韓 旭，蔡中民

（河南牧業(yè)經(jīng)濟(jì)學(xué)院 應(yīng)用電子系，河南 鄭州 450046）

基于多信息融合的行人狀態(tài)采集識(shí)別模型

韓 旭，蔡中民

（河南牧業(yè)經(jīng)濟(jì)學(xué)院 應(yīng)用電子系，河南 鄭州 450046）

針對粒子濾波算法在采樣階段因證據(jù)不足，使得行人智能跟蹤系統(tǒng)效率不高、魯棒性不強(qiáng)的問題，融合顏色、紋理和空間等多證據(jù)信息和RGB顏色空間建立行人外觀模型，采用優(yōu)化的LBP紋理特征算法（LBP_AE算法）消除干擾、提取證據(jù)信息。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的多證據(jù)信息融合模型，可以有效實(shí)現(xiàn)在復(fù)雜條件下的行人跟蹤問題，相比傳統(tǒng)算法有較高識(shí)別準(zhǔn)確率。

粒子濾波；行人；采樣；多證據(jù)；LBP_AE；空間信息

科技的發(fā)展給交通業(yè)帶來了極大的挑戰(zhàn)，只有掌握到站場內(nèi)部客流波動(dòng)的真實(shí)情況，才能從信息的角度出發(fā)保證對應(yīng)策略的科學(xué)有效性和旅客出行的安全性，有效地竭制客流擁堵造成的事故。電腦視覺技術(shù)的行人識(shí)別方式在當(dāng)前已變成該領(lǐng)域當(dāng)中極重要的一個(gè)課題[1-2]，其中的一個(gè)重要保障性技術(shù)就是目標(biāo)跟蹤識(shí)別技術(shù)。在研究科學(xué)合理、全方位的行人技術(shù)平臺(tái)工作中，目標(biāo)跟蹤識(shí)別技術(shù)是一項(xiàng)不可或缺的前提。不過，在實(shí)現(xiàn)精確跟蹤時(shí)由于物體的實(shí)際形態(tài)和周遭環(huán)境的改變會(huì)導(dǎo)致一系列必須解決的難點(diǎn)問題出現(xiàn)[3]。

簡單來說，及時(shí)預(yù)估行人的運(yùn)動(dòng)情況即為行人跟蹤，判別行人目標(biāo)是其整體工作過程，系統(tǒng)的識(shí)別效率在一定程度上受到了結(jié)果的限制[4]。在此，筆者從交通現(xiàn)場的實(shí)際工作需求出發(fā)，對可見光環(huán)境中的識(shí)別手法作了詳盡的剖析。當(dāng)前情況下，匹配和概率預(yù)估兩個(gè)類型是羅列了全部有關(guān)的技術(shù)后得到的最典型的技術(shù)方法[5]。

第一種類型的行人跟蹤方式有如下4種，即在特征[6]基礎(chǔ)上的、在模板[7]基礎(chǔ)上的、在模型[8-9]基礎(chǔ)上的行人跟蹤方式、在區(qū)域[10]基礎(chǔ)上的行人跟蹤方式，它們的布署工作相對簡單，但對比較復(fù)雜的交通環(huán)境下出現(xiàn)的行人遮掩、動(dòng)作變化等狀況沒有充分的魯棒性。

正是因?yàn)樗某掷m(xù)變化，算法復(fù)雜程度就無法得到有效的管控。線性狀態(tài)方程下的跟蹤事項(xiàng)比較偏向于采用這種技術(shù)，從其自身角度來說，在當(dāng)前復(fù)雜的交通環(huán)境中不能有效地發(fā)揮功用。

第二種類型中，卡爾曼[11-12]與粒子濾波[13]是最典型的兩種跟蹤方式，它有很多優(yōu)點(diǎn)，比方說操作起來很輕松，還能展開并行處理?，F(xiàn)階段，行業(yè)內(nèi)相關(guān)人員對此項(xiàng)技術(shù)展開了諸多研究并得到了很大進(jìn)展[14-18]，不過此技術(shù)在算法上仍然存在很多問題，比如怎樣在一些復(fù)雜的情況下捕捉到針對性強(qiáng)的跟蹤特點(diǎn)與重要的證據(jù)。

采樣、計(jì)算權(quán)值、輸出沖采樣等方面的工作是實(shí)現(xiàn)粒子濾波算法的具體步驟。行人智能跟蹤系統(tǒng)在粒子濾波算法的采樣階段由于缺乏證據(jù)出現(xiàn)準(zhǔn)確性低、魯棒性特征不明顯等難點(diǎn)是本文重點(diǎn)解決的事項(xiàng)。系統(tǒng)的實(shí)時(shí)性和具體特征在工作中的實(shí)際需要是該模型優(yōu)先考量的事項(xiàng)，對應(yīng)的模型創(chuàng)建工作是利用RGB顏色空間來實(shí)現(xiàn)的。接下來對LBP紋理特征的算法予以優(yōu)化，并基于此來闡述經(jīng)優(yōu)化后的模型。引入像素的梯度資料，鑒定像素區(qū)域有否產(chǎn)生比較顯著的波動(dòng)，將計(jì)算閾值的方法予以改變，消除紋理區(qū)分受到的來自像素點(diǎn)亮度輕微波動(dòng)的影響，把紋理證據(jù)特征恰如其分地體現(xiàn)出來等工作都是利用它來得以實(shí)現(xiàn)的；另一方面，空間信息也被筆者引用到該研究工作中來，具體做法是運(yùn)用亮度信息依照人體特征將取得的行人矩形區(qū)域初始數(shù)據(jù)深入化解為3個(gè)對應(yīng)的子區(qū)域，接下來在所有子區(qū)域里面捕捉相關(guān)的證據(jù)數(shù)據(jù)，在這種方法下把目標(biāo)狀態(tài)和其空間信息特征一一對應(yīng)起來，最終提升該方法的魯棒性。

1 多證據(jù)信息融合觀測模型

正常來說，顏色和其紋理融合信息無法與其空間信息相對應(yīng)，這項(xiàng)特征使得它不能準(zhǔn)確地判斷出被跟蹤的對象。行人目標(biāo)模型成為筆者最先說明的對象，基于此，再全面考量多證據(jù)信息予以體現(xiàn)，有機(jī)地把對象部分的紋理色彩和空間數(shù)據(jù)證據(jù)揉和在一起，使其描述得以提升，以期做出高效的判別。

建模是行人跟蹤算法的首要工作，在此過程中不但要使它的具體需求得到滿足，還要將充分的條件留給后續(xù)的數(shù)學(xué)處理工作，一般來說，為了預(yù)防求解工作中發(fā)生某些不必要的難度，并不需要精準(zhǔn)的假設(shè)目標(biāo)構(gòu)造。

矩形和橢圓兩類描述模型一般都會(huì)出現(xiàn)在二維圖像中，基于當(dāng)下流行的行人特征檢測技術(shù)的考量，筆者在本文中的描述工作以矩形窗口來展開，詳細(xì)說來，式（1）能有效地描述目標(biāo)行人的狀況

式中：u，v用以表示矩形的中心，中心距離兩邊的大小則由l，h來表示。一般情況下目標(biāo)的運(yùn)動(dòng)是預(yù)測不到的，所以，筆者在此假定隨機(jī)游走模型能被行人狀態(tài)的變化所滿足，在這種做法下來提升其通用性，此時(shí)，式（2）能有效地描述該模型的狀態(tài)

式中：Wk-1是一種多變量的高斯噪聲，各不同變量之間相互獨(dú)立存在。

2 各證據(jù)信息子模型設(shè)計(jì)

2.1 顏色信息證據(jù)模型

顏色信息證據(jù)模型[19-20]在很多方面都有其自身的優(yōu)點(diǎn)，比方說它具有很簡單的結(jié)構(gòu)，對目標(biāo)的改變不敏感，在跟蹤非規(guī)則性物體的工作中具有更好的實(shí)用性，可以得到極為理想的效果。把目標(biāo)的顏色視為證據(jù)，只能實(shí)現(xiàn)首帖圖像中的建立顏色模型，基于此實(shí)現(xiàn)對應(yīng)的跟蹤工作。

一般來說，顏色空間描述在一定程度上受到了來自各個(gè)不可預(yù)測的條件帶來的干擾，實(shí)用性與辨識(shí)力是目標(biāo)模型中心范圍的像素顏色描述所必不可少的，基于此，各個(gè)區(qū)域范圍中的像素值相應(yīng)的權(quán)重值在此應(yīng)該得到明確。簡單而言，式（3）有效描述了行人候選區(qū)域

2.2 LBP_AE紋理信息證據(jù)模型

一般來說，目標(biāo)紋理證據(jù)特征的魯棒性、辨識(shí)能力、旋轉(zhuǎn)和光照不變性都比較好，它的這些優(yōu)點(diǎn)受到了行人目標(biāo)識(shí)別等工作的大力追捧。此方法在具體操作時(shí)也有一些缺陷：比方說它會(huì)占去很多的時(shí)間來求解計(jì)算量。一些很顯著的優(yōu)點(diǎn)從局部二元模式（local binary pattern）中突顯出來，這在計(jì)算機(jī)的操作中較為簡單，且無須耗費(fèi)太多時(shí)間便能實(shí)現(xiàn)。筆者對系統(tǒng)實(shí)時(shí)性的需求展開了詳盡的剖析后采用改進(jìn)LBP算法，在此基礎(chǔ)上來優(yōu)化行人目標(biāo)描述過程中的弊端，經(jīng)過優(yōu)化的LBP_AE算法模型由此而生，如此一來，其描述的準(zhǔn)確程度相對較好。

具體的優(yōu)化措施：利用引入的像素點(diǎn)梯度信息來判定相對明顯的變化有沒有在該像素區(qū)內(nèi)產(chǎn)生。同時(shí)改變閾值計(jì)算方式，運(yùn)用消除紋理區(qū)分像素點(diǎn)亮度的輕微波動(dòng)造成的干擾，呈現(xiàn)出真正的紋理證據(jù)特性。

式（4）～（5）能求解Sobel法得到的圖像梯度數(shù)據(jù)

式中：θ(x,y)代表了梯度方向；gx和gy分別代表了圖像水平和垂直方向的梯度變化。其紋理的變化情況由圖像的梯度來表示，式（6）能對此展開求解

式中：N代表感興趣區(qū)域像素點(diǎn)數(shù)；gj的比例值由δr(gj)來表示，gj的像素點(diǎn)數(shù)由代表梯度的ngj來表示，在此筆者的主要工作是利用求解δ來判定圖像波動(dòng)是否處在一種平滑狀態(tài)。

式（7）能有效描述經(jīng)過優(yōu)化后的LBP_AE

本文中筆者描述的方法是紋理直方圖，簡單而言，式（8）可有效描述紋理直方圖屬于行人候選區(qū)域

行人候選區(qū)域像素點(diǎn)數(shù)在公式中由N和M所表示，狄拉克函數(shù)由k∈{1，2，3，…，P+2}來表示。

2.3 空間證據(jù)模型

由于筆者在描述目標(biāo)區(qū)域工作中采用的是矩形區(qū)域，所以，如果遇到比較復(fù)雜的情況就會(huì)經(jīng)常出現(xiàn)目標(biāo)被遮攔的不利的現(xiàn)象，這樣一來，跟蹤目標(biāo)在一定程度上增大了難度。雖然前文提到過行人特征在有機(jī)融合顏色和紋理信息后能得到有效的描述，可卻未涉及其空間信息，上述提到的一些確實(shí)存在的情況并沒有得到很好的處理。

在人體特性的基礎(chǔ)上，筆者更進(jìn)一步地把行人區(qū)域劃分成3個(gè)子區(qū)域，捕捉其有關(guān)信息的工作在所有區(qū)域中都進(jìn)行，跟蹤信息和其空間。雙方在此方法的作用下彼此互相一一對應(yīng)起來，如此一來，求解的魯棒性在很大程度上得以增加。

涵蓋了人的頭部、上身、腿部等3個(gè)部分在紋理和顏色等方面互相之間有明顯的不同，將目標(biāo)細(xì)分成3個(gè)子區(qū)域，換言之，用兩條水平分割線將上述3個(gè)部分分別視為一個(gè)區(qū)域，具體做法是：

1）區(qū)分出既測目標(biāo)行人區(qū)域，捕捉各子區(qū)域中置信度偏大的像素點(diǎn)。

2）尋找水平分割線的工作是在捕捉到的像素點(diǎn)的灰度值的基礎(chǔ)上完成的，假定兩個(gè)持續(xù)子區(qū)域分別由Ta和Tb來表示，而且，Ta在Tb之上，式（9）能求解它們的水平分割線位置

目標(biāo)跟蹤在所有子區(qū)域被筆者劃分完后的比例一直都表現(xiàn)得很平穩(wěn)，信息證據(jù)模型在所有子區(qū)域空間里得以創(chuàng)建完成，并完成紋理、顏色和空間信息互相對應(yīng)的工作，以此來提升它的魯棒性。

2.4 基于空間劃分的顏色紋理證據(jù)特征相似度融合信息描述

在前文所說的劃分區(qū)域和創(chuàng)建模型的工作得到實(shí)現(xiàn)后，再在對比分析相似度的基礎(chǔ)上來對跟蹤目標(biāo)所在的場合予以分析，最終得到有效的跟蹤效果。

在計(jì)量相似度工作中用得最多、最好的技術(shù)手法是Bhat?tacharyya相似系數(shù)法，各類證據(jù)特征直方圖的相似度都可以通過它來實(shí)現(xiàn)，它的操作極為簡單方便，顏色紋理直方圖是筆者在研究工作中采用的計(jì)量方式，此算法應(yīng)該得到優(yōu)化，式（12）能對此進(jìn)行有效求解

式（13）體現(xiàn)了聯(lián)合顏色紋理似然函數(shù)對x的權(quán)值求解過程

3 實(shí)驗(yàn)結(jié)果及分析

3.1 本文模型與經(jīng)典模型的跟蹤效果比較及分析

筆者提到的多證據(jù)融合模型需要大量粒子的使用，基于此，粒子濾波計(jì)算方式在一定程度上對它的及時(shí)性帶來了或大或小的影響。筆者在粒子濾波計(jì)算方式的權(quán)值計(jì)算和輸出的兩項(xiàng)工作中優(yōu)化了文獻(xiàn)[21]所示的方式，其運(yùn)算效率在其改進(jìn)優(yōu)化以后得以大量提升，另外，粒子的大小和數(shù)量等因素也不再對其產(chǎn)生束縛作用。

在相同的拍攝現(xiàn)場和實(shí)驗(yàn)平臺(tái)下做實(shí)驗(yàn)，其中原始視頻如圖1所示，單純地把色彩視為該模型（這里簡稱STM）[22]的試驗(yàn)結(jié)果，如圖2所示，聯(lián)合色彩和紋理的雙證據(jù)跟蹤判別模型（簡稱STTM）[23-24]的試驗(yàn)結(jié)果如圖3所示，筆者創(chuàng)建的多證據(jù)融合下跟蹤判別模型（SKTTM）的試驗(yàn)結(jié)果如圖4所示，各組圖予以比照剖析。值得一提的是，筆者使用自行在某地鐵站通道內(nèi)拍攝的錄像用于測試。試驗(yàn)工作中涉及到的平臺(tái)為：Intel 3.0 GHz 4 Gbyte內(nèi)存、Windows7，Visual C++6.0，粒子像素是37×46，數(shù)量高達(dá)400。

圖1 視頻原始幀

在視頻中可以看到，由于此目標(biāo)剛開始出現(xiàn)在視頻中時(shí)沒有其他不利因素的干擾，可以有效跟蹤試驗(yàn)的3個(gè)模型，具體的狀態(tài)連續(xù)識(shí)別情況如圖1a所示。圖1b中受目標(biāo)衣著和周圍商業(yè)廣告標(biāo)牌色彩相近的影響，STM的矩形跟蹤區(qū)域和實(shí)踐操作狀況下有著較大的差距。不過，相對較好的連續(xù)判別能力在后兩種方案中得以體現(xiàn)出來。圖1c中出現(xiàn)的情況可以通過SKTTM法來實(shí)現(xiàn)。

圖2 使用STM的目標(biāo)行人運(yùn)動(dòng)狀態(tài)識(shí)別結(jié)果示意圖

圖3 使用STTM的目標(biāo)行人運(yùn)動(dòng)狀態(tài)識(shí)別結(jié)果示意圖

圖4顯示，跟蹤線索會(huì)隨著行人跟蹤時(shí)附近環(huán)境的變化受到干擾而在一定程度上發(fā)生變化?？臻g信息對應(yīng)的紋理、顏色證據(jù)信息可以在較小的區(qū)域中進(jìn)行融合，如此一來，某些因環(huán)境條件變化而帶來的負(fù)面影響能得以消除，與其他的兩種模型方案相比，它體現(xiàn)出來的魯棒性具有更強(qiáng)的優(yōu)越性，可以實(shí)現(xiàn)在跟蹤識(shí)別過程中實(shí)現(xiàn)高效的持續(xù)狀況估計(jì)。

圖4 使用SKTTM的目標(biāo)行人運(yùn)動(dòng)狀態(tài)識(shí)別結(jié)果示意圖

3.2 LBP_AE紋理信息證據(jù)模型實(shí)驗(yàn)效果分析

基于LBP紋理特征算法的某些缺陷，筆者在本文中對其進(jìn)行優(yōu)化，使有效描述紋理特征成為現(xiàn)實(shí)，下面對此優(yōu)化方法的有效性予以驗(yàn)證。算法1所示的LBP紋理特征[25]、算法2所示的GSR-LBP紋理特征[26]和筆者自行設(shè)計(jì)改進(jìn)的LBP_AE紋理特征的算法都在上述視頻中有所體現(xiàn)，行人運(yùn)動(dòng)狀態(tài)估計(jì)實(shí)驗(yàn)是利用前文所說的SKTTM模型來展開的。

比較參數(shù)用跟蹤的準(zhǔn)確率表示，式（14）可對其展開求解

正確和錯(cuò)誤跟蹤目標(biāo)的圖像幀數(shù)中分別用TP和FN來表示。前文所述的3個(gè)紋理特征證據(jù)捕捉方式得到的試驗(yàn)結(jié)果通過圖5來體現(xiàn)。

圖5 3種算法的跟蹤準(zhǔn)確率

前文所述的3種算法在圖5中得到了很好的展現(xiàn)，優(yōu)化后提升其跟蹤效果的準(zhǔn)確率為94.8%，GSR-LBP以92.3%的準(zhǔn)確率位列第二，LBP以88.6%的準(zhǔn)確率位列第三，經(jīng)過一系列的分析得出結(jié)論：相對于業(yè)內(nèi)其他兩種典型的算法來說，LBP_AE能在很大程度上使其跟蹤的準(zhǔn)確率得以提升，另外，更好的操作性在持續(xù)對行人運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別時(shí)也被很好地體現(xiàn)出來。

3.3 識(shí)別模型的消耗時(shí)間分析

接下來筆者結(jié)合本文設(shè)計(jì)的模型和普通直方圖與積分直方圖，對其所消耗時(shí)間展開比較，使筆者設(shè)計(jì)的模型的實(shí)用范疇和實(shí)用價(jià)值得到實(shí)踐的驗(yàn)證，這里仍按前文提到的、筆者自行拍攝的視頻引用到試驗(yàn)中，通過下列兩種情況來進(jìn)行試驗(yàn)：

1）在粒子的大小不一樣卻在數(shù)量上保持一致的狀況下耗用的時(shí)間見表1。

表1 不同粒子大小消耗時(shí)間比較 s

表1顯示：筆者自創(chuàng)的模型運(yùn)行于普通直方圖中的時(shí)間受到了粒子像素?cái)?shù)的干擾，但在積分直方圖中的表現(xiàn)卻不相同，完全與之無關(guān)。

2）在粒子的大小保持平穩(wěn)而變化其數(shù)量的狀況下，其所耗用的時(shí)間見表2。

表2 不同粒子數(shù)消耗時(shí)間比較s

表2顯示：粒子數(shù)在較大程度上影響了筆者自行設(shè)計(jì)的模型在普通直方圖算法中所運(yùn)行的時(shí)間，它的運(yùn)算時(shí)間會(huì)伴著粒子數(shù)的增大而產(chǎn)生明顯的增長，然而，積分直方圖算法中它卻基本沒有受到干擾。

上文2個(gè)實(shí)驗(yàn)結(jié)果顯示：粒子可能出現(xiàn)的區(qū)域與粒子的大小和數(shù)量多少成正比，在積分直方圖算法計(jì)算中，筆者自行設(shè)計(jì)的模型突顯出了極為顯著的優(yōu)越性。

4 總結(jié)

總而言之，筆者在粒子濾波跟蹤計(jì)算方式的基礎(chǔ)上，對相對繁雜的站內(nèi)交通狀況下的行人跟蹤事項(xiàng)展開了深入細(xì)致的探討。筆者將行人特有的非剛體的特性和環(huán)境帶來的不良影響納入考量范圍，基于其采樣步驟，對融合色彩、紋理、空間數(shù)據(jù)證據(jù)的行人連續(xù)狀態(tài)識(shí)別模型作了詳細(xì)的闡述，實(shí)現(xiàn)了有效跟蹤復(fù)雜環(huán)境下的行人。相對于單線索或簡單多證據(jù)線索融合的粒子濾波行人跟蹤采樣算法來說，其效果在實(shí)踐工作中更便于推廣和應(yīng)用。另外，相對偏低的運(yùn)算效率是因?yàn)槎嘧C據(jù)信息融合所需大量的粒子而產(chǎn)生，筆者在粒子濾波計(jì)算方式的權(quán)值計(jì)算和輸出兩項(xiàng)工作中改進(jìn)了文獻(xiàn)[21]所提到的方法，其運(yùn)算效率在實(shí)驗(yàn)論證下已經(jīng)得到了極大的提升。在粒子大小與數(shù)量等方面，筆者設(shè)計(jì)的多證據(jù)信息融合的粒子濾波采樣模型并沒有被約束，在準(zhǔn)確、快速地跟蹤目標(biāo)行人的有關(guān)問題上能從本文中得到一條良好的化解思路。

[1]曹藝華，楊華，李傳志.基于時(shí)空LBP加權(quán)社會(huì)力模型的人群異常檢測[J].電視技術(shù)，2012，36（21）：145-148.

[2]付洋，宋煥生，陳艷，等.一種基于視頻的道路行人檢測方法[J].電視技術(shù)，2012，36（13）：140-144.

[3] ENZWEILER M，GAVRILA D M.Monocular pedestrian detec?tion：survey and experiments[J]．Journal of IEEE Trans.Pat?tern Analysis and Machine Intelligence，2009，31（12）：2179-2195.

[4] 王永忠，梁彥，潘泉，等.基于自適應(yīng)混合高斯模型的時(shí)空背景建模[J].自動(dòng)化學(xué)報(bào)，2009，35（4）：371–378.

[5] 張娟，毛曉波，陳鐵軍.運(yùn)動(dòng)目標(biāo)跟蹤算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2009（12）：4407-4409.

[6] 高陳強(qiáng)，余迪虎，李強(qiáng)，等.視頻圖像中基于特征匹配的人流量統(tǒng)計(jì)[J].電視技術(shù)，2011，35（15）：20-23.

[7] 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.

[8] SHERRAH J，RISTIC B，REDDING N J.Particle filter to track multiple people for visual surveillance[J].IET Computer Vision，2011，5（4）：192-200.

[9] 江帆，王貴錦，劉暢.一種基于模型融合的行人跟蹤算法[J].電視技術(shù)，2010，34（3）：85-87.

[10] 明安龍，馬華東.多攝像機(jī)之間基于區(qū)域SIFT描述子的目標(biāo)匹配[J].計(jì)算機(jī)學(xué)報(bào)，2008，31（4）：650-661.

[11] 李熙瑩，盧林，陳玲.汽車客運(yùn)站出入口監(jiān)控系統(tǒng)中行人檢測與跟蹤方法[J].計(jì)算機(jī)與現(xiàn)代化，2013（8）：15-18.

[12] STEPANOV O A.Kalman filtering：past and present，an outlook from Russia[J]．Gyroscopy and Navigation，2011，2（2）：99-110.

[13] 張洪建.基于有限集統(tǒng)計(jì)學(xué)的多目標(biāo)跟蹤算法研究[D].上海：上海交通大學(xué)，2009.

[14] SHERRAH J.，RISTIC B，REDDING N J．Particle filter to track multiple people for visual surveillance[J]．Gyroscopy and Navigation，2011，5（4）：99-200.

[15] XU KUN，GUO Lanying．An anti-occlusion object tracking al?gorithm based on mean shift and particle filter[J]．ICIC Ex?press Letters，Part B：Applications，2011，2（1）：95-100.

[16]梁琛華，常青.基于HOG隨機(jī)森林分類器的人體識(shí)別[J].電視技術(shù)，2013，37（15）：185-188.

[17]AGUSTIENS I，RAHMAT W M，BASARUDDIN T.Particle filter with Gaussian weighting for human tracking[J]．Telkomnika，2012，10（6）：1453-1457.

[18]BALCELLS C M，DAVID D，DANIEL D.An appearance based approach for human and object tracking[C]//Proc.the IEEE In?ternational Conference on Image Processing.[S.l.]：IEEE Press，2003：85-88.

[19]李培華.一種新穎的基于顏色信息的粒子濾波器跟蹤算法[J].計(jì)算機(jī)學(xué)報(bào)，2009，32（12）：2454-2463.

[20] 徐小龍，谷宇章，王營冠，等.基于顏色特征的人流量實(shí)時(shí)檢測方法[J].現(xiàn)代電子技術(shù)，2014，37（7）：92-97.

[21] ZHANG Yang，LIU Weiming.Diverse gentle adaboostwith cost-sensitiveSVM ensemble classifiers algorithm forreal-time pedestrian tracking based on machinevision[J].International Journal of Digital Content Technology and Its Applications，2014，8（1A）：222-225.

[22]王怡蕾，丁輝，尚媛園.顏色與紋理相融合的自適應(yīng)粒子濾波跟蹤算法[J].光學(xué)技術(shù)，2014，40（1）：27-31.

[23]KUMAR K B，SATPUTE N R，ADIGA A．Tabu search based implementation of object tracking using joint color texture histo?gram[C]//Proc.IEEE 7th International Conference on Industri?al and Information Systems．Chennai，India：[s.n.]，2012：829-835.

[24] LIU Li，ZHAO Lingjun，LONG Yunli，et al.Extended local bi?nary patterns for texture classification[J].Image and Vision Computing，2012，30（2）：86-99.

[25]OJALA T，VALKEALAHTI K，OJA E，et al.Texture discrimi?nation with multi-dimensional distributions of signed gray-lev?el differences[J]．Pattern Recognition，2001，34（3）：727-739.

[26] OJALA T，PIETIK?INEN M，M?ENP?? T.Multiresolution gray-scale and rotation invariant textureclassification with local binary patterns[J].IEEE Trans.Pattern Analysis and Machine Intelligence，2006，24（7）：971-987.

責(zé)任編輯：閆雯雯

Recognition Model of Pedestrian State Acquisition Based on Multi Information Fusion

HAN Xu,CAI Zhongmin
（Henan University of Animal Husbandry&Economy,Zhengzhou 450046,China）

When the particle filter algorithm is applied to the pedestrian motion state estimation,insufficient evidence in the sampling phase leads to pedestrian intelligent tracking system is not efficient,robust feature is not significant, and so on.In order to solve the above problems,the paper fusion the multi-evidence information of color,texture and space to jointly build pedestrian appearance mode,utilizes the optimized LBP texture features algorithm(LBP_AE algorithm)to distinguish interference and extract evidence information.After experimental verification,the designed multi-evidence information fusion modelcan effectively solve the problem ofpedestrian tracking in complex conditions under the conjunction with the integral histogram algorithm,at the same time,the LBP_AE algorithms involved in it has more recognition accuracy rate than the general traditional LBP algorithm.

particle filter;pedestrian;sampling;multi-evidence;LBP_AE;space information

TP391

A

10.16280/j.videoe.2015.08.016

2014-09-21

【本文獻(xiàn)信息】韓旭，蔡中民.基于多信息融合的行人狀態(tài)采集識(shí)別模型[J].電視技術(shù)，2015，39（8）.

河南省教育廳項(xiàng)目（14B520015）