基于动态贝叶斯网络的多特征目标跟踪

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (30): 183-187.

• 图形、图像、模式识别 • 上一篇下一篇

基于动态贝叶斯网络的多特征目标跟踪

吴孟俊1，付钿1，刘建平2，牛玉刚1

1.华东理工大学信息科学与工程学院，上海 200237
2.河北石家庄职工大学，石家庄 050049

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-21 发布日期:2011-10-21

Multi-feature target tracking based on dynamic Bayesian network

WU Mengjun1，FU Tian1，LIU Jianping2，NIU Yugang1

1.School of Information Science and Technology，East China University of Science and Technology，Shanghai 200237，China
2.Shijiazhuang Staff and Workers University，Shijiazhuang 050049，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-21 Published:2011-10-21

摘要/Abstract

摘要： 通过将动态贝叶斯网络模型应用到人体目标跟踪中，提出了一种多特征融合跟踪算法。该方法基于动态贝叶斯网络建立状态模型，分别针对形变、遮挡、有干扰三种情况提取运动中人体的颜色和梯度特征，利用粒子滤波方法对颜色特征和梯度特征进行融合。实验表明，提出的多特征跟踪算法能较好地解决复杂环境下的目标跟踪问题，相比传统的利用单一目标特征的跟踪算法具有更好的鲁棒性和准确性。

关键词: 动态贝叶斯网络, 颜色直方图, 梯度直方图, 粒子滤波

Abstract: In this paper，the dynamic Bayesian network model is applied for the tracking of human，and a multi-feature fusion tracking algorithm is proposed.This algorithm firstly establishes the state model based on the Dynamic Bayesian Network，and then extracts the features of body color and gradient under the three different cases，i.e.，deformation，occlusion，and interference，respectively.Both the color feature and gradient feature are integrated by using particle filter method.The experiment results show that the proposed multi-feature algorithm is of better robust and accurate in the problem of human tracking，compared with the traditional single feature in complex environment.

Key words: dynamic Bayesian network, color histogram, gradient histogram, particle filter

吴孟俊1，付钿1，刘建平2，牛玉刚1. 基于动态贝叶斯网络的多特征目标跟踪[J]. 计算机工程与应用, 2011, 47(30): 183-187.

WU Mengjun1，FU Tian1，LIU Jianping2，NIU Yugang1. Multi-feature target tracking based on dynamic Bayesian network[J]. Computer Engineering and Applications, 2011, 47(30): 183-187.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	张杰，常天庆，郭理彬，张雷，马金盾. 基于跟踪异常与相关性检验的目标丢失判断[J]. 计算机工程与应用, 2021, 57(18): 204-212.
[3]	孙新领，张皓，赵丽. 结合尺度估计MST和粒子滤波的视频目标跟踪[J]. 计算机工程与应用, 2020, 56(8): 117-123.
[4]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[5]	邹承明，明成龙，李成龙. 融合相关粒子滤波目标跟踪算法[J]. 计算机工程与应用, 2020, 56(7): 184-192.
[6]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[7]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[8]	郑晨辉，陈璟，张雨婷，薛伟. 融合粒子滤波与蓝牙地标矫正的定位算法[J]. 计算机工程与应用, 2020, 56(13): 273-278.
[9]	王晓华，聂腾腾. 改进的布谷鸟算法优化粒子滤波研究[J]. 计算机工程与应用, 2020, 56(12): 60-65.
[10]	胡东海，邵元，陈莹，夏士雄. 基于改进粒子滤波的室内自适应定位算法[J]. 计算机工程与应用, 2019, 55(9): 65-71.
[11]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[12]	昝孟恩，周航，韩丹，杨刚，许国梁. 粒子滤波目标跟踪算法综述[J]. 计算机工程与应用, 2019, 55(5): 8-17.
[13]	刘红星1，2，胡广地1，朱晓媛1，李进龙3. 改进协方差矩阵的智能车视觉目标跟踪方法[J]. 计算机工程与应用, 2019, 55(3): 171-178.
[14]	耿建平，雷梦英. Mean Shift和粒子滤波实现红外人体跟踪算法综述[J]. 计算机工程与应用, 2019, 55(24): 29-36.
[15]	胡正平，王欣，孙德刚. 余弦权重逆稀疏框架视频目标跟踪算法[J]. 计算机工程与应用, 2019, 55(21): 206-213.

基于动态贝叶斯网络的多特征目标跟踪

Multi-feature target tracking based on dynamic Bayesian network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics