第３７卷第１１期 系统工程与电子技术 Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｖｏ１．３７ Ｎｏ．１１ Ｎｏｖｅｍｂｅｒ ２Ｏ１５ 网址：ｗｗｗ．ｓｙｓ—ｅｌｅ．ｃｏｒｎ ２０１５年１１月 文章编号：１００１—５０６Ｘ（２０１５）１１—２６１７—０６ 基于压缩感知的粒子滤波跟踪算法 吴晓雨，吴凌琳，杨 磊 （中国传媒大学信息工程学院，北京１０００２４） 摘 要：针对运动目标跟踪存在的目标遮挡和光照变化问题，提出一种基于压缩感知的粒子滤渡跟踪算法。 将改进的压缩感知跟踪算法提取的特征融合到粒子滤波跟踪框架中，并对压缩感知提取的特征和原始粒子滤波 中的颜色特征进行可信度判定，能够较好地处理图像序列中由于目标遮挡和光照变化所带来的影响。此算法在 公开数据库中进行测试，实验结果表明，提出的算法与已有改进压缩感知跟踪算法和粒子滤波跟踪算法相比，鲁 棒性更好，能准确实时地对目标进行跟踪。 关键词：运动目标跟踪；粒子滤波；压缩感知；可信度判定 中图分类号：ＴＮ ９１１．７３ 文献标志码：Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１～５０６Ｘ．２０１５．１１．３０ Ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｉｎｇ ｔｒａｃｋｉｎｇ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ ＷＵ Ｘｉａｏ—ｙｕ，ＷＵ Ｌｉｎｇ～ｌｉｎ。ＹＡＮＧ Ｌｅｉ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎａ，Ｂｅｉｊｉｎｇ １０００２４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｏ ｄｅａｌ ｗｉｔｈ ｔｈｅ ｔａｒｇｅｔ ｏｃｃｌｕｓｉｏｎ ｐｒｏｂｌｅｍ ａｎｄ ｉｌｌｕｍｉｎａｔｉｏｎ ｃｈａｎｇｅｓ ｉｎ ｍｏｖｉｎｇ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ，ａ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ ｉｓ ｐｒｏｐｏｓｅｄ．Ｔｈｅ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅｓ ａｒｅ ａｄｄｅｄ ｂｙ ｅｏｍ— ｐｒｅｓｓｉｖｅ ｓｅｎｓｅ ｏｆ ｔｈｅ ｉｍｐｒｏｖｅｄ ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ（ＣＴ）ａｌｇｏｒｉｔｈｍ ｉｎｔｏ ｔｈｅ ｆｒａｍｅｗｏｒｋ ｏｆ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｉｎｇ ｔｒａｃｋｉｎｇ．Ｔｈｅ ｃｒｅｄｉｂｉｌｉｔｙ ｏｆ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅｓ ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｃｏｌｏｒ ｆｅａｔｕｒｅｓ ｏｆ ｏｒｉｇｉｎａｌ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｃｏｍ— ｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ ｆｅａｔｕｒｅｓ ｉｓ ｊｕｄｇｅｄ，ｗｈｉｃｈ ｄｅａｌｓ ｗｉｔｈ ｔｈｅ ｔａｒｇｅｔ ｏｃｃｌｕｓｉｏｎ ｅｆｆｅｃｔｓ ａｎｄ ｉｌｌｕｍｉｎａｔｉｏｎ ｃｈａｎｇｅｓ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｔｅｓｔｅｄ ｉｎ ｐｕｂｌｉｃ ｄａｔａｂａｓｅ ａｎｄ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｂｒｉｎｇｓ ａｂｏｕｔ ｂｅｔｔｅｒ ｒｏｂｕｓｔｎｅｓｓ ａｎｄ ｔｒａｃｋｓ ｔａｒｇｅｔｓ ａｃｃｕｒａｔｅｌｙ ｉｎ ｒｅａｌ ｔｉｍｅ ｉｎ ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈ ｔｈｅ ｉｍｐｒｏｖｅｄ ＣＴ ａｌｇｏｒｉｔｈｍ ａｎｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ． Ｋｅｙｗｏｒｄｓ：ｍｏｖｉｎｇ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ；ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ；ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ；ｃｒｅｄｉｂｉｌｉｔｙ ｊ ｕｄｇｅ ０ 引 言 运动目标跟踪作为机器视觉研究领域中的一个研究热 的跟踪，粒子重采样策略较好应对了目标被遮挡问题，但在 目标环境的光照发生变化时，粒子滤波的鲁棒性很差。文 献［７］基于文献Ｅ６］的压缩感知跟踪（ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ， ＣＴ）算法提出了改进的算法，在原始的特征提取矩阵的基 础上，生成一个提取灰度的特征提取矩阵，该算法能在目标 形态和光照发生剧变等情况下准确实时地跟踪目标。但当 目标被遮挡时，改进的ＣＴ算法则由于正负样本不断更新， 点，已经被广泛应用到智能人机交互、交通安全监控、医疗 成像、军事指导、天文探测、电视制作等领域。作为一个研 究热点，运动目标跟踪针对不同的环境场景存在不同的问 题，如目标旋转、大小改变、光照变化、目标遮挡等，这些问 题都给目标跟踪带来不同方面的难题。 近年来，针对这些问题，学者们提出了不同的跟踪算 正样本被遮挡物取代，导致遮挡后无法跟上。 视频序列中，经常会同时出现目标遮挡和光照变化 的情况，而上述算法都不能对其进行有效的跟踪。针对 上述存在的跟踪问题，本文首先剖析了粒子滤波跟踪和 压缩感知跟踪算法的优缺点，而后提出了一种基于压缩 感知的粒子滤波跟踪算法，即在粒子滤波框架下结合改 进的ＣＴ算法中的压缩感知提取特征。在公开测试库上 的实验结果表明，提出的跟踪算法同时解决光照变化和 法。文献［１］提取了目标区域的ＳＩＦＴ特征并结合ｍｅａｎ— ｓｈｉｆｔ的跟踪算法，较好地解决了跟踪目标的尺度及旋转变 化的问题。文献［２］提出的局部无序跟踪（１ｏｃａｌｌｙ ｏｒｄｅｒｌｅｓｓ ｔｒａｃｋｉｎｇ，ＬＯＴ）算法，对于运动目标大小变化，都能有效地 跟踪。但文献［１—２］对于光照变化和有遮挡的运动跟踪鲁 棒性有待提高。文献［３—５］基于粒子滤波框架实现对目标 收稿日期：２０１４～１２—２９；修回日期：２０１５—０４—２４；网络优先出版日期：２０１５—０７—０６。 网络优先出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０１５０７０６．１７０５．０１５．ｈｔｍｌ 基金项目：国家科技支撑计划（２０１４ＢＡＨｌＯＦ００，２０１２ＢＡＨ０１Ｆ０１—０１）资助课题 ・２６１８ ・ 系统工程与电子技术 第３７卷 目标遮挡时跟踪失败的问题，在复杂场景下具有较好的 跟踪效果。 ｌ相关算法介绍 １．１粒子滤波跟踪算法 粒子滤波器是一种通过蒙特卡罗仿真实现递推贝叶斯 滤波的方法，实质是随机采样运算将积分转化为有限样本 点的求和运算，用一个带权重值的随机样本集（即粒子集 （ｚ 一 ））来表示后验密度函数，以此来计算系统的状态估 计。样本的数量足够多时可较好地描述目标状态的后验概 率分布，得到目标状态的最优贝叶斯估计。ｋ时刻的后验 密度可以近似表示为 Ｎ ｐ（ ｌ ２１ ：）≈２ 议Ｊ （ｚ 一ｚ ） （１） 一１ 式中，占（・）为狄克拉函数；Ｎ为粒子总数；ｋ为序列帧数；ｉ 为粒子标志。 总体来说，粒子滤波跟踪［８ 主要步骤总结如下：首先 随机采样一个粒子集并提取粒子特征；其次通过特征计算 粒子权重来表示后验密度函数，找到最相似粒子作为跟踪 目标；最后对粒子进行重采样。 １．２压缩感知跟踪算法 文献Ｅ６３提出了基于压缩感知的跟踪算法，利用图像的 稀疏性和压缩感知 算法生成了一个稀疏的随机测量矩 阵，然后图像原始特征通过向此随机测量矩阵投影，去除了 大量的冗余信息，并得到压缩的低维特征 对这些低维特 征采用朴素贝叶斯分类学习的跟踪算法框架进行目标分类 跟踪。上述压缩感知提取特征的公式为 Ｖ—ＲＸ （２） 式中，Ｘｑ 为目标候选区域转换成１维后的信号；Ｒ∈ Ｒ （ｎ《ｍ）为特征提取矩阵；Ｖ∈Ｒ 为特征。而式（２）中 不同的Ｒ会提取出不同的特征。文献［６］对Ｒ定义如下： Ｉ１ 概率为 Ｓ 一 ×｛。 概率为１ （３） Ｓ １ ｌ一 ｔ，概率为 ２Ｓ 式中，ｓ通过平均概率在２～ 中随机选 取，文献［７］指出实 际特征提取为 ｒｏＲｅｃｔｓｏ一 （４） √ＮＲ 式中，Ｒｅｃｔｓ为在候选区域随机选取的图像块（即Ｒ中为√５ 或 ｓ的区块）；ＮＲ为图像块数目（ＮＲ—ｓ）；ｊ表示第Ｊ个 图像块ＩｒＩ，在１与一１中等概率随机选取，Ｒ的值在同一图 像块中相同。 ２ 基于压缩感知的粒子滤波算法 由于粒子滤波跟踪算法中粒子随机采样和重采样的核 心思想，使得该算法对于目标有遮挡的运动有很好的跟踪 效果；但粒子滤波跟踪算法中仅用到颜色特征，对于光照的 变化鲁棒性很差。而ＣＴ算法可以快速提取到低维且有效 的灰度和纹理特征，有效解决粒子滤波存在的问题，然而由 于对正样本的不断更新，导致在目标遮挡后正样本偏离原 始目标而使跟踪丢失。因此，本文提出将ＣＴ算法中的压 缩感知提取特征融合到粒子滤波框架中，能够同时解决视 频跟踪过程中遮挡和光照变化的问题。本文算法流程图如 图１所示，首先在目标区域周围采样两组粒子集，利用直方 图和压缩感知分别提取颜色特征和灰度纹理特征；其次通 过直方图距离和贝叶斯分类分别计算两组粒子的权重；再 以一定的决策方法对两组粒子的跟踪结果进行可信度判定 来确定当前的跟踪结果；最后进行重采样来防止粒子退化。 Ｉ初始化跟踪目标Ｉ ｌ 采样两组粒子 ，Ｐ２ Ｉ采样 －。—。＿ … 一十…………… 提ｇＺＰ，粒子的ｌ Ｉ压缩感知提取 Ｉ特征 颜色直方图 ｆ ｌ粒子的灰度和纹理Ｉ提取 ＋ ＋ ＩＩ巴特沃斯系数Ｉｌ确定粒子权熏Ｉ Ｉ斯分类一ｌ朴素贝叶ｌ、１分类器Ｉ更新ｒ权ｌ计算 重 ｌｌ。 ● Ｉ粒子跟踪结果决策Ｉ确定日标 一 Ｙ 。 Ｉ 粒子重采样 Ｉ重采样 图１本文算法流程图 ２．１粒子滤波框架下的特征提取 第一组粒子Ｐ 利用直方图来提取粒子特征，颜色直方 图在目标遮挡前后变化不大，并且在目标区域周围选用了 高斯分布随机采样，让采样粒子尽可能覆盖目标的各种状 态。另外利用重采样降低粒子退化现象，保持粒子的有效 性和多样性。因此，粒子滤波能够有效地解决目标遮挡问 题。但对于跟踪过程中的光照变化，颜色直方图鲁棒性 很差。 为了减少光照的影响，需要加入图像灰度和纹理等特 征，而这些特征的提取比较又会大大增加算法的计算量。 而压缩感知中心思想是采样和压缩共同进行，得到的压缩 样本数据量远远小于传统采样所得的数据量。因此，第二 组粒子Ｐ 采用压缩感知来提取图像灰度和纹理特征。 文献［７］指出特征提取矩阵（见式３）每行中１和一１同 时存在的概率为０．７１，提取的特征更多地表现为图像的纹 理特征，纹理特征在目标形态和光照发生剧变等情况下并 不稳定。为了增强跟踪的稳定性，文献［７］中利用式（３）生 成Ｒ ，而后根据Ｒ 生成新的特征提取矩阵Ｒｚ，从而利用 Ｒ 和Ｒ 提取具有互补的纹理特征和灰度两种特征。新的 特征提取矩阵生成公式如下： Ｉ Ｉ ｒｈ Ｉ， 中同时存在１和一１ ｆ Ｉ（－１） ｆ ｒｈ ｌ，ｒ¨中存在１或一１ 第１１期 吴晓雨等：基于压缩感知的粒子滤波跟踪算法 ２．３粒子跟踪结果决策 以两组粒子中权重最大粒子位置作为最相似粒子位 置，Ｐ 和Ｐ 的最相似粒子位置分别为Ｐ 和Ｃ ，可以确定 式中，ｉ表示特征提取矩阵Ｒ 和Ｒ。的第ｉ行；ｋ表示Ｒ 中 第ｉ行中第ｋ个非零值。因此本文参考文献Ｅ７］，将两个特 征矩阵融入到粒子滤波跟踪框架中，对采样的粒子集Ｐ。提 取纹理特征和灰度均值特征。 ２．２粒子权重 ２．２．１提取颜色特征的粒子权重计算 目标的最优估计位置： 一ａｐ ＋（１一ａ）Ｃ 。这里 是融合 的权重。由于两组粒子的特征都不能同时解决目标遮挡和 光照变化的情况，因此需要有个判断条件来调整粒子融合 权值ａ。 本文通过计算两组粒子的权重来表示两个后验密度函 数。其中针对粒子集Ｐ ，本文采用经典的巴特沃斯距离来表 示粒子与目标模板之间颜色直方图的相似度（存放的是粒子的 对于粒子集Ｐ 采用颜色直方图特征，粒子集越聚合， 估计的目标位置方差就会越小，故基于颜色直方图特征估 颜色直方图），希望找到与目标颜色分布最接近的粒子。因此， 巴特沃斯距离越大相似度越高，而粒子的权重也就越大。 ２．２．２提取灰度和纹理特征的粒子权重计算 针对粒子集尸２，本文通过朴素贝叶斯分类器对压缩感知 提取的特征进行相似性判别，寻找与标准目标最相似的粒子。 对每个样本ｘ∈Ｒ－ ，它的低维表示是ｙ∈ （ 《ｍ），假定ｙ 中的各元素是分布的，构建朴素贝叶斯分类器为 Ｈ（Ｖ）一ｌｎ Ⅱｐ（ｖ Ｉ Ｙ一１）ｐ（ｙ一１） ！．：：：． ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ．．．．．．．．．．．．．．．．．．．．．．．．．．． ．．．．．．．．．．．．．．．．．．．．．一 Ⅱｐ（ｖ。Ｉ Ｙ—Ｏ）ｐ（ｙ—ｏ） ｉ＝１ Ｉｎ（麓— ） 其中，假设两个类的先验概率相等 （ 一１）一 （ｙ—Ｏ），Ｙ∈ ｛０，１｝代表二值样本标签， 一０表示负样本， 一１表示正样 本。文献［１４３指出高维向量随机投影向量几乎满足高斯分 布。所以，分类器Ｈ（Ｖ）中的条件概率ｐ（ｖ ｌｊ，一１）和Ｐ（７３ ｌ —Ｏ）被假定属于高斯分布，那么 ｆｐ（ｖ ｌ Ｙ一１）一户（ ｌ Ｙ一１）夕（ ｌ Ｙ一１） ｌ （ ｌ Ｙ一１）～Ｎ（ ， １ ） ｊ 夕（口 ｌ Ｙ一１）～Ｎ（ 。， １。 （７） ｌ ｐ（ｖ Ｉ ｙ—ｏ）一ｐ（口 ｊ Ｙ—ｏ） （ ｌ Ｙ—ｏ） Ｉ ｐ（ｖ ｌ —ｏ）～Ｎ（／２ ， ０ ） 【ｐ（ｖ ｛ｙ一０）～Ｎ（ ， ） 式中， 和 分别表示两种特征矩阵提取的特征； ， 和 ， 分别表示Ｒ 和Ｒ２提取特征的正样本的均值和标 准差； ０ ， 和 ？ ， 分别表示Ｒ 和Ｒ。提取特征的负样 本的均值和标准差。 Ｈ（ｙ）为后验概率，其值越大则与标准目标特征区域越相 似，因此第二组粒子以Ｈ（ｙ）值作为粒子权重。选取Ｈ（ｙ） 值最大的粒子作为新一帧的目标区域，并对相关系数 和 进行更新 ｔ— ＋（１一 ） 一 Ａ （ ） ＋（１一 ）（ ） ＋ （１一 ）（ 一 ） （８） 式中，ｚ一１代表目标样本，ｚ一０对应背景样本；ｒ一１时利用 Ｒ 求取特征，ｒ一２时利用Ｒ 计算特征； 对应着更新率，其 值越大更新越慢，保留之前特征越多。 计的目标位置被赋予高的可信度。当在画面出现光照变化 时，粒子空间位置会从原来较为集中变得相对分散，其位置 方差随之变大，因此当方差大于某一阈值Ｔ 时，可判定为 粒子滤波不可信（本文取Ｔ 一４５），则ａ一０。 对于粒子集Ｐ。采用压缩感知提取特征，当目标被遮挡 时，采样的图像片与负样本更为相似，因此Ｈ（ｙ）将突然变 小，ｇｏｓｈ于某一阈值Ｔｚ（本文取Ｔｚ一２），以此来判断压缩感 知提取的特征是否可信，则ａ一１。 当第一组粒子空间位置方差Ｄ和第二组压缩感知概 率值Ｈ（ ）均在设定的阈值内，则代表两组粒子都可信。 对两组粒子的结果进行归一化来确定ａ取值。对于Ｐ 粒 子，归一化值为ａ一（Ｔ 一Ｄ）／Ｔ ；对于Ｐ 粒子，归一化值 为６一（Ｈ（Ｖ）一Ｔ２）／ ， 为设定的一个压缩感知概率中 可能存在的最大值，本文取 一１００，当６＞１时，将ｂ置为 １。那么两组粒子的融合权重为：ａ—ｎ／（ｎ＋６）。 ２．４粒子重采样 粒子滤波器在历经几轮迭代后，大多数粒子权重都变 得很小，即出现粒子退化现象，此时的粒子集将无法准确描 述实际的目标后验概率分布。为解决粒子退化问题，重采 样方法思想在保证粒子采样总数不变的基础下，通过复制 权重较大的粒子，增多了权值大的粒子数量，消除了权值小 的粒子，提高了粒子的多样性。本文对两组粒子都采用此 重采样方法来防止粒子的退化。 ２．５本文算法流程 概括起来本文算法主要步骤如下： 步骤１初始化跟踪目标。手动框选初始化跟踪区 域，确定跟踪目标。 步骤２采样粒子。在目标区域周围按照高斯分布采 样两组粒子集Ｐ 和Ｐ 。 步骤３粒子特征提取。粒子集Ｐ 以颜色直方图提 取颜色特征；粒子集Ｐ 通过压缩感知提取灰度和纹理 特征。 步骤４粒子权重计算。采用巴特沃斯距离计算Ｐ 粒子与目标模板之间颜色直方图的相似度，以确定第是帧 粒子集Ｐ 各个粒子的权重 ；以贝叶斯分类器计算Ｐ 粒 子的权重，在目标位置周围进行采样正负样本，用第２．１节 中提到的Ｒ 和Ｒ ，对这些样本进行压缩感知特征提取，得 到特征向量ｙ 和ｙ。，使用式（６）对Ｐ 粒子集的特征向量 ｙ】和Ｖ。进行分类，以Ｈ（Ｖ）值大小作为 粒子的权重。 ・２６２２ ・ 系统工程与电子技术 第３７卷 仅比粒子滤波算法慢２～３ ｍｓ，这是由于加入的压缩感知 提取的特征数据量极少，整个算法运算速度几乎不受影响。 本文还将ＣＴ算法的每帧采样图像片用粒子滤波的每帧重 采样替换，运算量比ＣＴ算法降低很多，因此每帧图像的运 算速度比ＣＴ算法提高了一倍。 表１算法运行速度比较 ｍｓ／ｆｐ ４ 结 论 针对目标跟踪存在目标遮挡和环境光照变化的情况， 本文提出将改进的ＣＴ算法中的压缩感知特征融合入粒子 滤波框架中。由于利用压缩感知提取灰度和纹理特征，使 得在图像信号压缩后数据量大大减少的情况下，可以有效 地缓解光照变化对目标跟踪的影响。而粒子滤波中采用 了颜色直方图特征，以及随机采样和重采样的核心思想， 从而能在目标有遮挡的情况下，对其进行有效的跟踪。因 此，融入压缩感知特征的粒子滤波算法在运算速度并没有 降低的情况下，能同时解决目标遮挡和光照变化两个问 题，从而提高了算法的鲁棒性。未来，如何白适应地调节 判定算法可信度的阈值来使跟踪算法更为稳定是本文的 研究重点。 参考文献： Ｅｌｉ Ｚｈａｏ Ｑ Ｊ，Ｚｈａｎｇ Ｙ，Ｚｈａｏ Ｄ Ｂ．Ａ ｓｃａｌｅ ａｎｄ ｒｏｔａｔｉｏｎ ａｄａｐｔｉｖｅ ａｌｇｏ— ｒｉｔｈｍ ｆｏｒ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ－ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１３，４４（６）：２３５４—２３６０．（赵钦君，张勇， 赵东标．一种尺度和旋转自适应的目标跟踪算法ＥＪ］．中南大学学 报（自然科学版），２０１３，４４（６）：２３５４—２３６０．） Ｅ２］Ｏｒｏｎ Ｓ，Ｂａｒ－Ｈｉｌｌｅｌ Ａ，Ｌｅｖｉ Ｄ，ｅｔ ａ１．Ｌｏｃａｌｌｙ ｏｒｄｅｒｌｅｓｓ ｔｒａｃｋｉｎｇ［Ｃ］／／ Ｐｒｏｃ．ｏｆｔｈｅ ｎ ＥＥ Ｃｏｎｆｅｆｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇ～ ｎｉｔｉｏｎ，２０１２：１９４０—１９４７． ［３３ Ｎｕｍｍｉａｒｏ Ｋ，Ｋｏｌｌｅｒ－Ｍｅｉｅｒ Ｅ，Ｖａｎ Ｇｏｏｌ Ｌ．Ａｎ ａｄａｐｔｉｖｅ ｃｏｌｏｒ ｂａｓｅｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ［Ｊ］．Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００３，２１ （１）：９９—１１０． ［４］Ｍｅｉ Ｘ，Ｌｉｎｇ Ｈ．Ｒｏｂｕｓｔ ｖｉｓｕａｌ ｔｒａｃｋｉｎｇ ａｎｄ ｖｅｈｉｃｌｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖｉａ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０Ｕ，３３（１１）：２２５９—２２ ７２． ［５３ Ｈｅｓｓ Ｒ，Ｆｅｒｎ Ａ．Ｄｉｓｃｒｉｍｉｎａｔｉｖｅｌｙ ｔｒａｉｎｅｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｓ ｆｏｒ ｃｏｍｐｌｅｘ ｍｕｈｉ－ｏｂｉｅｅｔ ｔｒａｃｋｉｎｇ［ｅｌ｝｛Ｐｒｏｃ．ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎ｛ｅｒｅｎｃｅ Ｃｏｍ ｐｕｒｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００９：２４０—２４７． ［６］Ｚｈａｎｇ Ｋ，Ｚｈａｎｇ Ｌ，Ｙａｎｇ Ｍ Ｈ．Ｒｅａｌ－ｔｉｍｅ ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ［ｃ］∥ Ｐｒｏｃ．ｏｆｔｈｅ １２ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２０１２：８６４ ８７７． ［７］Ｚｈｕ Ｑ Ｐ，Ｙａｎ Ｊ，Ｚｈａｎｇ Ｈ，ｅｔ ａ１．Ｒｅａｌ—ｔｉｍｅ ｔｒａｃｋｉｎｇ ｕｓｉｎｇ ｍｕｌ— ｔｉｐｌｅ ｆｅａｔｕｒｅｓ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ［Ｊ］．Ｏｐｔｉｃｓ ａｎｄ Ｐｒｅ ｃｉｓｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１３，２１（２）：４３７—４４３．（朱秋平，颜佳，张虎， 等．基于压缩感知的多特征实时跟踪［Ｊ］．光学精密工程，２０１３， ２１（２）：４３７—４４３．） ［８］Ｈｕ Ｓ Ｑ，Ｊｉｎｇ Ｚ Ｌ．Ｏｖｅｒｖｉｅｗ ｏｆ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ，２００５，２０（４）：３６１—３６５．（胡士强，敬忠良． 粒子滤波算法综述［Ｊ］．控制与决策，２００５，２Ｏ（４）：３６１—３６５．） ［９］Ｓａｎｊｅｅｖ Ａ Ｍ，Ｍａｓｋｅｌｌ Ｓ，Ｇｏｒｄｏｎ Ｎ，ｅｔ ａ１．Ａ ｔｕｔｏｒｉａｌ ｏｎ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｓ ｆｏｒ ｏｎｌｉｎｅ ｎｏｎｌｉｎｅａｒ／ｎｏｎ—Ｇａｕｓｓｉａｎ Ｂａｙｅｓｉａｎ ｔｒａｃｋｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００２，５０（２）：１７４—１８８． ＥｌＯ］Ｄｊｕｒｉｃ Ｐ Ｍ，Ｋｏｔｅｃｈａ Ｊ Ｈ，Ｚｈａｎｇ Ｊ，ｅｔ ａ１．Ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒｉｎｇ［Ｊ］． ＩＥＥＥＴｒａｎｓ．ｏｎＳｉｇｎａｌ ＰｒｏｃｅｓｓｉｎｇＭａｇａｚｉｎｅ，２００３，２０（５）：１９—３８． ［１１］Ｄｏｎｏｈｏ Ｄ．Ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｉｎｆｏｒｍａ ｔｉｏｎ Ｔｈｅｏｒｙ，２００６，５２（４）：１２８９—１３０６． ［１ｚ］Ｃａｎｄｅｓ Ｅ，Ｔａｏ Ｔ．Ｎｅａｒ ｏｐｔｉｍａｌ ｓｉｇｎａｌ ｒｅｃｏｖｅｒｙ ｆｒｏｍ ｒａｎｄｏｍ ｐｒｏｊｅｃｔｉｏｎｓ ａｎｄ ｕｎｉｖｅｒｓａｌ ｅｎｃｏｄｉｎｇ ｓｔｒａｔｅｇｉｅｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ． ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ，２００６，５２（１２）：５４０６—５４２５． ［１３］Ｃａｎｄｅｓ Ｅ，Ｗａｋｉｎ Ｍ．Ａｎ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｃｏｍｐｒｅｓｓｉｖｅ ｓａｍｐｌｉｎｇ［Ｊ］． ＩＥＥＥＴｒａｎｓ．ｏｎＳｉｇｎａｌ ＰｒｏｃｅｓｓｉｎｇＭａｇａｚｉｎｅ，２００８，２５（２）：２１—３０． ［１４］Ｄｉａｃｏｎｉｓ Ｐ，Ｆｒｅｅｄｍａｎ Ｄ．Ａｓｙｍｐｔｏｔｉｃｓ ｏｆ ｇｒａｐｈｉｃａｌ ｐｒｏｊｅｃｔｉｏｎ ｐｕｒｓｕｉｔ［Ｊ］．Ｔ＾ＰＡｎｎａｌｓ ｏｆ Ｓｔａｔｉｓｔｉｃｓ，１９８４，１２（３）：７９３—８１ ５． ［１５］ｗｕＹ，ｕｍ Ｊ，ＹａｎｇＭＨ．Ｏｎｌｉｎｅ ｏｂｊｅｃｔｔｒａｃｋｉｎｇ：ａ ｂｅｎｃｈｍａｒｋ［（；］∥ Ｐｒｏｃ．ｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒ￣ｑ￣ｅ ｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｒｍＰａｔｔｅｒｅｒＲｅｃ ｏｇｎｉｔｉｏｎ，２０１３：２４１１—２４１８． 作者简介： 吴晓雨（１９７９一），女，副教授，博士，主要研究方向为图像处理、视频 智能分析。 Ｅ—ｍａｉｌ：ｗｕｘｉａｏｙｕ＠ｃｕｅ．ｅｄｕ．ｃｎ 吴凌琳（１９９０一），通信作者，女，硕士研究生，主要研究方向为图像处 理、视频智能分析。 Ｅ—ｍａｉｌ：ｃａｒｉｎｅｌ＠１６３．ｃｏｒｎ 杨磊（１９６０一），男，教授，主要研究方向为安防领域、视频分析。 Ｅ—ｍａｉｌ：ｙａｎｇｌｅｉ＠ＣＵＣ．ｅｄｕ．ｃｎ
