王愛麗　董寶田　武鴻源

(1.北京交通大學(xué) 交通運(yùn)輸學(xué)院, 北京 100044; 2.中國鐵路總公司信息技術(shù)中心， 北京 100038)

?

基于多特征概率分布的均值漂移行人跟蹤算法*

王愛麗1,2董寶田1武鴻源1

(1.北京交通大學(xué) 交通運(yùn)輸學(xué)院, 北京 100044; 2.中國鐵路總公司信息技術(shù)中心， 北京 100038)

在目標(biāo)尺寸和顏色發(fā)生變化時(shí)，傳統(tǒng)均值漂移法因目標(biāo)模型單一和核窗口大小方向固定而導(dǎo)致目標(biāo)丟失.為此，文中提出一種基于多特征概率分布的均值漂移行人跟蹤算法，首先利用目標(biāo)的顏色、輪廓和運(yùn)動(dòng)特征構(gòu)建目標(biāo)模型，得到顏色、邊緣和運(yùn)動(dòng)直方圖分布；然后將顏色和邊緣的直方圖反向投影生成二維概率密度分布，利用運(yùn)動(dòng)信息修正顏色和邊緣概率分布；并根據(jù)各特征所占權(quán)重，運(yùn)用自適應(yīng)融合法得到目標(biāo)特征關(guān)聯(lián)概率分布；最后利用關(guān)聯(lián)概率密度的零階矩值調(diào)整下一幀跟蹤窗口尺寸，結(jié)合均值漂移跟蹤框架，實(shí)現(xiàn)常態(tài)下目標(biāo)跟蹤.實(shí)驗(yàn)結(jié)果表明，該算法提取的目標(biāo)特征具有較強(qiáng)的準(zhǔn)確性，能實(shí)現(xiàn)復(fù)雜交通場景下的行人跟蹤.

行人跟蹤；均值漂移；直方圖分布；多特征融合；關(guān)聯(lián)概率分布

智能交通視頻監(jiān)控系統(tǒng)是計(jì)算機(jī)視覺領(lǐng)域中新興的研究方向，具有廣泛的應(yīng)用前景.其中，基于目標(biāo)檢測對(duì)交通視頻圖像內(nèi)目標(biāo)跟蹤的研究，能實(shí)時(shí)、準(zhǔn)確地獲取交通流中運(yùn)動(dòng)物體的信息，是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)和難點(diǎn)，為更高級(jí)的視覺范疇和視覺系統(tǒng)提供了有效的交通信息.

幾十年來，新的跟蹤方法層出不窮，主要包括基于圖像特征的方法、基于模板匹配的方法、基于區(qū)域的方法和基于學(xué)習(xí)的方法等[1- 3].近年來，基于模板匹配的均值漂移(Mean Shift)算法[3]受到了廣泛重視，該算法定位目標(biāo)的方式是通過均值向量迭代求取概率密度極大值，能快速搜索和匹配目標(biāo)，避免了窮盡搜索，從而極大降低了計(jì)算量，適應(yīng)于對(duì)行人的實(shí)時(shí)跟蹤.然而，傳統(tǒng)均值漂移算法在跟蹤大小明顯變化和單一目標(biāo)模型不能很好地描述的目標(biāo)時(shí)，很容易在跟蹤過程中發(fā)生目標(biāo)定位漂移甚至丟失目標(biāo).而利用多種特征進(jìn)行跟蹤是提高跟蹤算法魯棒性的一種有效途徑.

為提高復(fù)雜環(huán)境下行人目標(biāo)跟蹤的穩(wěn)定性，基于多特征的目標(biāo)跟蹤方法[4- 12]開始興起.文獻(xiàn)[4]中采用顏色、紋理、邊緣方向特征，并在粒子濾波框架內(nèi)進(jìn)行概率融合，給出了一種通用性較好的多特征跟蹤方法，然而在復(fù)雜的背景中易受運(yùn)動(dòng)噪音干擾；文獻(xiàn)[5]中使用角點(diǎn)、邊緣、紋理和區(qū)域灰度特征實(shí)現(xiàn)對(duì)剛性目標(biāo)的跟蹤；文獻(xiàn)[6]中提出了一種新的綜合輪廓和灰度特征的行人跟蹤算法，其性能依賴于預(yù)先構(gòu)建的目標(biāo)輪廓原型，且假設(shè)不同行人的輪廓是相互近似的，忽略了行人個(gè)體間的差異性；文獻(xiàn)[7]中將紅外圖像的灰度特征、可見光圖像的顏色和紋理特征融入到模板跟蹤框架中，實(shí)現(xiàn)了復(fù)雜環(huán)境下的目標(biāo)跟蹤，該方法需要對(duì)多傳感器間進(jìn)行同步測算和設(shè)置，計(jì)算復(fù)雜且成本高，不利于算法的推廣應(yīng)用；文獻(xiàn)[8]和[9]中提出了融合顏色和形狀紋理特征的跟蹤算法，但忽略了目標(biāo)的運(yùn)動(dòng)特性和每個(gè)特征的貢獻(xiàn).

然而，多特征跟蹤算法仍依賴于單個(gè)特征的合理選擇，其性能的發(fā)揮受單個(gè)特征鑒別能力的影響較大，此外，融合方法的有效性會(huì)直接影響其跟蹤的性能.文中提出一種基于多特征概率分布的均值漂移行人跟蹤算法，綜合考慮目標(biāo)的外表和空間特征，且利用運(yùn)動(dòng)特征修正各個(gè)特征概率分布，提高融合特征的有效性，實(shí)現(xiàn)目標(biāo)精確跟蹤，提取出目標(biāo)的運(yùn)動(dòng)軌跡、速度、加速度等交通信息.

1　基于多特征概率分布的均值漂移行人跟蹤算法

基于概率分布圖的均值漂移算法，其核心思想是在視頻圖像中的每一幀對(duì)應(yīng)的概率分布圖上做Mean Shift迭代運(yùn)算，并將前一幀的結(jié)果(搜索窗口的中心和大小)作為下一幀Mean Shift算法搜索窗口的初始值，重復(fù)這個(gè)過程，繼而實(shí)現(xiàn)目標(biāo)跟蹤[10- 11].

在跟蹤過程中，目標(biāo)特征概率分布模型構(gòu)建和目標(biāo)搜索定位[12]是最重要的兩個(gè)步驟.為了提高跟蹤的準(zhǔn)確度，文中利用圖像的顏色、輪廓和運(yùn)動(dòng)特征構(gòu)建目標(biāo)模型，得到顏色、邊緣和運(yùn)動(dòng)直方圖分布；將顏色和邊緣的直方圖反向投影生成二維概率密度分布，利用運(yùn)動(dòng)信息修正顏色和邊緣概率分布，得到運(yùn)動(dòng)-顏色和運(yùn)動(dòng)-邊緣概率分布圖，并根據(jù)各特征所占權(quán)重自適應(yīng)融合生成新型特征目標(biāo)的關(guān)聯(lián)概率分布；最后利用關(guān)聯(lián)概率密度的零階矩值調(diào)整下一幀跟蹤窗口尺寸，結(jié)合Mean Shift跟蹤框架，實(shí)現(xiàn)目標(biāo)定位跟蹤.

1.1目標(biāo)特征直方圖分布

1.1.1顏色特征

在交通視頻圖像中，顏色信息是最典型的基本特征，對(duì)目標(biāo)旋轉(zhuǎn)、遮擋等情況具有穩(wěn)健的特點(diǎn).因此，文中首先采用目標(biāo)的顏色直方圖分布信息來描述目標(biāo)的外觀特征，選用RGB顏色空間三通道表示目標(biāo)顏色信息，將R、G、B空間分為k個(gè)相等區(qū)間bin，這些bin構(gòu)成了特征空間，這里設(shè)bin的個(gè)數(shù)為mbin=16×16×16.

把顏色特征空間分為16×16×16個(gè)顏色特征值，此時(shí)目標(biāo)模型的直方圖表示為q=[q1q2…

(1)

圖1　顏色信息

1.1.2邊緣特征

雖然顏色特征對(duì)目標(biāo)變形和姿態(tài)變化具有很強(qiáng)的頑健性，但其不能描述目標(biāo)的空間結(jié)構(gòu)，容易受外界條件的影響.而邊緣信息能夠彌補(bǔ)顏色信息的缺陷，不易受外界變化的影響，且不需要明確的目標(biāo)模型[13].因此，文中選用邊緣信息來描述目標(biāo)的空間特征.

在初始幀時(shí)，首先將彩色圖像轉(zhuǎn)換為灰度圖像，利用Sobel算子[14]求解圖像的計(jì)算邊緣梯度幅值G(x,y)和方向θ(x,y)：

(2)

式中，Gx[x,y]和Gx[x,y]分別表示水平和垂直方向的邊緣梯度幅值.

為提高邊緣直方圖的抗噪性，對(duì)邊緣方向進(jìn)行濾波，保留邊緣強(qiáng)度大的邊緣信息，剔除偽邊緣，得到邊緣梯度幅值圖：

(3)

由于提取的邊緣Edge(x,y)存在不連續(xù)問題，文中采用形態(tài)學(xué)[11]對(duì)圖像進(jìn)行修正(如式(4)所示)，完成對(duì)斷裂邊緣的連接，從而獲得高信噪比和低均方差的邊緣圖像.

(4)

式中，⊕表示膨脹運(yùn)算，⊙為邊緣細(xì)化運(yùn)算，?為擊中或擊不中的變換運(yùn)算符.

通過式(2)標(biāo)記出邊緣點(diǎn)，并在相應(yīng)點(diǎn)計(jì)算出梯度方向，發(fā)現(xiàn)方向θ的取值范圍為θ∈(-90°,90°).為簡單起見，文中對(duì)目標(biāo)圖像的邊緣點(diǎn)的方向θ進(jìn)行量化，將其分為18等分，每個(gè)區(qū)間角度變化范圍為10°.

邊緣特征向量為qe=[qe1qe2…qem]T，m=18,則目標(biāo)的邊緣直方圖分布函數(shù)表示為

(5)

式中，Cedge為歸一化常數(shù)，xedge(i,j)為目標(biāo)區(qū)域通過邊緣檢測提取的邊緣像素集.圖2給出了行人的邊緣方向直方圖分布.

1.1.3運(yùn)動(dòng)特征

目標(biāo)顏色和邊緣信息描述了目標(biāo)靜態(tài)信息，但目標(biāo)都是動(dòng)態(tài)的，為了更好地對(duì)其跟蹤，還需檢測其運(yùn)動(dòng)信息.文中采用多幀差分法提取圖像目標(biāo)的運(yùn)動(dòng)信息[13]，具體計(jì)算過程為：

(1)計(jì)算第t幀圖像It和第t-1幀圖像It-1之

圖2　邊緣信息

間以該像素為中心的3×3范圍內(nèi)所有像素的絕對(duì)差之和，并賦值給該像素，得到前兩幀的差分圖像Dt,t-1(x,y)：

It-1(x+l,y+h)|

(6)

(2)同樣，計(jì)算第t-1幀圖像It-1和第t-2幀圖像It-2的差分圖像Dt-1,t-2(x,y)；

(3)求解圖像Dt,t-1(x,y)和圖像Dt-1,t-2(x,y)的均值：

(7)

(8)

1.2目標(biāo)關(guān)聯(lián)概率分布

多種特征的聯(lián)合使用會(huì)有效地提高目標(biāo)跟蹤的準(zhǔn)確性，因此文中通過采用多信息融合算法自適應(yīng)融合目標(biāo)顏色、邊緣和運(yùn)動(dòng)信息，生成新型特征的目標(biāo)關(guān)聯(lián)概率分布圖.具體融合過程如下.

(1)目標(biāo)模型反向投影

直方圖反向投影是指將原始視頻圖像通過目標(biāo)直方圖轉(zhuǎn)換到概率分布圖(PDM)的過程[11,13].直方圖反向投影產(chǎn)生的概率分布圖即為直方圖的反向投影圖，該概率分布圖中的每個(gè)像素值表示輸入圖像中對(duì)應(yīng)像素屬于目標(biāo)直方圖的概率.

(9)

圖3　反向投影結(jié)果

(2)利用運(yùn)動(dòng)引導(dǎo)顏色和邊緣概率分布

為了提高融合算法的有效性，文中首先將提取的運(yùn)動(dòng)信息M(xi,yi|t)融入到目標(biāo)顏色和邊緣信息里，修正顏色概率分布圖Pcolor(xi,yi|t)和邊緣概率分布圖Pedge(xi,yi|t)，計(jì)算得到運(yùn)動(dòng)-顏色和運(yùn)動(dòng)-邊緣概率分布圖：

(10)

(3)目標(biāo)的關(guān)聯(lián)概率分布

根據(jù)自適應(yīng)融合機(jī)制，利用顏色直方圖分布qcolor和邊緣直方圖分布qedge所占的權(quán)重，將運(yùn)動(dòng)-顏色概率分布圖Pm-c(xi,yi|t)和運(yùn)動(dòng)-邊緣概率分布圖Pm-e(xi,yi|t)自動(dòng)融合，得到融合后的關(guān)聯(lián)概率分布圖Pnew(xi,yi|t)：

Pnew(xi,yi|t)=wm-cPm-c(xi,yi|t)+

wm-ePm-e(xi,yi|t)

(11)

其中，

圖4給出了圖 1(a)中框內(nèi)行人的各個(gè)信息相融合的結(jié)果，從圖4(d)中可以看出，利用多線索信息融合的目標(biāo)表觀建?？梢愿_地描述目標(biāo)(所有結(jié)果都是經(jīng)過二值化和形態(tài)學(xué)[14]處理后提取).

圖4　多線索信息融合結(jié)果

1.3行人跟蹤算法實(shí)現(xiàn)

采用Mean Shift算法迭代尋找目標(biāo)最優(yōu)位置區(qū)域，根據(jù)上述投影構(gòu)建的新型目標(biāo)概率密度分布圖Pnew(xi,yi|t)，計(jì)算該區(qū)域內(nèi)以點(diǎn)k為中心的搜索窗口內(nèi)目標(biāo)概率密度的零階矩、一階矩和質(zhì)心位置.并依據(jù)均值漂移思想迭代計(jì)算，最終定位目標(biāo).具體步驟如下.

步驟1目標(biāo)模板初始化.利用行人檢測方法，提取初始幀中監(jiān)控區(qū)域內(nèi)存在的行人目標(biāo)區(qū)域，自動(dòng)把跟蹤目標(biāo)限定在矩形移動(dòng)框內(nèi)，將其作為初始化的搜索窗，設(shè)搜索窗的尺寸為s0，中心位置為K0,實(shí)現(xiàn)目標(biāo)模板的初始化.

步驟3直方圖反向投影.將顏色和邊緣的直方圖反向投影，得到目標(biāo)圖像的顏色概率分布圖Pcolor(xi,yi|t)和邊緣概率分布圖Pedge(xi,yi|t).

步驟4概率分布融合.將檢測到的運(yùn)動(dòng)信息M(xi,yi|t)融入到目標(biāo)顏色和邊緣信息里，修正顏色概率分布圖和邊緣概率分布，得到運(yùn)動(dòng)-顏色概率分布Pm-c(xi,yi|t)和運(yùn)動(dòng)-邊緣概率分布Pm-e(xi,yi|t)，并根據(jù)顏色和邊緣特征所占權(quán)重進(jìn)行融合運(yùn)算，生成新型特征目標(biāo)的關(guān)聯(lián)概率分布圖Pnew(xi,yi|t).

步驟5迭代搜索目標(biāo)位置.在融合后的概率分布圖Pnew(xi,yi|t)上，根據(jù)搜索窗口的尺寸s0和中心位置P0計(jì)算搜索窗的質(zhì)心位置，計(jì)算步驟為

(1) 計(jì)算搜索窗內(nèi)零階矩M00和一階矩[M10,M01]

(12)

(13)

(3) 重新調(diào)整搜索窗的尺寸

(14)

(15)

(4) 反復(fù)執(zhí)行(1)、(2)、(3)，直至目標(biāo)搜索窗口中心處于窗口中概率分布峰值處或滿足迭代次數(shù)則終止循環(huán).

2　實(shí)驗(yàn)結(jié)果

文中以Matlab2009b為開發(fā)平臺(tái)，在IntelCorei5- 2500sCPU、2.70GHz、4.00GB內(nèi)存、Win7計(jì)算機(jī)上，采用在北京市門頭溝區(qū)街道處采集的2段AVI格式的視頻，分別對(duì)不同行人目標(biāo)進(jìn)行跟蹤實(shí)驗(yàn).

圖5給出了在視頻序列I中基于文中跟蹤算法對(duì)單個(gè)目標(biāo)進(jìn)行定位跟蹤的結(jié)果.圖5(a)-5(d)依次為第100、200、390、476幀的跟蹤結(jié)果，矩形框內(nèi)是跟蹤到的目標(biāo)，跟蹤步長為2幀.從圖5的跟蹤過程中，可以看出目標(biāo)逐漸遠(yuǎn)離鏡頭，目標(biāo)尺寸由約7 621像素逐漸縮小至約824像素，并伴有方向上的微動(dòng).傳統(tǒng)均值漂移算法在目標(biāo)尺寸變化時(shí)，搜索窗口的大小固定不變，無法自適應(yīng)調(diào)整目標(biāo)尺度.而從圖5的跟蹤結(jié)果可看出，文中算法利用關(guān)聯(lián)概率密度的零階矩值調(diào)整下一幀跟蹤窗口尺寸，使搜索窗口(搜索窗口為矩形框)隨著目標(biāo)的變化而變化，與實(shí)際需求相符合，進(jìn)一步保證了跟蹤的可靠性.

圖5　單目標(biāo)跟蹤結(jié)果

圖6給出了文中算法和原始均值漂移算法對(duì)上述交通場景的跟蹤定位結(jié)果.將文中算法跟蹤到的X、Y方向運(yùn)動(dòng)軌跡以及原算法跟蹤到的X、Y方向軌跡與實(shí)際軌跡(實(shí)驗(yàn)中每幀圖像目標(biāo)實(shí)際的中心位置(x、y)是通過手工逐幀標(biāo)記獲取的)進(jìn)行擬合比較，得到兩種算法的跟蹤誤差信息.從圖6(b)和6(d)中可以看出，在整個(gè)跟蹤過程中，由于原始算法無法自適應(yīng)目標(biāo)大小和方向的變化，造成在X、Y方向上跟蹤誤差較大，最大跟蹤誤差達(dá)到31.7 和22.39像素，平均誤差值達(dá)到17.694 5和12.266 6像素，且隨著時(shí)間的積累誤差越來越大.同時(shí)，從圖中也可以看出，由于文中跟蹤算法融入了邊緣、運(yùn)動(dòng)信息和搜索窗口的自適應(yīng)調(diào)整，故采集到的X、Y方向上的目標(biāo)位置信息與實(shí)際坐標(biāo)軌跡變化狀態(tài)基本一致，均保持穩(wěn)定的較小誤差，最大誤差值分別為9.446 9和6.692 4像素，平均誤差值分別為3.504 3和2.687 2像素.

圖6　X、Y方向上的跟蹤定位結(jié)果對(duì)比

根據(jù)X、Y方向上的跟蹤坐標(biāo)信息，計(jì)算出整個(gè)過程中總的誤差信息.圖7則給出了傳統(tǒng)Mean Shift算法單獨(dú)使用RGB顏色特征和文中改進(jìn)算法的誤差對(duì)比結(jié)果.從圖中可以看出，在前面跟蹤階段中，原始算法出現(xiàn)較大誤差，最大誤差達(dá)到25.297 6像素；而文中算法最大誤差為8.166 3像素，誤差波動(dòng)不是很大.在后續(xù)階段中，跟蹤目標(biāo)遠(yuǎn)離攝像頭，目標(biāo)大小明顯變小，傳統(tǒng)均值漂移算法由于核函數(shù)窗口尺寸和方向固定，在基于已有較大誤差的跟蹤結(jié)果繼續(xù)迭代，促使跟蹤誤差進(jìn)一步變大，平均誤差達(dá)到21.696 8像素，直至最終丟失目標(biāo)；而文中算法平均跟蹤誤差和最大誤差分別僅為4.679 8和9.674 7像素，一直保持穩(wěn)定狀態(tài).

圖7　跟蹤誤差對(duì)比

圖8給出了在視頻序列II中基于文中跟蹤算法對(duì)多個(gè)行人進(jìn)行跟蹤的結(jié)果，依次為第58、210、318、360、400、530、580、610、620、640、670、690幀的跟蹤結(jié)果.從圖中可以看出，多運(yùn)動(dòng)行人的跟蹤效果較好，行人運(yùn)動(dòng)軌跡基本都成功跟蹤到.同時(shí)，從圖8中可以看出監(jiān)控場景中含行人遮擋情況，圖8(h)-8(j)分別顯示遮擋前、中、后3個(gè)狀態(tài)的跟蹤效果.圖8(h)是行人發(fā)生遮擋前的跟蹤圖像，圖8(i)為遮擋中的跟蹤效果圖，圖8(j)為遮擋結(jié)束后的跟蹤圖像.從圖8(h)和8(i)可以看出，文中多特征融合算法在一定程度上可以抵制局部遮擋，雖在發(fā)生遮擋時(shí)跟蹤到的軌跡有些波動(dòng)，遮擋結(jié)束后，基本能夠恢復(fù)對(duì)遮擋行人的跟蹤.

圖8　多行人跟蹤結(jié)果

圖9給出了上述交通場景整個(gè)跟蹤過程各個(gè)目標(biāo)的跟蹤誤差變化情況(上圖已經(jīng)對(duì)各個(gè)目標(biāo)進(jìn)行編號(hào)).在跟蹤過程中，需建立目標(biāo)鏈，隨著目標(biāo)的進(jìn)、出不斷更新，當(dāng)目標(biāo)走出跟蹤區(qū)域，則從目標(biāo)鏈中刪除，圖9前面部分主要給出了目標(biāo)1和2的誤差變化狀況；在中間部分目標(biāo)3開始進(jìn)入，而目標(biāo)1和2離開跟蹤區(qū)域；在后面部分目標(biāo)4進(jìn)入.同時(shí)，從圖中也可以看出，在整個(gè)跟蹤過程中，各個(gè)目標(biāo)的跟蹤誤差基本穩(wěn)定，最大誤差分別為13.865 7、12.925 7、16.342 5和12.674 8像素，平均誤差分別為5.536 7、5.325 7、5.738 1和4.913 5像素.實(shí)驗(yàn)結(jié)果表明：文中算法因融入了邊緣、運(yùn)動(dòng)信息和搜索窗口的自適應(yīng)調(diào)整，故在整個(gè)跟蹤過程中跟蹤目標(biāo)的誤差波動(dòng)不明顯，基本保持穩(wěn)定的較小誤差，行人跟蹤效果比原始算法更準(zhǔn)確.

圖9　目標(biāo)跟蹤誤差曲線圖

3　結(jié)語

為提高目標(biāo)跟蹤的精度，文中提出了基于多特征概率分布的均值漂移行人跟蹤算法.采用顏色、邊緣、運(yùn)動(dòng)3個(gè)具有一定互補(bǔ)性的特征進(jìn)行聯(lián)合概率跟蹤，通過目標(biāo)顏色、輪廓和運(yùn)動(dòng)直方圖分布描述目標(biāo)的外觀、空間和動(dòng)態(tài)特征，增強(qiáng)了對(duì)目標(biāo)特征的描述能力；該算法還根據(jù)直方圖反向投影和顏色、輪廓特征所占權(quán)重，運(yùn)用自適應(yīng)融合法生成新型特征目標(biāo)的關(guān)聯(lián)概率分布，融合策略合理，實(shí)現(xiàn)簡單，保證了跟蹤性能的充分發(fā)揮；算法最后在均值漂移跟蹤框架下，通過關(guān)聯(lián)概率密度的零階矩值調(diào)整下一幀跟蹤窗口尺寸，實(shí)現(xiàn)搜索窗口的自適應(yīng)調(diào)整，提高了目標(biāo)跟蹤的準(zhǔn)確度.行人跟蹤實(shí)驗(yàn)結(jié)果表明，文中算法中顏色、輪廓特征的鑒別性較高，且融入了運(yùn)動(dòng)特征，避免了單一特征的不穩(wěn)定，對(duì)顏色相似區(qū)域、運(yùn)動(dòng)背景干擾和部分遮擋等均具有較高的魯棒性，比傳統(tǒng)Mean Shift算法的誤差小，跟蹤性能更好.然而，實(shí)際交通環(huán)境復(fù)雜，運(yùn)動(dòng)目標(biāo)之間存在干擾、遮擋導(dǎo)致跟蹤位置丟失等問題，需對(duì)此展開進(jìn)一步研究.

[1]RUI Y,CHEN Y.Better proposal distributions：object tracking using unscented particle filter [C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Arlington:[s.n.],2001,786- 793.

[2]SHAN C F,TAN T N,WEI Y C.Real-time hand tracking using a mean shift embedded particle filter [J].Pattern Recognition,2007,40(7):1958- 1970.

[3]顧幸方,茅耀斌,李秋潔.基于meanshift 的視覺目標(biāo)跟蹤算法綜述 [J].計(jì)算機(jī)科學(xué),2012,39(12)：16- 24.

GU Xing-fang,MAO Yao-bin,LI Qiu-jie.Survey on visual tracking algorithms based on mean shift. [J].Computer Science,2012,39(12)：16- 24.

[4]BRASNET P,MIHAYLOVA L,BULL D.Sequential monte carb tracking by fusing multiple cues in video sequence [J].Image Vision Computing,2007,25(8)：1217- 1227.[5]SERBY D,KOLLER-Meier E,VAN-Gool L.Probabilistic object tracking using multiple features [C]∥International Conference on Pattern Recognition.Cambridge:[s.n.],2004:184- 187.

[6]解易,裴明濤,于冠群.增量學(xué)習(xí)灰度與輪廓模板的行人跟蹤方法 [J].北京理工大學(xué)學(xué)報(bào),2012,32(3):274- 280.

XIE Yi,PEI Ming-tao,YU Guan-qun.Incremental lear-ning intensity and contour templates for tracking pedes-trians on PTZ camera surveillance platform [J].Transactions of Beijing Institute of Technology,2012,32(3):274- 280.

[7]趙高鵬,薄煜明,陳益.多特征提取的紅外和可見光目標(biāo)跟蹤方法 [J].兵工學(xué)報(bào),2011,32(4)：445- 451.

ZHAO Gao-peng,BO Yu-ming,CHEN Yi.A method for tracking object in infrared and visible image based on multiple features [J].Journal of China Ordnance,2011,32(4):445- 451.

[8]賈松敏,王爽,王麗佳.多特征自適應(yīng)均值漂移算法的目標(biāo)跟蹤 [J].光電子·激光,2014,25(10):2018- 2024.

JIA Song-min,WANG Shuang,WANG Jia-li.Human tracking based on adaptive multi-feature mean-shift algorithm [J].Journal of Optoelectronics·Laser,2014,25(10):2018- 2024.

[9]WANG J Q,YAgi Y S.Integrating color and shape-texture features for adaptive real-time object tracking [J].IEEE Transactions on Image Processing,2008,17(2):235- 240.

[10]李琦,邵春福,岳昊.核窗口尺寸和目標(biāo)模型自適應(yīng)的均值漂移跟蹤 [J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,41(2)：74- 81.

LI Qi,SHAO Chun-fu,YUE Hao.Mean shift tracking with adaptive kernel window size and target model [J].Journal of South China University of Technology(Natural Science Edition),2013,41(2)：74- 81.

[11]王年,丁業(yè)兵,唐俊,等.寬帶自適應(yīng)的Mean shift 目標(biāo)跟蹤算法 [J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,39(10)：44- 49.

WANG Nian,DING Ye-bing,TANG Jun,et al.Bandwidth-adaptive mean-shift target tracking algorithm [J].Journal of South China University of Technology(Natural Science Edition),2011,39(10)：44- 49.

[12]丁業(yè)兵,王年,唐俊,等.基于顏色和邊緣特征Cam Shift目標(biāo)跟蹤算法 [J].華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,38(1)：69- 74.

DING Ye-bing,WANG Nian,TANG Jun,et al.Cam Shift target tracking algorithm based on color and edge character [J].Journal of East China University of Science and Technology(Natural Science Edition),2012,38(1)：69- 74.[13]王鑫,徐立中.圖像目標(biāo)跟蹤技術(shù) [M].北京：人民郵電出版社,2012.

[14]RAFAEL C G,RICHARD E W,STEVEN L E.Digital image processing using MATLAB [M].Beijing：Publishing House of Electronics Industry,2005：260- 280.

Supported by the National High-tech R & D Program of China(863 Program)(2009AA11Z207)

Mean Shift Pedestrian Tracking Algorithm Based on Multi-Feature Probability Distribution

WANGAi-li1,2DONGBao-tian1WUHong-yuan1

(1.School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China; 2.Information Technology Center,China Railway Corporation,Beijing 100044,China)

For the traditional mean shift tracking algorithm, single feature and fixed nuclear window size may result in a track loss when the size and color of targets change. In order to solve this problem, a pedestrian tracking algorithm is proposed based on the multi-feature probability distribution and the mean shift. In the algorithm, first, a target model is constructed based on the color, outline and movement features, and thus the color, edge and movement histogram distributions are obtained. Then, a two-dimensional probability density distribution is created by means of the back-projection of the color and edge histograms, and the color and edge probability distributions are corrected by using the movement information. Moreover, according to the multi-feature weights, the correlation probability distribution of target features is achieved by the adaptive fusion method. Finally, the zero moment of the correlation probability distribution is used to adjust the size of the next tracking window, and by combining the mean shift tracking framework, a normal target tracking is realized. Experimental results indicate that the proposed algorithm is more accurate in extracting target features and can track pedestrians in complex traffic scenes.

pedestrian tracking; mean shift; histogram distribution; multi-feature fusion; correlation probability distribution

2015- 10- 18

國家“863”計(jì)劃項(xiàng)目(2009AA11Z207)；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20110009110011)

王愛麗(1987-),女,博士生,主要從事智能交通研究.E-mail：wangaili20050722@163.com

1000- 565X(2016)08- 0123- 08

U 491

10.3969/j.issn.1000-565X.2016.08.018