提出了一種基于粒子Mean Shift 遷移過程的紅外人體跟蹤方法。 算法通過采樣粒子遷移和聚類動態建立目標的狀態模型和量測模型。 在被跟蹤區域隨機布撒粒子， 以各粒子對應像素的亮度作為特征值進行Mean Shift收斂性分析， 使用收斂后的粒子集表達目標的當前狀態; 以狀態粒子的坐標位置為特征值對其進行Mean Shift 聚類， 作為對目標的量測。 連續跟蹤時， 下一幀的采樣粒子基于上一幀的量測結果產生。 與傳統的基于序貫重要性采樣的粒子濾波方法相比， 算法不需要目標的相似性測度計算， 僅用少數粒子即可實現對目標的可靠跟蹤.

　　紅外圖像中人體目標的跟蹤困難主要來自兩個方面： （1） 人體目標的自身特征。 由于人體是非剛體目標， 姿態多樣， 大小不一， 而且運動狀態復雜多變，具有高度的隨意性， 沒有固定的運動規律， 無法建立完善的運動模型表達形式;

　?。?） 紅外圖像是灰度圖像， 沒有色彩信息， 紋理細節很少， 使得目標跟蹤可用的特征值較少。 傳統的跟蹤方法如光流法是基于剛體運動目標， 對于非剛體目標的跟蹤受到限制，用于人體目標跟蹤時必須與其它特征相結合才能完成 ; 卡爾曼濾波及其擴展形式等是基于線性/ 高斯動態系統， 需要對目標的運動特征進行假設， 建立目標運動模型，如CP、CA、CV 等模型， 使其在應用于人體目標跟蹤時受到一些限制。 目前， 用于人體目標跟蹤的比較可行的算法是采用貝葉斯濾波跟蹤的形式， 粒子濾波作為貝葉斯濾波的最優近似， 適用于任意非線性非Gauss 的隨機系統， 適合于人體目標的跟蹤。 粒子濾波是基于仿真的統計濾波方法， 需要采用大量的隨機樣本粒子來估計， 使得運算量很大， 此外還非常依賴于相似函數的選擇， 并面臨粒子退化和粒子枯竭的問題。 近年來Mean Shif t 算法作為一種有效的統計迭代算法， 在滿足一定條件下， 可快速收斂到最近的一個概率密度函數的穩態點而不需要任何先驗知識， 實現非參數概率密度的估計， 在人體等非剛體目標跟蹤中得到了很好的應用 。 但由于Mean Shif t 跟蹤方案需要使用目標的色彩空間分布作為特征值， 使用跟蹤區域的顏色直方圖的Bhat tachary ya 系數進行相似性分析，對于紅外人體目標來說， 丟失了色彩信息， 而且目標間的灰度特征都很接近， 很難通過顏色直方圖的Bhattacharyy a 系數進行匹配， 傳統的基于顏色的Mean Shif t 算法不能適用于此類跟蹤任務.

　　本文基于粒子濾波的思想， 結合Mean Shif t 算法非參數概率密度估計的優點， 使用Mean Shift 方法對粒子進行收斂性分析， 使用達到穩定態的傳播粒子對目標的狀態進行動態建模， 由此， 在不需要知道目標模型先驗知識的基礎上， 不依賴于相似函數，與粒子濾波算法相比， 克服了粒子退化及粒子耗盡的問題， 僅用少數的粒子即可實現對人體目標進行可靠跟蹤， 降低了運算量.