第２９卷第５期 计算机应用研究 Ｖｏ１．２９ Ｎｏ．５ ２０１２年５月 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｍａｖ ２０１２ 一种基于信息融合的粒子滤波跟踪算法冰 周元璞 ，杨华 ，娄和利 ，吴晓迪 ，冯云松 （电子工程学院ａ．脉冲功率激光技术国家重点实验室；ｂ．安徽省红外与低温等离子体重点实验室，合肥 ２３００３７） 摘要：针对粒子滤波在复杂背景下容易造成跟踪目标丢失的问题，提出一种基于多特征信息融合的粒子滤波 算法。该方法同时利用灰度和梯度信息描述目标，有效提高了复杂场景下对目标描述的可靠性；在此基础上，推 导出多信息融合的观测似然函数，将两种信息融合在一起，使得融合算法能根据当前跟踪形势自适应调整各信 息的加权，实现了信息间的优势互补。实验结果表明，该算法鲁棒性较高，明显提高了跟踪精度。 关键词：粒子滤波；特征描述；信息融合；目标跟踪 中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１２）０５—１７２９—０３ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１２．０５．０３４ Ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ａｎｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ＺＨＯＵ Ｙｕａｎ—ｐｕ ，ＹＡＮＧ Ｈｕａ ，ＬＯＵ Ｈｅ—ｌｉ ，ＷＵ Ｘｉａｏ—ｄｉ 一，ＦＥＮＧ Ｙｕｎ—ｓｏｎｇ （ａ．Ｓｔａｔｅ Ｋｅｙ ＬａｂｏｒａｔｏＯ＂ｏｆＰｕｌｓｅｄ Ｐｏｗｅｒ Ｌａｓｅｒ Ｔｅｃｈｎｏｌｏｇｙ，ｂ．Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆＩｎｆｒａｒｅｄ＆Ｌｏｗ Ｔｅｍｐｅｒａｔｕｒｅ Ｐｌａｓｍａ ｏｆＡｎｈｕｉ Ｐｒｏｖｉｎｃｅ，Ｅｌｅｃ— ｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｓｔｉｔｕｔｅ，Ｈｅｆｅｉ ２３００３７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｔｒａｃｋｉｎｇ ｆａｉｌｕｒｅ ｂａｓｅｄ ｏｎ ｔｒａｄｉｔｉｏｎａｌ ａｌｇｏｒｉｔｈｍ ｉｎ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ．Ｔｈｉｓ ｍｅｔｈｏｄ ｃｏｍｂｉｎｅｄ ｔａｒｇｅｔｓ’ｇｒａｙ ｓｃａｌｅ ｗｉｔｈ ｇｒａｄｉｅｎｔ，ｗｈｉｃｈ ｅｆｉｆｃｉｅｎｔｌｙ ｉｍｐｒｏｖｅｄ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔａｒｇｅｔ ｄｅｓｃｒｉｐｔｉｏｎ．Ｏｎ ｔｈｉｓ ｂａｓｉｓ，ｔｈｅ ｍｅｔｈｏｄ ｄｅｄｕｃｅｄ ｔｈｅ ｌｉｋｅｌｉｈｏｏｄ ｆｕｎｃｔｉｏｎ ｏｆ ｉｎｆｏｒｍａ— ｔｉｏｎ ｆｕｓｉｏｎ ｔｏ ｆｕｓｅ ｔｈｅ ｔｗｏ ｆｅａｔｕｒｅｓ，ＳＯ ｔｈａｔ ｔｈｅ ｆｕｓｉｏｎ ａｌｇｏｒｉｔｈｍ ｓｅｌｅｃｔｄ ｐｒｏｐｅｒ ｆｕｓｉｏｎ ｗｅｉｇｈｔ ｆｏｒ ｅａｃｈ ｃｕｅ ｉｎ ｔｅｒｍｓ ｏｆ ｃｕｒｒｅｎｔ ｓｉ— ｔｕａｔｉｏｎ，ａｃｈｉｅｖｅｄ ｔｈｅ ｇｏａｌ ｏｆ ｃｏｍｐｌｅｍｅｎｔｉｎｇ ｅａｃｈ ｏｔｈｅｒ’Ｓ ａｄｖａｎｔａｇｅｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｈａｓ ｂｅｔｔｅｒ ｒｏｂｕｓｔ ａｎｄ ｔｒａｃｋｉｎｇ ａｃｃｕｒａｃｙ． Ｋｅｙ ｗｏｒｄｓ：ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ；ｆｅａｔｕｒｅ ｄｅｓｃｒｉｐｔｉｏｎ；ｉｆｎｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ；ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ 特征结合起来，在粒子滤波框架内进行概率融合以跟踪目标， ０ 引言 同时给出了一种有效的模型更新方法。实验证明，运用该算法 粒子滤波跟踪算法由于其处理非线性、非高斯问题的突出 进行目标跟踪，当一种特征受到背景影响鉴别性时，另一种特 能力，在图像跟踪领域得到了广泛应用。需要指出的是，似然 征就会有效地将目标与背景分开，从而有效提高了粒子滤波跟 模型对于粒子滤波跟踪算法的跟踪性能起着决定性的作用，因 踪中观测的准确性，用于复杂背景下的目标跟踪。 此，构建似然模型的视觉特征显得格外重要。选择区分性、稳 本文对灰度特征和梯度特征的基本知识进行了介绍，以粒 定性好的视觉特征构建似然模型，跟踪算法就能够有效地区分 子滤波为跟踪框架，给出了基于信息融合的粒子滤波跟踪算法。 目标，从而精确地跟踪目标 。 １ 特征描述 目前，国内外文献中常用的视觉特征主要包括颜色特征、 边缘特征、形状特征等，尽管以此类特征构建似然模型的跟踪 １．１灰度直方图特征 算法取得了较好的跟踪效果，但对于那些复杂的跟踪场景，依 图像的灰度直方图（ｇｒａｙ ｈｉｓｔｏｇｒａｍ）是灰度级的函数，它描 靠单一的视觉特征往往不充分、不稳定，很难取得良好的跟踪 述图像中对应于各个不同灰度级的像素数 。其横坐标表示 性能。针对这一局限性，近年来许多学者提出了利用多视觉信 灰度级，纵坐标表示各个灰度级出现的频率（像素数）。设变 息融合跟踪目标的算法，文献［２～５］对多特征融合的跟踪进 量ｒ代表图像中像素的灰度级，通过归一化处理，保证ｒ的值 行了较为系统的研究；但这些算法普遍忽略了对目标梯度信息 在０≤ｒ≤１的范围之内。 的利用，放弃了其良好的特征表示功能。事实上，梯度直方图 为了便于数字图像处理，用 代表离散灰度级，用Ｐ （ ） 在某种程度上可以看做是对目标纹理的一种表示，带有一定的 代表该灰度级上的概率分布，则有下式成立： 结构信息，而着眼于目标全局描述灰度信息，恰恰缺少结构信 ｐ，（ ）＝ｎ ２ｃ ：１息的描述。因此，本文充分发挥两者优点，将灰度特征和梯度 ，２，…，，Ｊ一１ （１） 收稿日期：２０１１．１０．１２；修回日期：２０１１－１１—１８ 基金项目：安徽省红外与低温等离子体重点实验室主任基金支持项目（２０１０Ａ００１００７Ｄ） 作者简介：周元璞（１９８７一），男，山东枣庄人，硕士研究生，主要研究方向为光电工程（ｚｈｏｕｙｕａｎｐｕ一１９８７＠１６３．ｃｏｎ）；杨华（１９６９一），男，湖南沅江 人，教授，博士，主要研究方向为光电工程；娄和利（１９８５一），男，山东临沂人，硕士研究生，主要研究方向为光电工程；吴晓迪（１９８０一），男，安徽淮北 人，讲师，博士，主要研究方向为光电工程；冯云松（１９７９一），男，安徽全椒人，讲师，博士研究生，主要研究方向为光电工程． ・１７３０・ 计算机应用研究 方程 Ｔ０ ０ ０ ０－１ ｏ ０ ０ ０ ０ ｒ Ｏ ０ ０ ０ 第２９卷 其中：ｎ 为图像中出现 这种灰度的像素数，ｎ是图像中像素 总数，ｎ ／ｎ就是概率论中所说的频数，Ｌ为图像中总的灰度级 数。在直角坐标中，可以作出 和Ｐ，（ ）的关系图，即为直 方图。 １ ０ ０ ０ ０ Ｉ ｏ １ ｒｏ ｏ ｌ （９） ０ Ｏ ０ Ｏ Ｏ １．２梯度直方图特征 ０ ０ １ ０ ０ ｆ 目标的梯度特征反映了目标的纹理和边缘等细节信息，用 它来描述目标增加了目标和背景的对比度，可以较为容易地把 目标从背景中分离出来。所以，本文将梯度特征与灰度特征结 ０ ０ ０ １ ０ ｌ ｏ ｏ ０ ０ １ Ｊ Ｏ ０ ０ ０ １ ０ ０ ０ ０ ０ ０ ｌ 合起来建立观测模型，以增加目标模板的稳定性＂］。 梯度算子对应于一阶导数算子，对一个连续图像函数．厂 其中： 为采样周期，Ｗ 为高斯噪声。 ２．２似然模型 （ ，Ｙ），它在位置（ ， ）处的梯度可以表示成这样的一个向量： ｇｒａｄｆ（ ）＝（芸，盟Ｏｙ） （２） 在图像中，对每一点取其梯度模，则得到相应的梯度图。 计算梯度图常用的方法有拉普拉斯算子、Ｓｏｂｅｌ算子及Ｐｒｅｗｉｔｔ 算子等，为了降低计算的复杂度，采用简化的Ｐｒｅｗｉｔｔ算子对图 像进行处理。将目标区域用一个矩形窗口表示，即目标模板， 对于模板中的任意一像素点（ ，Ｙ），用ｊ（ ，Ｙ）表示其灰度。于 是可以求得各方向的梯度值。 水平方向梯度值： Ｇｈ＝Ｉ，（ ＋１，ｙ）一，（ 一１， ）Ｉ （３） 垂直方向梯度值： Ｇ ＝Ｉｌ（ｘ，Ｙ＋１）一，（ ，Ｙ一１）Ｉ （４） 左对角线方向梯度值： Ｇ ：Ｉ，（ｘ＋１，ｙ十１）一，（ｘ一１，ｙ一１）Ｉ （５） 右对角线方向梯度值： Ｇ ＝ｌ，（ ＋１，Ｙ一１）一，（ 一１，Ｙ＋１）Ｉ （６） 将上面四部分相加就得到点（ ，ｙ）处的梯度幅值： Ｇ（ ，ｙ）＝Ｇ＾＋Ｇ ＋Ｇｆ＋Ｇ （７） 由上面可以看出，梯度值的大小与相邻像素的灰度差值成 正比。从图像上看，在图像轮廓上，像素的灰度值变化比较大， 梯度值也大，在图像的非轮廓区域，灰度变换相对平缓，因而梯 度值较小，在图像的等灰度区域内，梯度值为零。 ２粒子滤波器建模 ２．１运动模型 在视频目标跟踪中，对于机动性不是很大的运动目标，目 标在相邻两帧图像间的位移很小，通常采用简单的常速模型就 能够基本描述其运动规律 。考虑到目标还可能会发生尺度 变化，将其尺度特性加入到状态变量中，具体参数可以描述为： Ｐ＝［ ，ｙ，ｈ ，ｈ ］。本文采用矩形框， 和Ｙ分别为矩形的中 心，ｈ 和ｈ 分别为矩形的半长轴或半宽轴，最终建立的目标状 态可以表示为 （ ）＝［ （ ），ｙ（ ）， （ ），Ｙ （ ），ｈ…ｈ］ （８） 其中： （ ），Ｙ （ｋ）分别是目标中心在 和Ｙ方向上的速度。 在整个运动过程中，对于目标中心位置（ ，ｙ），采用常速 运动模型，而尺度变化（ｈ ，ｈ ）采用随机扰动模型，这样做主要 是由于目标轮廓的大小在跟踪期间变化的随机性比较大，因而 很难用精确的数学模型来描述。因此，采用如下模型建立运动 为了计算候选区域的似然，需要一个相似函数来衡量候选 区域与目标模板的相似程度，这里利用Ｂｈａｔｔａｃｈａｒｙｙａ系数定义 相似函数。两个模型灰度分布的Ｂｈａｔｔａｃｈａｒｙｙａ系数定义为 ｐ（ ，；）＝∑丽 （１ｏ） 相应的Ｂｈａｔｔａｃｈａｒｙｙａ距离为 ｄ＝，／１一ｐ（ｊ（ ）， ） （１１） 当ｄ值越小，说明候选区域的灰度直方图与目标区域的灰 度直方图越相似，应赋予较大的粒子权值；反之，则相似程度越 低，粒子权值也越小。需要说明的是，在下面的粒子滤波算法 中，每个粒子对应于一个图像的候选区域，将该区域的灰度直 方图与目标模板灰度直方图的Ｂｈａｔｔａｃｈａｒｙｙａ距离作为该粒子 的观测参考，则该粒子相相应的灰度似然定义为 Ｚ ｌｅｘｐ（一裴） （１２） 其中： 为基于灰度特征的Ｂｈａｔｔａｃｈａｒｙｙａ距离； 为灰度信息 高斯分布方差。 类似地，对于梯度特征，同样采用Ｂｈａｔｔａｃｈａｒｙｙａ距离来度 量相似性程度，与构建灰度似然相似，定义梯度加权直方图特 征的观测概率密度函数为 ｐ ）＝— １ ｅｘｐ（一参）（１３） 其中： 为基于梯度特征的Ｂｈａｔｔａｃｈａｒｙｙａ距离； 表示梯度信 息高斯分布的方差。 ３融合策略及模板更新 ３．１ 融合策略 在分别得到灰度信息、梯度信息的观测似然函数后，下一 步的任务就是对测量信息的融合，即推导融合多种信息的观测 似然函数。假设各种测量是相互的，那么融合后的观测似 然函数就能够以各个特征的观测似然函数的乘积形式给出，这 里只考虑灰度和梯度两种特征的融合，对于更多特征的融合也 很容易推广。 ｐ（ｚ ｌ ）：Ｐｈ（Ｚ Ｉ ） ‘Ｐ （ｚ ｌＸ ） 。 （１４） 其中： 。、 为各特征自适应归一化权值，用于调节每种特征 的观测概率在总观测概率的比重，在本文中分别表示灰度特征 和梯度特征的加权；然后，对 进行归一化，从而得到 。特 征融合后的粒子权值为 ∞ ＝ ｌｐ（Ｚ Ｉ ）／ａ ＋ｂ （１５） 第５期 ３．２模型更新 周元璞，等：一种基于信息融合的粒子滤波跟踪算法 ・ｌ７３ｌ・ 低区域震荡。结合图３跟踪框运动轨迹可以看出，目标运行至 视场附近区域时，跟踪框偏离目标，在错误位置晃动至稳 定，跟踪失败。 为了提高跟踪算法在复杂环境下的有效性，本文依据相似 性度量值的大小，将初始模板与当前最佳匹配位置按一定比例 加权，从而得到新的模板图像。假设ｐ 为更新前获得的目标 第ｉ个特征的模板，ｑ 为更新后的目标模型，ｇ 为前一帧相 而对于本文改进的基于信息融合的粒子滤波跟踪算法，由 于在粒子滤波器的基础上融合了灰度、梯度两项特征，充分发 挥三者优势，在复杂背景下较好地实现了目标跟踪。从图１、２ 中可以看出，跟踪框始终能较为准确地跟踪到目标，没有较为 应的目标模型，当它们之间的Ｂｈａｔｔａｃｈａｒｙｙａ距离小于一定阈值 时，才对模板进行更新；否则认为受外部点影响较大，不进行 更新。更新方法如下： ｇ ＝（１一叩）ｇ ＋，驴 （１６） 其中：ｒ／的取值采用固定形式，一般在０．１～０．３，本文取０．２。 ４实验结果及分析 为了验证改进后算法的优越性，利用迷彩雨衣模拟复杂的 背景环境，通过计算机和视频跟踪系统进行了模拟实验。在实 验中，电脑配置为Ｐ４ ２．８ ＧＨｚ ＣＰＵ，５１２ ＭＢ内存，Ｗｉｎｄｏｗｓ ＸＰ 操作系统和ＶＣ＋＋６．０的开发平台，视频采集装置为三星 ＳＣＣ－４２１（Ｐ）可见光ＣＣＤ摄像机。跟踪过程中粒子数取Ｎ＝ ２００，此时可以达到大约１０ ｆｐｓ的处理速度。 为了对比跟踪效果，实验中把传统的粒子滤波跟踪算法模 块与改进后的基于信息融合的粒子滤波跟踪算法模块做到了 一个程序里。图１为两种算法的跟踪效果对比图，其中白色框 为使用传统粒子滤波跟踪算法跟踪到的目标位置。黑色框为 使用改进算法得到的目标位置。图２为两种跟踪算法的Ｂｈａｔ— ｔａｃｈａｒｙｙａ系数对比曲线。图３为跟踪框的运动轨迹。 －■ 第５８帧 第９８帧 ＿ｌ 第１３８帧 第２１８帧 图１传统粒子滤波跟踪算法与本文改进后的 粒子滤波算法跟踪效果对比图 ｊ有向 图２两种跟踪算法Ｂｈａｔｔａｃｈａｒｙｙａ 图３跟踪框运动轨迹 系数变化曲线 由图１可以看出，当背景为迷彩背景，目标也为迷彩小车 时，传统的粒子滤波跟踪算法只能利用到目标小车的车轮颜色 和灰度特征来区分目标和背景，前６０帧左右尚能勉强跟住目 标，但有轻微晃动。由于目标特征太弱，且背景复杂，传统的粒 子滤波算法预测目标的能力大大受到。至大约第１００帧 处时，其跟踪位置严重偏移，晃动明显；至１４０帧处已经丢失跟 踪目标。 对比图２巴氏系数变化曲线分析，随着实验的进行，复杂 背景对传统粒子滤波跟踪算法的干扰越来越明显，从第５０帧 左右开始，巴氏系数开始明显下降，丢失目标后始终维持在较 明显的跟踪框漂移等现象，巴氏系数始终在可以接受的区域范 围内震荡；图３则真实反映了目标的实际运行轨迹。 通过以上对比可以发现，改进后的基于信息融合的粒子滤 波跟踪算法既保持了较高的实时性、鲁棒性，同时应用了较好 的信息融合、模板更新策略，在复杂背景下跟踪效果明显优于 传统算法。 ５结束语 针对粒子滤波跟踪算法在复杂环境下跟踪不稳定的问题， 本文提出了一种以粒子滤波算法为核心的双重特征融合跟踪 新算法。该算法在利用灰度特征的基础上，增加了梯度特征描 述目标，可以很好地体现目标的边缘以及纹理特征，有效提高 了复杂场景下对目标描述的可靠性。在此基础上，推导出多信 息融合的观测似然函数，将两种信息融合在一起，使得融合算 法能根据当前跟踪形势自适应调整各信息的加权，实现了信息 问的优势互补，始终利用对当前跟踪场景稳定的信息跟踪目 标，解决了复杂环境下单一信息跟踪失效的问题。在设计跟踪 算法时，利用自适应信息融合策略构建似然模型，提高了粒子 滤波跟踪算法在复杂场景下的稳健性。通过对比实验，证明融 合后的粒子滤波算法比传统算法跟踪性能更加优越，具备较好 的稳定性和鲁棒性。但是，由于粒子的数目左右着实时性和稳 定性，因此，如何减少运行时间、粒子数目的动态调整是下一步 研究的重点。 参考文献： ［１］ＤＯＲＩＮ Ｃ．Ｋｅｒｎｅｌ—ｂａｓｅｄ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｐａｔ－ ｔｅｍ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００３，２５（５）：５６４—５７７． ［２］ＭＩＣＨＥＡＬ Ｉ．Ｃｏｎｄｅｎｓａｔｉｏｎ—ｃｏｎｄｉｔｉｏｎａｌ ｄｅｎｓｉｔｙ ｐｒｏｐａｇａｔｉｏｎ ｆｏｒ ｖｉｓｕａｌ ｔｒａｃｋｉｎｇ［ＪＪ．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，１９９８，２９ （１）：５—２８． ［３］ＣＺＹＺ Ｊ，ＲＩＳＴＩＣ Ｂ，ＭＡＣＱ Ｂ．Ａ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ｏｆｒｊｏｉｎｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｔｒａｃｋｉｎｇ ｏｆ ｃｏｌｏｒ ｏｂｊｅｃｔｓ［Ｊ］．Ｉｍａｇｅ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００７，２５ （８）：１２７１—１２８１． ［４］ＬＴ Ａｎ－ｐｉｎｇ，ＪＩＮＧ Ｈｏｎｇ—ｔｉａｎｇ，ＨＵ Ｓｈｉ—ｑｉａｎｇ．Ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ｂａｓｅｄ ｖｉ— ｓｕａｌ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｍｕｌｔｉ—ｃｕｅ ａｄａｐｔｉｖｅ ｆｕｓｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ Ｏｐｔｉｃｓ Ｌｅ￣ｅｒｓ，２００５，３（６）：１０３—１０５． ［５］ＬＵＯ Ｒｏｎｇ－ｈｕａ，ＨＯＮＧ Ｂｉｎｇ—ｒｏｎｇ．Ｃｏｅｖｏｌｕｔｉｏｎ ｂａｓｅｄ ａｄａｐｔｉｖｅ Ｍｏｎｔｅ Ｃａｒｌｏ ｌｏｃａｌｉｚａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｄｖａｎｃｅｄ Ｒｏｂｏｔｉｃ Ｓｙｓｔｅｍｓ，２００４，１（３）：１８３—１９０． ［６］席涛，张胜修，原魁，等．基于遗传进化策略的粒子滤波视频目标 跟踪［Ｊ］．光电工程，２００９，３６（３）：２８—３２． ［７］初红霞，王科俊，王希凤，等．多特征融合的退火粒子滤波目标跟 踪［Ｊ］计算机工程与应用，２０１１，４７（６）：１６４—１６７． ［８］ 张波．基于粒子滤波的图像跟踪算法研究［Ｄ］．上海：上海交通 大学．２００７．
