一种适用于离岗检测的目标跟踪算法

李义超+罗飞

收稿日期：2013-11-11

作者简介：李义超（1988—），男，湖北汉川人，硕士研究生，研究方向：数字图像处理，运动目标的识别与跟踪。

通讯联系人，E-mail：liyichao-168@163.com

文章编号：1003-6199（2014）03-0088-04

摘 要：提出一种改进的适用于智能安防领域中离岗检测的目标跟踪算法，该算法结合均值漂移算法和粒子滤波算法的优点，先使用均值漂移算法对目标进行预跟踪，然后在此基础上使用粒子滤波对目标精确定位，在保证了跟踪准确率的前提下缩短了算法的计算时间。此外，针对监控视频大多分辨率低，目标辨识度不高等特点，在本文中，原始视频流的灰度信息和纹理信息被作为待跟踪目标的特征。实验结果证明，采用该混合特征的目标跟踪算法比其他同类算法在目标跟踪的准确率和实时性上具有更好的表现，能够适应更广泛的视频场景。

关键词：目标跟踪；均值漂移；粒子滤波；混合特征；离岗检测

中图分类号：TP391.9 文献标识码：A

An Object Tracing Algorithm Suitable for Off-position Detection

LI Yi-chao， LUO Fei

（Automation Science and Engineer Academy， South China University of Technology，Guangzhou，Guangdong 510641，China）

Abstract：In this paper， we propose an improved object tracing algorithm which is suitable for off-position detection in intelligent security filed. This algorithm takes advantage of mean shift and particle filter， pre-traces the object by the mean-shift algorithm and then calculates the accurate position by particle algorithm， which shortens computing time on the premise of insuring tracing accuracy. Besides， according to the problem that the low-resolution and low contrast of surveillance video， a new hybrid feature based on the gray scale information and texture information is regarded as the main feature of object in video scene. At last， experiment results prove that the improved object tracing algorithm with hybrid feature have better performance of tracking accuracy and real-time， which is applied more widely than other algorithms.

Key words：object tracing； mean-shift； particle filter； hybrid feature； off-position detection

1 引 言

离岗检测是运用目标跟踪算法对视频场景中的执勤人员进行跟踪，它是智能安防领域中智能视频分析的一个重要的研究方向，具有广泛的实际应用价值。目前，国内外的研究人员针对视频场景中特定的目标进行跟踪的课题已经提出了许多目标跟踪算法，如均值漂移（mean-shift）算法、粒子滤波算法等，但是却没有一种有效的算法专门应用于离岗检测。

文献[1]，[2]，[3]，[4]提出了几种粒子滤波算法，不过这些算法均难以应用于安防领域内的视频场景。文献[8]针对目标是否被遮挡分别采用均值漂移算法与粒子滤波算法，但是从本质上来讲，该算法并没有将二者融合，只是根据不同的视频场景选择不同的算法。文献[9]，[10]提出了一种将均值漂移算法嵌入到粒子滤波算法中，减少用于描述目标状态的粒子样本数量。但是该算法要求在使用粒子滤波算法跟踪的过程中每一次重要性重采样对所有的粒子样本均进行一次均值漂移算法。可以预见，当粒子样本数量增加时，该算法的计算量将成几何数量增长。

本文提出的目标跟踪算法（MSPF算法）结合了均值漂移算法和粒子滤波算法的优点。与文献[9]中提出的两步法不同的是，本文提出的算法没用根据上一步跟踪的结果动态的改变粒子样本数量；其次，本文采用的视频图像的颜色特征和纹理特征作为目标的特征，避免了由于采用单一的灰度特征或纹理特征无法表征目标信息而造成的目标跟踪丢失的情形。实验结果证明，采用混合特征的MSPF算法比采用单一特征以及其他的目标跟踪算法具有更好的跟踪效果，更具有实用价值。

在下文中，我们首先介绍几种常用的目标特征，分析各特征的生成过程以及应用场合，然后介绍了本文采用的MSPF算法流程，比较了混合特征以及该MSPF算法的跟踪效果，最后总结了全文，提出算法的改进方向。

2 算法的基本原理

2.1 混合特征的选择

众所周知，我们能够通过肉眼在一帧视频中区分出目标和背景的主要依据是目标的灰度值分布与背景的灰度值分布有明显的差异。鉴于此，大部分粒子滤波算法中粒子样本所采用的特征都是灰度直方图特征。因为灰度直方图特征能够很好的适应目标旋转和变形带来的影响。但是，由于现实中的视频场景一般都会比较复杂，我们需要跟踪的目标周围可能还会有与其灰度值分布相似的目标，尤其是在监控视频的分辨率普遍较低的情况下，这种情况更加普遍。因此，我们一般还会加入目标的纹理特征。

常用的纹理特征主要有局部二进制模式（LBP算子）以及梯度幅值特征。下面分别介绍LBP纹理图和梯度幅值纹理图的生成过程。

生成一幅LBP纹理图像的具体过程如下：利用每个像素及其周围3×3的环形邻域上的8个像素点构造出一个表征该像素纹理的特征值如式（1）。

LBPp，r=∑p-1p=0s（gp-gc）2p；（1）

其中，gc表示邻域中心的灰度值，gp（p=0，1，…，p-1）对应着邻域上的P个等分点的灰度值。s（gp-gc）等于0或1；将得到的结果以中心像素点的右邻域像素为起始像素按逆时针方向开始计算，给每一项s（gp-gc）赋予二项式因子2p，可以将像素的局部空间纹理结构表示为一个唯一的十进制数，该十进制数被称为LBP特征值。然后对图像中的每个像素求LBP特征值，构造一幅图像的LBP纹理特征图。

生成梯度幅值图像的具体过程如下：首先对原始图像分别采用x方向和y方向，尺寸为3×3的sobel边缘提取算子生成x、y方向的梯度图像，然后如公式（2）所示，梯度幅值近似取X方向和Y方向梯度值的绝对值和作为梯度幅值，计算图像上每一点的梯度幅值生成一幅梯度幅值纹理图像。

f≈|Gx|+|Gy|（2）

其中，Gx为x方向的梯度，Gy为y方向的梯度。

2.2 MSPF算法流程

Mean-shift算法是一种基于非参数的核密度估计的方法，通过在数据的密度分布中求解局部极值。在本文中，mean-shift算法中像素点的概率密度图像采用的是色调分量上的反向投影直方图，搜索窗口采用矩形窗。粒子滤波是一种顺序重要性采样法，通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数。具体做法是将粒子样本随机的分布在目标可能出现的区域中，采集各粒子样本的特征并计算各粒子样本与目标的相似度，将其作为更新粒子权值的主要依据，然后根据粒子权值进行重要性重采样，如此反复，迭代结束后计算各粒子权值的加权和作为预测结果。

本文中采用的算法流程如下：

1）手工标定带有目标的搜索窗口，计算该搜索窗口内的混合特征；

2）在下一帧图像上，使用矩形窗口的mean-shift算法搜索目标；

3）根据mean-shift算法搜索的目标区域，将粒子点分布在目标区域的周围。每个粒子都具有它们各自的特征以及加权值，每个粒子都反映着一种可能的目标状态；

4）采样与更新粒子权值。比较各粒子样本特征与目标特征的巴氏距离，并归一化后作为各粒子的权值；

5）重要性重采样。根据粒子的权值重新初始化粒子。归一化后具有非常小的权值的粒子，说明这些粒子和目标偏离较远，重新分布后，这些粒子所在的区域将被分配更少的粒子。然后重复进行3-5操作；

6）估计目标状态。估计目标状态是指通过估计运动目标的状态参数和粒子状态参数的加权，加权求和后的状态参数即为当前帧中目标的状态；

7）更新目标特征。在新的一帧中提取出目标的混合特征来更新原目标特征。

至此，完成对当前帧的跟踪。

3 实验结果分析

本文实验中采用的操作系统是window xp， 编程语言环境是Microsoft Visual Studio 2005，算法中相关算法模块来自opencv开源的机器视觉库。硬件平台是：奔腾E5800（3.2G），内存2GB。

如图1中所示，至上而下依次是一副图像的灰度图和局部二进制纹理图以及梯度幅值图，用红圈标记出道路上行走的行人作为待跟踪的目标。从图1中可以看出，由于背景、光线等原因，目标在灰度图上几乎不能分辨，而从LBP图和梯度幅值图像中则可以明显的分辨出来。

图2中的视频场景是晚间道路上的监控场景，对比的是在MSPF滤波中使用灰度直方图特征和混合特征的跟踪效果。其中左边的一组图像是采用单一的灰度图像直方图作为目标特征的跟踪效果，右边的一组图像采用混合特征作为目标特征的跟踪效果。由图2可以看出，仅仅采用灰度信息跟踪目标，其跟踪效果较差，在第86帧以后基本上无法跟踪目标。而加入了纹理特征后，尽管目标尺寸在变化，混合特征仍然可以代表场景中目标的特征，准确的跟踪目标。

下图3是单独使用粒子滤波算法和mean-shift算法以及MSPF算法的跟踪效果对比图。左边的一组图是采用粒子滤波算法的跟踪效果，中间的一组图是采用mean-shift算法的跟踪效果，右边的一组图是采用MSPF算法的跟踪效果。

对比第三行图像，当目标移动到监控区域边缘时，粒子滤波算法预测的跟踪区域仍然可以停留在目标最后出现的位置上，而mean-shift算法则对此无能为力。从整体的跟踪效果来看，将均值漂移算法加入到粒子滤波后，一方面相对于单独使用粒子滤波减少了粒子样本数量，另一方面每一帧中跟踪较为平缓，避免了单独使用粒子滤波造成跟踪区域的跳变现象。

4 结 论

本文所提出的目标跟踪算法，首先采用mean-shift算法进行预跟踪，粗略的确定目标在新的一帧中出现的位置，然后使用粒子滤波算法进行精确跟踪。这样可以减小粒子样本的数量，缩短了算法的计算量，提高该算法的实时性。针对安防视频的特点，粒子样本的特征选择综合了视频场景中目标的灰度信息和纹理信息，可以明显的区分出前景目标和背景，从而可以很好的适用于安防视频中的目标跟踪。

由于本算法来源于智能安防领域中的智能视频分析项目，而安防特定的应用背景对算法的准确率、漏报率等指标提出了苛刻的要求。因此，该算法将一直不断的优化。

参考文献

[1] ISLAM， M.Z. CHIL-WOO Lee.Shape based Moving Object Tracking with Particle Filter[J].Control， Automation and Systems， 2008， Page（s）： 679 682.

[2] ISLAM M Z.，CHI-MIN OH ； CHIL-WOO Lee.Real Time Moving Object Tracking by Particle Filter[J].Computer Science and its Applications， 2008. CSA '08， Page（s）： 347- 352.

[3] TAO ZHANG，SHUMIN FEI，XIAODONG LI，HONG LU.An Improved Particle Filter for Tracking Color Object[J].Intelligent Computation Technology and Automation （ICICTA）， 2008， Page（s）： 109- 113.

[4] 窦琴.智能视频监控中基于粒子滤波的目标跟踪系统研究[D].武汉：武汉理工大学 硕士学位论文，2009.

[5] 张颖，王红娟， 黄义定.基于Meanshift和粒子滤波的行人目标跟踪方法[J].计算机与现代化， 2012，15（3）：20-26.

[6] 王鑫， 唐振民. 基于特征融合的粒子滤波在红外小目标跟踪中的应用[J].中国图象图形学报，2010，15（1）：8-12.

[7] 明新勇.基于均值漂移算法和粒子滤波算法的目标跟踪[D].南京：南京理工大学硕士学位论文，2008.

[8] 李红波，曾德龙，吴渝.基于Mean-Shift和粒子滤波的两步多目标跟踪方法[J].重庆邮电大学学报：自然科学版， 2010，15（2）：30-36.

[9] 邱双忠.视频图像中运动目标跟踪有关算法的研究[D].武汉：武汉理工大学硕士学位论文，2008.

[10]张长城， 李智明，杨德贵.基于MSPF方法的红外弱小目标自适应跟踪算法分析[J].红外技术， 2007，15（8）：4-8.

[11]查宇飞， 毕笃彦.一种基于粒子滤波的自适应运动目标跟踪方法[J].电子与信息学报，2007，30（1）：11-16.

常用的纹理特征主要有局部二进制模式（LBP算子）以及梯度幅值特征。下面分别介绍LBP纹理图和梯度幅值纹理图的生成过程。

生成一幅LBP纹理图像的具体过程如下：利用每个像素及其周围3×3的环形邻域上的8个像素点构造出一个表征该像素纹理的特征值如式（1）。

LBPp，r=∑p-1p=0s（gp-gc）2p；（1）

其中，gc表示邻域中心的灰度值，gp（p=0，1，…，p-1）对应着邻域上的P个等分点的灰度值。s（gp-gc）等于0或1；将得到的结果以中心像素点的右邻域像素为起始像素按逆时针方向开始计算，给每一项s（gp-gc）赋予二项式因子2p，可以将像素的局部空间纹理结构表示为一个唯一的十进制数，该十进制数被称为LBP特征值。然后对图像中的每个像素求LBP特征值，构造一幅图像的LBP纹理特征图。

生成梯度幅值图像的具体过程如下：首先对原始图像分别采用x方向和y方向，尺寸为3×3的sobel边缘提取算子生成x、y方向的梯度图像，然后如公式（2）所示，梯度幅值近似取X方向和Y方向梯度值的绝对值和作为梯度幅值，计算图像上每一点的梯度幅值生成一幅梯度幅值纹理图像。

f≈|Gx|+|Gy|（2）

其中，Gx为x方向的梯度，Gy为y方向的梯度。

2.2 MSPF算法流程

Mean-shift算法是一种基于非参数的核密度估计的方法，通过在数据的密度分布中求解局部极值。在本文中，mean-shift算法中像素点的概率密度图像采用的是色调分量上的反向投影直方图，搜索窗口采用矩形窗。粒子滤波是一种顺序重要性采样法，通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数。具体做法是将粒子样本随机的分布在目标可能出现的区域中，采集各粒子样本的特征并计算各粒子样本与目标的相似度，将其作为更新粒子权值的主要依据，然后根据粒子权值进行重要性重采样，如此反复，迭代结束后计算各粒子权值的加权和作为预测结果。

本文中采用的算法流程如下：

1）手工标定带有目标的搜索窗口，计算该搜索窗口内的混合特征；

2）在下一帧图像上，使用矩形窗口的mean-shift算法搜索目标；

3）根据mean-shift算法搜索的目标区域，将粒子点分布在目标区域的周围。每个粒子都具有它们各自的特征以及加权值，每个粒子都反映着一种可能的目标状态；

4）采样与更新粒子权值。比较各粒子样本特征与目标特征的巴氏距离，并归一化后作为各粒子的权值；

5）重要性重采样。根据粒子的权值重新初始化粒子。归一化后具有非常小的权值的粒子，说明这些粒子和目标偏离较远，重新分布后，这些粒子所在的区域将被分配更少的粒子。然后重复进行3-5操作；

6）估计目标状态。估计目标状态是指通过估计运动目标的状态参数和粒子状态参数的加权，加权求和后的状态参数即为当前帧中目标的状态；

7）更新目标特征。在新的一帧中提取出目标的混合特征来更新原目标特征。

至此，完成对当前帧的跟踪。

3 实验结果分析

本文实验中采用的操作系统是window xp， 编程语言环境是Microsoft Visual Studio 2005，算法中相关算法模块来自opencv开源的机器视觉库。硬件平台是：奔腾E5800（3.2G），内存2GB。

如图1中所示，至上而下依次是一副图像的灰度图和局部二进制纹理图以及梯度幅值图，用红圈标记出道路上行走的行人作为待跟踪的目标。从图1中可以看出，由于背景、光线等原因，目标在灰度图上几乎不能分辨，而从LBP图和梯度幅值图像中则可以明显的分辨出来。

图2中的视频场景是晚间道路上的监控场景，对比的是在MSPF滤波中使用灰度直方图特征和混合特征的跟踪效果。其中左边的一组图像是采用单一的灰度图像直方图作为目标特征的跟踪效果，右边的一组图像采用混合特征作为目标特征的跟踪效果。由图2可以看出，仅仅采用灰度信息跟踪目标，其跟踪效果较差，在第86帧以后基本上无法跟踪目标。而加入了纹理特征后，尽管目标尺寸在变化，混合特征仍然可以代表场景中目标的特征，准确的跟踪目标。

下图3是单独使用粒子滤波算法和mean-shift算法以及MSPF算法的跟踪效果对比图。左边的一组图是采用粒子滤波算法的跟踪效果，中间的一组图是采用mean-shift算法的跟踪效果，右边的一组图是采用MSPF算法的跟踪效果。

对比第三行图像，当目标移动到监控区域边缘时，粒子滤波算法预测的跟踪区域仍然可以停留在目标最后出现的位置上，而mean-shift算法则对此无能为力。从整体的跟踪效果来看，将均值漂移算法加入到粒子滤波后，一方面相对于单独使用粒子滤波减少了粒子样本数量，另一方面每一帧中跟踪较为平缓，避免了单独使用粒子滤波造成跟踪区域的跳变现象。

4 结 论

本文所提出的目标跟踪算法，首先采用mean-shift算法进行预跟踪，粗略的确定目标在新的一帧中出现的位置，然后使用粒子滤波算法进行精确跟踪。这样可以减小粒子样本的数量，缩短了算法的计算量，提高该算法的实时性。针对安防视频的特点，粒子样本的特征选择综合了视频场景中目标的灰度信息和纹理信息，可以明显的区分出前景目标和背景，从而可以很好的适用于安防视频中的目标跟踪。

由于本算法来源于智能安防领域中的智能视频分析项目，而安防特定的应用背景对算法的准确率、漏报率等指标提出了苛刻的要求。因此，该算法将一直不断的优化。

参考文献

[1] ISLAM， M.Z. CHIL-WOO Lee.Shape based Moving Object Tracking with Particle Filter[J].Control， Automation and Systems， 2008， Page（s）： 679 682.

[2] ISLAM M Z.，CHI-MIN OH ； CHIL-WOO Lee.Real Time Moving Object Tracking by Particle Filter[J].Computer Science and its Applications， 2008. CSA '08， Page（s）： 347- 352.

[3] TAO ZHANG，SHUMIN FEI，XIAODONG LI，HONG LU.An Improved Particle Filter for Tracking Color Object[J].Intelligent Computation Technology and Automation （ICICTA）， 2008， Page（s）： 109- 113.

[4] 窦琴.智能视频监控中基于粒子滤波的目标跟踪系统研究[D].武汉：武汉理工大学 硕士学位论文，2009.

[5] 张颖，王红娟， 黄义定.基于Meanshift和粒子滤波的行人目标跟踪方法[J].计算机与现代化， 2012，15（3）：20-26.

[6] 王鑫， 唐振民. 基于特征融合的粒子滤波在红外小目标跟踪中的应用[J].中国图象图形学报，2010，15（1）：8-12.

[7] 明新勇.基于均值漂移算法和粒子滤波算法的目标跟踪[D].南京：南京理工大学硕士学位论文，2008.

[8] 李红波，曾德龙，吴渝.基于Mean-Shift和粒子滤波的两步多目标跟踪方法[J].重庆邮电大学学报：自然科学版， 2010，15（2）：30-36.

[9] 邱双忠.视频图像中运动目标跟踪有关算法的研究[D].武汉：武汉理工大学硕士学位论文，2008.

[10]张长城， 李智明，杨德贵.基于MSPF方法的红外弱小目标自适应跟踪算法分析[J].红外技术， 2007，15（8）：4-8.

[11]查宇飞， 毕笃彦.一种基于粒子滤波的自适应运动目标跟踪方法[J].电子与信息学报，2007，30（1）：11-16.

常用的纹理特征主要有局部二进制模式（LBP算子）以及梯度幅值特征。下面分别介绍LBP纹理图和梯度幅值纹理图的生成过程。

生成一幅LBP纹理图像的具体过程如下：利用每个像素及其周围3×3的环形邻域上的8个像素点构造出一个表征该像素纹理的特征值如式（1）。

LBPp，r=∑p-1p=0s（gp-gc）2p；（1）

其中，gc表示邻域中心的灰度值，gp（p=0，1，…，p-1）对应着邻域上的P个等分点的灰度值。s（gp-gc）等于0或1；将得到的结果以中心像素点的右邻域像素为起始像素按逆时针方向开始计算，给每一项s（gp-gc）赋予二项式因子2p，可以将像素的局部空间纹理结构表示为一个唯一的十进制数，该十进制数被称为LBP特征值。然后对图像中的每个像素求LBP特征值，构造一幅图像的LBP纹理特征图。

生成梯度幅值图像的具体过程如下：首先对原始图像分别采用x方向和y方向，尺寸为3×3的sobel边缘提取算子生成x、y方向的梯度图像，然后如公式（2）所示，梯度幅值近似取X方向和Y方向梯度值的绝对值和作为梯度幅值，计算图像上每一点的梯度幅值生成一幅梯度幅值纹理图像。

f≈|Gx|+|Gy|（2）

其中，Gx为x方向的梯度，Gy为y方向的梯度。

2.2 MSPF算法流程

Mean-shift算法是一种基于非参数的核密度估计的方法，通过在数据的密度分布中求解局部极值。在本文中，mean-shift算法中像素点的概率密度图像采用的是色调分量上的反向投影直方图，搜索窗口采用矩形窗。粒子滤波是一种顺序重要性采样法，通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数。具体做法是将粒子样本随机的分布在目标可能出现的区域中，采集各粒子样本的特征并计算各粒子样本与目标的相似度，将其作为更新粒子权值的主要依据，然后根据粒子权值进行重要性重采样，如此反复，迭代结束后计算各粒子权值的加权和作为预测结果。

本文中采用的算法流程如下：

1）手工标定带有目标的搜索窗口，计算该搜索窗口内的混合特征；

2）在下一帧图像上，使用矩形窗口的mean-shift算法搜索目标；

3）根据mean-shift算法搜索的目标区域，将粒子点分布在目标区域的周围。每个粒子都具有它们各自的特征以及加权值，每个粒子都反映着一种可能的目标状态；

4）采样与更新粒子权值。比较各粒子样本特征与目标特征的巴氏距离，并归一化后作为各粒子的权值；

5）重要性重采样。根据粒子的权值重新初始化粒子。归一化后具有非常小的权值的粒子，说明这些粒子和目标偏离较远，重新分布后，这些粒子所在的区域将被分配更少的粒子。然后重复进行3-5操作；

6）估计目标状态。估计目标状态是指通过估计运动目标的状态参数和粒子状态参数的加权，加权求和后的状态参数即为当前帧中目标的状态；

7）更新目标特征。在新的一帧中提取出目标的混合特征来更新原目标特征。

至此，完成对当前帧的跟踪。

3 实验结果分析

本文实验中采用的操作系统是window xp， 编程语言环境是Microsoft Visual Studio 2005，算法中相关算法模块来自opencv开源的机器视觉库。硬件平台是：奔腾E5800（3.2G），内存2GB。

如图1中所示，至上而下依次是一副图像的灰度图和局部二进制纹理图以及梯度幅值图，用红圈标记出道路上行走的行人作为待跟踪的目标。从图1中可以看出，由于背景、光线等原因，目标在灰度图上几乎不能分辨，而从LBP图和梯度幅值图像中则可以明显的分辨出来。

图2中的视频场景是晚间道路上的监控场景，对比的是在MSPF滤波中使用灰度直方图特征和混合特征的跟踪效果。其中左边的一组图像是采用单一的灰度图像直方图作为目标特征的跟踪效果，右边的一组图像采用混合特征作为目标特征的跟踪效果。由图2可以看出，仅仅采用灰度信息跟踪目标，其跟踪效果较差，在第86帧以后基本上无法跟踪目标。而加入了纹理特征后，尽管目标尺寸在变化，混合特征仍然可以代表场景中目标的特征，准确的跟踪目标。

下图3是单独使用粒子滤波算法和mean-shift算法以及MSPF算法的跟踪效果对比图。左边的一组图是采用粒子滤波算法的跟踪效果，中间的一组图是采用mean-shift算法的跟踪效果，右边的一组图是采用MSPF算法的跟踪效果。

对比第三行图像，当目标移动到监控区域边缘时，粒子滤波算法预测的跟踪区域仍然可以停留在目标最后出现的位置上，而mean-shift算法则对此无能为力。从整体的跟踪效果来看，将均值漂移算法加入到粒子滤波后，一方面相对于单独使用粒子滤波减少了粒子样本数量，另一方面每一帧中跟踪较为平缓，避免了单独使用粒子滤波造成跟踪区域的跳变现象。

4 结 论

本文所提出的目标跟踪算法，首先采用mean-shift算法进行预跟踪，粗略的确定目标在新的一帧中出现的位置，然后使用粒子滤波算法进行精确跟踪。这样可以减小粒子样本的数量，缩短了算法的计算量，提高该算法的实时性。针对安防视频的特点，粒子样本的特征选择综合了视频场景中目标的灰度信息和纹理信息，可以明显的区分出前景目标和背景，从而可以很好的适用于安防视频中的目标跟踪。

由于本算法来源于智能安防领域中的智能视频分析项目，而安防特定的应用背景对算法的准确率、漏报率等指标提出了苛刻的要求。因此，该算法将一直不断的优化。

参考文献

[1] ISLAM， M.Z. CHIL-WOO Lee.Shape based Moving Object Tracking with Particle Filter[J].Control， Automation and Systems， 2008， Page（s）： 679 682.

[2] ISLAM M Z.，CHI-MIN OH ； CHIL-WOO Lee.Real Time Moving Object Tracking by Particle Filter[J].Computer Science and its Applications， 2008. CSA '08， Page（s）： 347- 352.

[3] TAO ZHANG，SHUMIN FEI，XIAODONG LI，HONG LU.An Improved Particle Filter for Tracking Color Object[J].Intelligent Computation Technology and Automation （ICICTA）， 2008， Page（s）： 109- 113.

[4] 窦琴.智能视频监控中基于粒子滤波的目标跟踪系统研究[D].武汉：武汉理工大学 硕士学位论文，2009.

[5] 张颖，王红娟， 黄义定.基于Meanshift和粒子滤波的行人目标跟踪方法[J].计算机与现代化， 2012，15（3）：20-26.

[6] 王鑫， 唐振民. 基于特征融合的粒子滤波在红外小目标跟踪中的应用[J].中国图象图形学报，2010，15（1）：8-12.

[7] 明新勇.基于均值漂移算法和粒子滤波算法的目标跟踪[D].南京：南京理工大学硕士学位论文，2008.

[8] 李红波，曾德龙，吴渝.基于Mean-Shift和粒子滤波的两步多目标跟踪方法[J].重庆邮电大学学报：自然科学版， 2010，15（2）：30-36.

[9] 邱双忠.视频图像中运动目标跟踪有关算法的研究[D].武汉：武汉理工大学硕士学位论文，2008.

[10]张长城， 李智明，杨德贵.基于MSPF方法的红外弱小目标自适应跟踪算法分析[J].红外技术， 2007，15（8）：4-8.

[11]查宇飞， 毕笃彦.一种基于粒子滤波的自适应运动目标跟踪方法[J].电子与信息学报，2007，30（1）：11-16.