行人跟蹤算法行人跟蹤是在車輛正常運行過程中實時的跟蹤檢測到的行人的算法。在實際應(yīng)用中，僅僅使用行人檢測很難有效的滿足行人檢測的實時性和穩(wěn)定性。因此對行人檢測的跟蹤是十分必要的。行人跟蹤一般是通過對檢測到的行人區(qū)域進行顏色和紋理的分析。目前對于行人跟蹤問題的主要研究方法有：卡爾曼濾波跟蹤方法和均值偏移跟蹤方法。1.卡爾曼濾波跟蹤算法卡爾曼濾波在近20年來取得了長足的發(fā)展。把目標的位置，速度和加速度作為目標狀態(tài)矢量，通過目標的動力學方程來描述目標狀態(tài)的變化，利用遞推的計算方法，目標的狀態(tài)可以方便的估計出來，這樣目標的航跡就可以建立起來。建立在非線性運動模型上的卡爾曼濾波稱為擴展的卡爾曼濾波。在雷達跟蹤系統(tǒng)中，我們所用到的是離散型卡爾曼濾波。離散卡爾曼濾波的狀態(tài)方程，測量方程以及推廣方程如下：狀態(tài)方程：X(k)=4(k,k-1)X(k-1)+「(k/k-1)w(k-1)(2.1)測量方程：Z成)=H(k)X(k)+v(k)(2.2)式中：X(k)為所要進行估計的狀態(tài)值，4(k/k-1)為狀態(tài)轉(zhuǎn)移矩陣，w(k)為協(xié)方差矩陣為Q的狀態(tài)噪聲，H(k)為測量轉(zhuǎn)移矩陣，v(k)為協(xié)方差矩陣為R的測量噪聲。狀態(tài)預(yù)測方程：X(k/k-1)=4(k/k-1)X(k-1/k-1)(2.3)預(yù)測估計值協(xié)方差矩陣：P(k/k-1)=4(k/k-1)P(k-1/k-1)4t(k/k-1)+T(k/k-1)Q(k-1)「t(k/k-1)(2.4)增益矩陣：TOC\o"1-5"\h\z\o"CurrentDocument"K(k)=P(k/k-1)Ht(k)[H(k)P(k/k-1)Ht(k)+R(k)]-1(2.5)濾波估計值：\o"CurrentDocument"X(k/k)=X(k/k-1)+k(k)[Z(k)-H(k)X(k/k-1)](2.6)濾波估計值協(xié)方差矩陣：\o"CurrentDocument"P(k/k)=P(k/k-1)-k(k)H(k)P(k/k-1)(2.7)一.一--"..?......人.....一■-.在卡爾曼濾波過程中，只有確定了狀態(tài)估計初始值X(0)和濾波估計值協(xié)方差矩陣的初始值P(0)，整個濾波過程才能啟動。一般情況下，我們將初始估計值X(0)的值定為整個系統(tǒng)的第一次觀測值Z(0)，將濾波估計值的協(xié)方差矩陣P(0)的初始值可以擬訂為一個對角陣，雖然大多數(shù)實際情況并非如此，但是這樣做也是符合理論要求的，并且對于我們的運算也有簡化作用。從上面性質(zhì)的直觀分析可知，增益陣K與Q成正比，與R成反比。我們可以歸納為：當R越大，測量噪聲越大，因此測量值不準確性更大，所以K要變小，以保證測量值在最后估計結(jié)果中所占的比重比較??；而Q比較大的時候，說明狀態(tài)噪聲比較大，因此預(yù)測值受狀態(tài)噪聲干擾比較嚴重，所以K值比較大，以保證預(yù)測值在最后估計結(jié)果中所占的比重比較小。狀態(tài)噪聲越大，狀態(tài)噪聲協(xié)方差矩陣Q的值越大，這樣更有利于捕捉目標機動狀態(tài)，濾波收斂速度快，減少丟失跟蹤的概率，但是這樣所得到的濾波結(jié)果精度比較差；相反，狀態(tài)噪聲越小，狀態(tài)噪聲協(xié)方差矩陣Q的值越小，這樣所得到的濾波結(jié)果精度比較好，但是濾波收斂速度慢，當目標發(fā)生大機動狀態(tài)運動時，丟失跟蹤的可能性比較大。本文正是利用Q矩陣的這種作用，對在保證一定卡爾曼濾波精度的前提下加快濾波收斂速度做了算法改進。2.均值偏移跟蹤算法均值偏移(meanshift)由Fukunaga等人在1975年有關(guān)概率密度梯度函數(shù)估計的一篇文章中提出，它是一種基于非參數(shù)統(tǒng)計的算法，它利用核密度估計，使得各點向密度較大的分布中心演化，即先算出當前點均值偏移，移動該點到其偏移均值，然后以此為新的起點，繼續(xù)移動，直到滿足一定的條件結(jié)束oMeanShift算法通過迭代運算收斂于概率密度函數(shù)的局部最大值，實現(xiàn)目標定位和跟蹤，也能對可變形狀目標實時跟蹤，對目標的變形，旋轉(zhuǎn)等運動也有較強的魯棒性。MeanShift算法是一種自動迭代跟蹤算法，由MeanShift補償向量不斷沿著密度函數(shù)的梯度方向移動。在一定條件下，MeanShift算法能收斂到局部最優(yōu)點，從而實現(xiàn)對運動體準確地定位°Meanshift跟蹤速度較好，在已知目標區(qū)域的前提下能達到實時跟蹤，同時由于采用核函數(shù)的直方圖，對目標的少量變形不敏感，故應(yīng)用范圍較廣。給定d維空間腥中的n個樣本點七，i=1,…，n,在x點的MeanShift向量的基本形式定義為：M(x)三LZ(x-x)xeSih其中，七是一個半徑為h的高維球區(qū)域，滿足以下關(guān)系的y點的集合,S(x)=E:(y-x》(y-x)<h2}k表示在這n個樣本點七中，有k個點落入七區(qū)域中.可以看到(xt-x)是樣本點七相對于點X的偏移向量，⑴式定義的MeanShift向量Mh(x)就是對落入?yún)^(qū)域七中的k個樣本點相對于點x的偏移向量求和然后再平均.圖1,MeanShift示意圖如上圖所示，大圓圈所圈定的范圍就是