合策略将形状信息和颜色信息自适应融合，该策略可以根据当前场景动态调整各特征信息的权重，从而更好地利用不同特征信息，改善动态场景的跟踪性能。本文主要研究行人头部跟踪。

2. 粒子滤波算法 粒子滤波的核心思想是使用非参数化的蒙特卡罗近似实现递推的贝叶斯滤波[10]， 即利用带权值的粒 子表示系统的条件后验概率密度()kkp xz，其中kz 表示当前的观测信息。从重要性密度函数中采样N 个独立同分布的粒子{ }1Nikix= ，根据蒙特卡洛思想，可以通过加权逼近系统的条件后验概率密度，即： ()()1Niikkkkkip x zwxxδ=≈−∑ (1) 其中ikw为第i 个粒子在k 时刻的归一化重要性权值，ikx 为k 时刻第i 个粒子的状态，( )δ ⋅为狄拉克(Delta)函数。

粒子滤波提供了一种鲁棒的跟踪框架，它可以保持选择的多样性，同时考虑多个状态假设。在跟踪过程中，通过对多个候选粒子加权求和可以获得当前跟踪目标的状态(状态包含目标位置、宽高等信息)。

3. 特征提取 3.1. 颜色特征 为了在跟踪场景中区分跟踪目标和背景，必须选择区分度显著的视觉特征来描述目标。颜色是一种最常用的特征，在跟踪过程中，目标易发生旋转，缩放等变化，在这些过程中颜色特征一般比较稳定。

使用颜色特征构建似然模型可以使目标跟踪变得简单易行[11]。

本文采用常用的颜色直方图来描述颜色特征，直方图特征维数为8 8 8K = × × ，分别代表R、G、B三个颜色通道的量化级数。为了降低背景干扰，增加可靠性，引入一个核函数，定义如下：