基于圖像序列的人體運動跟蹤算法

石曼曼++李玲

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

關(guān)鍵詞： 圖像序列； 人體運動； 跟蹤算法； 仿真測試； 粒子濾波算法

中圖分類號： TN911.73?34； TP391.41 文獻標(biāo)識碼： A 文章編號： 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

人體運動跟蹤是計算機視覺研究的一個重要方面，已廣泛應(yīng)用到如足球機器人、體操訓(xùn)練等領(lǐng)域中[1]。在實際應(yīng)用中，人體運動跟蹤還面臨著多種問題，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動跟蹤仍然是一個具有挑戰(zhàn)性的課題[2]。

傳統(tǒng)人體運動跟蹤方法分為兩類：基于跟蹤器的人體運動跟蹤算法和基于檢測器的人體運動跟蹤算法[3]，其中基于跟蹤器的人體運動跟蹤算法需要提取人體運動特征，特征主要有質(zhì)點、輪廓和光流等，該算法假設(shè)人體運動目標(biāo)一直可見，如果人體運動目標(biāo)消失，則無法實現(xiàn)正常跟蹤，缺陷十分明顯[4]?；跈z測器的人體運動跟蹤算法也需要進行局部特征提取，其對每一幀單獨進行人體運動檢測，需要進行離線學(xué)習(xí)，很難對人體運動目標(biāo)進行實時、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、粒子濾波等人體運動跟蹤算法，它們可以較好地實現(xiàn)人體運動跟蹤[7]。其中粒子濾波算法作為一種基于貝葉斯估計的非線性濾波算法，能夠?qū)颖具M行任意分布描述，在人體運動跟蹤方面具有獨特優(yōu)勢。然而粒子濾波算法存在估計精度低，退化現(xiàn)象嚴(yán)重，對人體運動跟蹤結(jié)果產(chǎn)生不利影響[8?10]。

為了提高人體運動跟蹤精度，提出基于圖像序列的人體運動跟蹤算法，對粒子濾波算法進行改進，增加采樣粒子多樣化，實驗結(jié)果表明，本文算法提高了人體運動跟蹤的準(zhǔn)確性，而且人體運動跟蹤的時間減少。

1 人體運動學(xué)和測量模型

1.1 人體運動學(xué)模型

3 仿真實驗

3.1 實驗環(huán)境

為驗證本文提出的人體運動跟蹤算法的可行性和有效性，采用Matlab 2012編寫人體運動跟蹤算法的程序，實驗平臺為Intel 4 Core 3.2 CPU，4 GB的內(nèi)存，Windows 8系統(tǒng)，并與傳統(tǒng)粒子濾波算法進行對比分析。

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驗對象，分析其跟蹤效果，本文算法和對比算法的跟蹤結(jié)果如圖3所示，本文算法用實線框表示，對比算法用虛線框表示。從圖3可以看出，對于開始的足球圖像序列，兩種算法的人體運動跟蹤效果相差不大，隨著跟蹤時間的不斷增加，對于后面足球圖像序列，對比算法無法準(zhǔn)確跟蹤到人體運動目標(biāo)，導(dǎo)致跟蹤失??；而本文算法仍然可以對人體運動目標(biāo)進行準(zhǔn)確跟蹤，提高了對人體運動目標(biāo)的跟蹤成功率。這是因為本文算法引入了高斯濾波，增加了采樣粒子多樣化，提高了非線性人體運動目標(biāo)的跟蹤性能，獲得了更優(yōu)的人體運動目標(biāo)跟蹤結(jié)果。

對兩種算法的人體運動目標(biāo)的跟蹤誤差進行統(tǒng)計，實驗結(jié)果如圖4所示。從圖4可以發(fā)現(xiàn)，隨著人體運動目標(biāo)圖像序列的增加，即跟蹤時間的延長，對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)，有效提高了人體運動目標(biāo)跟蹤的精度，而且具有更優(yōu)的穩(wěn)定性，跟蹤效果優(yōu)勢比較明顯。

3.2.2 定量分析

采用人體運動跟蹤精度和平均跟蹤時間對算法的性能進行定量分析，結(jié)果見表1。從表1可以看出，本文算法的人體運動跟蹤精度要優(yōu)于對比算法，平均跟蹤時間也相應(yīng)減少，加快了人體運動跟蹤的速度，實際應(yīng)用范圍更加廣泛。

4 結(jié) 語

為了提高人體運動跟蹤精度，提出基于圖像序列的人體運動跟蹤算法，采用改進粒子濾波算法實現(xiàn)人體運動跟蹤，提高了人體運動跟蹤的穩(wěn)定性，而且人體運動跟蹤效果得以改善，增強了人體運動跟蹤的實時性，可以加快人體運動跟蹤，具有廣泛的應(yīng)用前景。

參考文獻

[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，時光煜，溫永強.改進的高機動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（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（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)計模型的機動目標(biāo)自適應(yīng)強跟蹤算法[J].系統(tǒng)工程與電子技術(shù)，2011，33（9）：1937?1940.

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

[8] 楊欣，費樹岷，李剛，等.基于復(fù)雜特征融合的改進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，等.改進后的TLD視頻目標(biāo)跟蹤方法[J].中國圖象圖形學(xué)報，2013，18（9）：1115?1123.

[10] 劉超，惠晶.基于改進CAMShift的運動目標(biāo)跟蹤算法[J].計算機工程與應(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（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)背景匹配的運動目標(biāo)檢測算法[J].計算機工程與設(shè)計，2013，34（8）：2839?2843.