【目标跟踪】 帧差法结合卡尔曼滤波行人姿态识别【含GUI Matlab源码 1127期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、基于人体特征识别和卡尔曼滤波的行人跟踪算法简介

1 基于体型和行为姿态特征的人体识别算法
从红外图像中可以得到目标与背景之间的灰度级差别,从而区分出有生命特征的运动物体,但仅从亮度特征无法区别出该运动物体是人类还是其他动物,例如狗等哺乳类动物的红外波长与人类相差不大,且外表毛皮的热辐射作用没有受到衣物遮挡的影响,一样可以通过灰度级之差来从背景中区别出。从红外图像中一般能得到目标自身的两个信息点:目标身上的亮度分布区域,即目标的体型特征;相邻帧之间相同目标的动作变化,即目标的行为姿态特征。根据对这两个信息点的研究,通过具体分析来得出识别人体的判断标准。

1.1 体型特征研究
设定一个灰度级阈值,用于检测目标的边缘像素,并在x轴得出该目标边缘的最左、最右像素点,在y轴方向上得出目标边缘的最上、最下像素点。用这4个点形成一个包围目标的最小矩形,并以矩形中点为中心点向两边平行扩展,把矩形区域分为面积均等的上半部分和下半部分。图1所示的目标行走模型,把矩形区域划分为若干个3×3像素的矩形元素,通过计算目标像素所占矩形元素个数就可以算出目标身体区域的面积。矩形元素的大小可以由用户所需的识别精准度决定,矩形元素越小识别精度越大,但在后续操作中算法的运算负担会增大。大多数陆栖动物都是四肢行走,重心偏下。从图1a动物的行走模型可以看出,其上半部分面积占的矩形元素较多,所以上半部分的身体区域面积与矩形面积之比较大,约为26.1%_{31.7%,而下半部分与矩形面积之比较小,约为14.3%}17.1%,上半部分与下半部分之比约为152%_{221%。人是双腿行走,直立行走时重心位于小腹区域,上半身与下半身面积之比相差较小,图1b中,正面行走时上半部分的身体区域面积与矩形面积之比约为41.3%}42.8%,下半部分与矩形面积之比约为29.7%_{32.5%,上半部分与下半部分之比约为127%}144%。图1c中,侧面行走时上半部分的身体区域面积与矩形面积之比约为23.6%_{25.8%,下半部分与矩形面积之比约为21.0%}22.8%,上半部分与下半部分之比约为103%~122%。按照这种体型分布差异,先计算出目标上半、下半部分面积分别为A和B,矩形区域的面积为D,得到体型特征值Q为

图1 目标行走模型
1.2 行为姿态特征识别
将行人与动物的体型分布差异作为识别人体的标准并不全面,为了提高人体识别的精准性,通过研究人与动物的行为姿态特征差异,设计一种基于高斯混合模型的前后帧像素点概率匹配的方法,再结合人体体型特征来提高识别人体目标的成功概率。在1.1节中提到,大多数陆栖动物是四肢行走,因此这些动物在行走时的行为姿态变化主要集中在身体的下半部分,即前后帧相同目标的上半部分对应的像素点匹配概率大,而下半部分对应的像素点的匹配概率小。人是通过双腿行走,而且在行走过程中会通过双臂的摇摆来保持身体的平衡,因此,前后帧相同人体目标的上半部分与下半部分对应的像素点的匹配概率相差较小。通过求出人体目标上半身部分和下半身部分在前后帧图像中对应像素的平均匹配概率,得出它们之间的比值,与设置的阈值T进行对比从而确定行为姿态特征值。

在文献中提到利用高斯混合模型的概率密度函数对分类任务进行概率估算和选择的有效性。以前一帧红外图像出现的目标身体上、下两部分分别作为匹配模板,建立相对应的高斯概率模型,计算下一帧图像目标身体上、下两部分的像素点分别与前一帧对应的像素点能够进行匹配的概率。以目标身体的上半部分为例,计算这部分区域在x轴和y轴方向上的均值和方差,分别设为μx,μy和σx2,σy2,并用高斯混合密度函数g(xi;μ,Σ)来描述任意一个像素点xi处于该区域的概率为

式中,d表示维度;Σ为此密度函数的共变异矩阵,为了简化讨论,Σ表示为

此时高斯密度函数表示为

得到目标身体上半部分的概率匹配模型后,计算下一帧中目标对应身体部分的n个像素点的匹配概率总和ρ(A),再求得像素点的平均匹配概率ρ(A)/n,同理,求出目标身体下半部分像素点的平均匹配概率为ρ(B)/m,对于设置的阈值T1,T2,行为姿态特征值S为

结合体型特征值Q和行为姿态特征值S,得到人体识别的判定算式为

当R=2时,当前目标确定为人体目标,R≠2时,则排除目标为人体目标的可能性,不进行警报和后续的跟踪操作。

2 基于方向梯度直方图和卡尔曼滤波器的目标跟踪
当确定运动目标为行人后则开始进行跟踪操作,在一个监控场景中往往会有多个行人目标,要对多个目标分别进行检测跟踪,需要区别每一个行人目标的活动位置,并通过方向梯度直方图(HOG)对不同行人目标进行检测,在最后阶段采用卡尔曼滤波器估计行人的运动状态,并去除无用的测量值噪声,实现跟踪的准确性。

在监控区中,不同的行人目标所处的位置与摄像头之间的距离会有差异,这种差异可以通过包围目标的矩形面积与该帧图像的面积之比体现,可作为区别不同目标活动位置的一个特征,而包围目标的矩形面积如1.1节所述,求出目标在x轴的最小、最大坐标(xmin,y),(xmax,y)和y轴上的最小、最大坐标(x,ymin),(x,ymax),设该监控帧图像的面积D大小是固定的,则二者比值为(xmax-xmin)(ymax-ymin)/D。

2.1 方向梯度直方图(HOG)
HOG descriptors首先由DALAL N和TRIGGS B于2005年提出 ,它是通过计算目标局部图像梯度的方向信息的统计值来进行目标检测的特征描述器。利用方向梯度直方图技术 ,将目标分成小的细胞单元,计算每个细胞单元中边缘的方向直方图,接着让细胞单元中的每一个像素点都为基于方向的直方图通道投票,且每一票都是带权值的,而权值则通过该像素点的梯度幅度计算得出。为了使检测的效果达到最好,采用矩形状的细胞单元、无向的梯度和9个直方图通道。

由于监控过程中背景与目标之间的亮度对比可能会发生变化,这样会导致梯度强度的变化范围增大,需要对梯度强度采用归一化操作。把各个细胞单元组合成大的、空间上连通的矩形区间(R-HOG),区间主要通过3个参数表征,即每个区间的细胞单元数,每个细胞单元的像素点数量,每个细胞的直方图通道数。分别把这3个参数设置为3×3细胞/区间,6×6像素/细胞以及9个直方图通道,接着对区间进行归一化,用v表示一个还没有被归一化的向量,它包含了给定区间的所有直方图信息,‖v‖k表示一个v的k阶范数,归一化方式采用文献中提到的L2-Hys,L2-norm,则

2.2 卡尔曼滤波
卡尔曼滤波在物体互相遮挡和测量值带噪声的情况下仍然可以实现实时目标跟踪的效果 。用目标运动速率的线性随机微分方程来描述系统,用坐标位置(x,y)和包围目标的矩形的宽度l和高度h表示目标在某个时刻的系统状态。假设目标在监控区内匀速行走,离散控制过程的系统方程为

λ为微测热传感器的数据采集周期;G(k)表示速率变动(加速度),即过程的高斯白噪声。系统测量值为z(k)=H(k)x(k)+C(k),H表示测量系统的参数,C(k)表示测量噪声。行人的姿势 和相关联的误差协方差矩阵P使用卡尔曼滤波器预测得出

式中,Q是过程噪声的协方差。结合预测值和测量值,可以得到现在状态(k)的最优化估算值为

并更新k状态下x(k| k)的误差协方差

式中,K(k)为卡尔曼增益。

式中,R(k)是指测量噪声的协方差,测量协方差的值较低时意味着在当前的测量值上具有更大的加权,此时跟踪系统的灵敏度更高。当一个新目标刚进入监控区时,往往只是身体部分进入监控的摄像头视域,此时的第一帧并不会显示一个完整的目标,可能会造成目标检测失真,无法确定跟踪。为了提高跟踪系统的鲁棒性,对于出现在监控区的新目标,经过3张连续的帧图像检测后再确认是否为有效的目标并进行跟踪。

⛄二、部分源代码

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 万智萍.基于人体特征识别和卡尔曼滤波的行人跟踪算法[J].电光与控制. 2016,23(11)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合