石曼曼++李玲

摘 要： 為了提高人體運(yùn)動(dòng)的跟蹤精度，提出基于圖像序列的人體運(yùn)動(dòng)跟蹤算法。首先對(duì)當(dāng)前人體跟蹤算法的研究現(xiàn)狀進(jìn)行分析，指出粒子濾波算法進(jìn)行人體運(yùn)動(dòng)跟蹤的不足；然后對(duì)粒子濾波算法進(jìn)行改進(jìn)，增加了采樣粒子多樣化，提高非線性人體運(yùn)動(dòng)目標(biāo)跟蹤性能，加快人體運(yùn)動(dòng)跟蹤速度；最后采用仿真實(shí)驗(yàn)對(duì)人體運(yùn)動(dòng)跟蹤算法的性能進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，相對(duì)于其他人體運(yùn)動(dòng)跟蹤算法，該算法提高了人體運(yùn)動(dòng)跟蹤的準(zhǔn)確性，而且人體運(yùn)動(dòng)跟蹤的時(shí)間減少，具有更好的穩(wěn)定性。

關(guān)鍵詞： 圖像序列； 人體運(yùn)動(dòng)； 跟蹤算法； 仿真測(cè)試； 粒子濾波算法

中圖分類號(hào)： TN911.73?34； TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）09?0025?04

Abstract： A human motion tracking algorithm based on image sequence is proposed to improve the tracking accuracy of human motion tracking. The current research status of the human tracking algorithm is analyzed. The insufficiency of the particle filtering algorithm to human motion tracking is pointed out. The particle filtering algorithm is modified to improve the diversity of the sampling particles and tracking performance of the nonlinear human movement target， and quicken the tracking speed of the human motion. The performance of the human motion tracking algorithm was tested with simulation experiment. The experimental results show that， in comparison with other human motion tracking algorithms， the algorithm has improved the tracking accuracy of human motion， reduced the tracking time of human motion， and has better stability.

Keywords： image sequence； human motion； tracking algorithm； simulation test； particle filtering algorithm

0 引 言

人體運(yùn)動(dòng)跟蹤是計(jì)算機(jī)視覺(jué)研究的一個(gè)重要方面，已廣泛應(yīng)用到如足球機(jī)器人、體操訓(xùn)練等領(lǐng)域中[1]。在實(shí)際應(yīng)用中，人體運(yùn)動(dòng)跟蹤還面臨著多種問(wèn)題，比如噪聲干擾、跟蹤效率低、跟蹤成功率低等，因此如何提高人體運(yùn)動(dòng)跟蹤仍然是一個(gè)具有挑戰(zhàn)性的課題[2]。

傳統(tǒng)人體運(yùn)動(dòng)跟蹤方法分為兩類：基于跟蹤器的人體運(yùn)動(dòng)跟蹤算法和基于檢測(cè)器的人體運(yùn)動(dòng)跟蹤算法[3]，其中基于跟蹤器的人體運(yùn)動(dòng)跟蹤算法需要提取人體運(yùn)動(dòng)特征，特征主要有質(zhì)點(diǎn)、輪廓和光流等，該算法假設(shè)人體運(yùn)動(dòng)目標(biāo)一直可見(jiàn)，如果人體運(yùn)動(dòng)目標(biāo)消失，則無(wú)法實(shí)現(xiàn)正常跟蹤，缺陷十分明顯[4]?；跈z測(cè)器的人體運(yùn)動(dòng)跟蹤算法也需要進(jìn)行局部特征提取，其對(duì)每一幀單獨(dú)進(jìn)行人體運(yùn)動(dòng)檢測(cè)，需要進(jìn)行離線學(xué)習(xí)，很難對(duì)人體運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)、在線跟蹤[5?6]。

為了解決傳統(tǒng)算法存在的不足，有學(xué)者提出了基于Mean?shift、粒子濾波等人體運(yùn)動(dòng)跟蹤算法，它們可以較好地實(shí)現(xiàn)人體運(yùn)動(dòng)跟蹤[7]。其中粒子濾波算法作為一種基于貝葉斯估計(jì)的非線性濾波算法，能夠?qū)颖具M(jìn)行任意分布描述，在人體運(yùn)動(dòng)跟蹤方面具有獨(dú)特優(yōu)勢(shì)。然而粒子濾波算法存在估計(jì)精度低，退化現(xiàn)象嚴(yán)重，對(duì)人體運(yùn)動(dòng)跟蹤結(jié)果產(chǎn)生不利影響[8?10]。

為了提高人體運(yùn)動(dòng)跟蹤精度，提出基于圖像序列的人體運(yùn)動(dòng)跟蹤算法，對(duì)粒子濾波算法進(jìn)行改進(jìn)，增加采樣粒子多樣化，實(shí)驗(yàn)結(jié)果表明，本文算法提高了人體運(yùn)動(dòng)跟蹤的準(zhǔn)確性，而且人體運(yùn)動(dòng)跟蹤的時(shí)間減少。

1 人體運(yùn)動(dòng)學(xué)和測(cè)量模型

1.1 人體運(yùn)動(dòng)學(xué)模型

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證本文提出的人體運(yùn)動(dòng)跟蹤算法的可行性和有效性，采用Matlab 2012編寫人體運(yùn)動(dòng)跟蹤算法的程序，實(shí)驗(yàn)平臺(tái)為Intel 4 Core 3.2 CPU，4 GB的內(nèi)存，Windows 8系統(tǒng)，并與傳統(tǒng)粒子濾波算法進(jìn)行對(duì)比分析。

3.2 結(jié)果與分析

3.2.1 定性分析

采用足球圖像序列作為實(shí)驗(yàn)對(duì)象，分析其跟蹤效果，本文算法和對(duì)比算法的跟蹤結(jié)果如圖3所示，本文算法用實(shí)線框表示，對(duì)比算法用虛線框表示。從圖3可以看出，對(duì)于開(kāi)始的足球圖像序列，兩種算法的人體運(yùn)動(dòng)跟蹤效果相差不大，隨著跟蹤時(shí)間的不斷增加，對(duì)于后面足球圖像序列，對(duì)比算法無(wú)法準(zhǔn)確跟蹤到人體運(yùn)動(dòng)目標(biāo)，導(dǎo)致跟蹤失??；而本文算法仍然可以對(duì)人體運(yùn)動(dòng)目標(biāo)進(jìn)行準(zhǔn)確跟蹤，提高了對(duì)人體運(yùn)動(dòng)目標(biāo)的跟蹤成功率。這是因?yàn)楸疚乃惴ㄒ肓烁咚篂V波，增加了采樣粒子多樣化，提高了非線性人體運(yùn)動(dòng)目標(biāo)的跟蹤性能，獲得了更優(yōu)的人體運(yùn)動(dòng)目標(biāo)跟蹤結(jié)果。

對(duì)兩種算法的人體運(yùn)動(dòng)目標(biāo)的跟蹤誤差進(jìn)行統(tǒng)計(jì)，實(shí)驗(yàn)結(jié)果如圖4所示。從圖4可以發(fā)現(xiàn)，隨著人體運(yùn)動(dòng)目標(biāo)圖像序列的增加，即跟蹤時(shí)間的延長(zhǎng)，對(duì)比算法的跟蹤誤差增加的幅度大；而本文算法的跟蹤誤差增加幅度緩慢，變化十分平穩(wěn)，有效提高了人體運(yùn)動(dòng)目標(biāo)跟蹤的精度，而且具有更優(yōu)的穩(wěn)定性，跟蹤效果優(yōu)勢(shì)比較明顯。

3.2.2 定量分析

采用人體運(yùn)動(dòng)跟蹤精度和平均跟蹤時(shí)間對(duì)算法的性能進(jìn)行定量分析，結(jié)果見(jiàn)表1。從表1可以看出，本文算法的人體運(yùn)動(dòng)跟蹤精度要優(yōu)于對(duì)比算法，平均跟蹤時(shí)間也相應(yīng)減少，加快了人體運(yùn)動(dòng)跟蹤的速度，實(shí)際應(yīng)用范圍更加廣泛。

4 結(jié) 語(yǔ)

為了提高人體運(yùn)動(dòng)跟蹤精度，提出基于圖像序列的人體運(yùn)動(dòng)跟蹤算法，采用改進(jìn)粒子濾波算法實(shí)現(xiàn)人體運(yùn)動(dòng)跟蹤，提高了人體運(yùn)動(dòng)跟蹤的穩(wěn)定性，而且人體運(yùn)動(dòng)跟蹤效果得以改善，增強(qiáng)了人體運(yùn)動(dòng)跟蹤的實(shí)時(shí)性，可以加快人體運(yùn)動(dòng)跟蹤，具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] 蔡榮太，吳元昊，王明佳，等.視頻目標(biāo)跟蹤算法綜述[J].電視技術(shù)，2010（12）：135?138.

[2] 李明月，時(shí)光煜，溫永強(qiáng).改進(jìn)的高機(jī)動(dòng)Jerk模型跟蹤算法[J].電光與控制，2013，20（5）：40?43.

[3] 郝志成，朱明，劉微.復(fù)雜背景下目標(biāo)的快速提取與跟蹤[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2006，36（2）：259?263.

[4] ALI A， TERADA K. A general framework for multi?human tracking using Kalman filter and fast mean shift algorithms [C]// Proceedings of 2009 IEEE International Computer Vision Workshops. [S.l.]： IEEE， 2009： 1028?1033.

[5] 宋野，齊志泉，王來(lái)生.多示例在線學(xué)習(xí)方法在遮擋目標(biāo)跟蹤中的應(yīng)用[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，42（1）：666?671.

[6] 劉望生，李亞安，崔琳.基于當(dāng)前統(tǒng)計(jì)模型的機(jī)動(dòng)目標(biāo)自適應(yīng)強(qiáng)跟蹤算法[J].系統(tǒng)工程與電子技術(shù)，2011，33（9）：1937?1940.

[7] 宋康康，陳懇，郭運(yùn)艷.深度信息輔助的均值漂移目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（23）：177?180.

[8] 楊欣，費(fèi)樹(shù)岷，李剛，等.基于復(fù)雜特征融合的改進(jìn)mean shift目標(biāo)跟蹤[J].控制與決策，2014，29（7）：1297?1300.

[9] 周鑫，錢秋朦，葉永強(qiáng)，等.改進(jìn)后的TLD視頻目標(biāo)跟蹤方法[J].中國(guó)圖象圖形學(xué)報(bào)，2013，18（9）：1115?1123.

[10] 劉超，惠晶.基于改進(jìn)CAMShift的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（11）：149?153.

[11] 王保云，范保杰.基于顏色紋理聯(lián)合特征直方圖的自適應(yīng)Mean shift 跟蹤算法[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2013，33（3）：18?25.

[12] 高振華，黃山，張洪斌，等.基于自適應(yīng)背景匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（8）：2839?2843.