第!"卷 第!期
#$$%年!月
计算机辅助设计与图形学学报
&’()*+,’-.’/0(12)3+452552647*8.’/0(12)7)+
:;<=!"，*;=!
&>?=，#$$%
收稿日期：#$$@A$"A#!；修回日期：#$$@A!#A$#
基金项目：国家重点基础研究发展规划项目（#$$@!D$$$，7!EED$@$F$D）；国家“八六三”高技术研究发展计划项目（#$$!++#@!$@!）；国家
科技攻关计划课题奥运科技专项（#$$!C+E$BC$D）
基于序列蒙特卡罗方法的!"人体运动跟踪
陈 睿 刘国翌 赵国英 张 俊 李 华
（中国科学院计算技术研究所智能信息处理重点实验室 北京 !$$$D$）
（GHIJ?!KHL=>H=H?）
摘 要 针对人体运动跟踪的特点，在退火粒子滤波方法的基础上，提出基于序列蒙特卡罗方法的@5人体跟踪算
法=通过状态空间分解提高了退火系数选择的鲁棒性；同时，在每次退火时采用02)/采样方法，而不是标准的重采
样，能在一定程度上抑制观测模型与真实分布之间的误差，从而提高算法的稳定性=通过模拟实验表明，该算法适合
@5多关节人体跟踪=
关键词 跟踪；随机采样；序列蒙特卡罗；模拟退火；02)/
中图法分类号 10@E!
!"#$%&’()*+)’,-&./+’01&234)’536$3’*+&7()’*38&-7)(3*9)4
.IJ?)MK ,KM7M;NK OI>;7M;NK?P OI>?P&M? ,K9M>
（!"#$%&’(%)’(#’*+,)"--./",)+,*’(0%).’,1(’2"33.,/，+,3).)4)"’*5’064).,/7"28,’-’/#，58.,"3"92%:"0#’*;2.",2"3，<".=.,/ !$$$D$）
:;2*-&.* .I>G>HLJGKQJRSNKLTIKPIRKUJ?TK;?>?RUM<LK3U;R><，LIJ@5IMU>?U;LK;?LG>HVK?PI>TSJJ?
>TLMSS;G?WG;S<JUK?H;UWMLJGXKTK;?Y;GU>?NNJ>GT=1IKTW>WJGK?LG;RMHJT>?JZTJ[MJ?LK></;?LJ.>G<;
（6/.）UJLI;R，S>TJR;?>??J><JRW>GLKH<JYK<LJGK?P，L;T;<XJLIJWG;S<JU=-KGTL<N，LIJ?JZUJLI;R>R;WLT
LIJTL>LJTW>HJRJH;UW;TKLK;?K?H;?\M?HLK;?ZKLITKUM<>LJR>??J><K?PL;KUWG;XJLIJ>??J><K?PJYYKHKJ?HNK?
>H;UW>G>S<N<;ZJGRKUJ?TK;?；?J]L，LIJ02)/T>UW<K?P>YLJGJXJGN>??J><K?P，K?TLJ>R;YTL>?R>GR
GJT>UW<K?P，KTMTJRL;H;UWJ?T>LJLIJJGG;GSJLZJJ?LIJ;STJGX>LK;?U;RJ<>?RLIJLGMJL>GPJLRKTLGKSMLK;?=
+LLIJJ?R;YLIKTW>WJG，>TKUM<>LJRJ]WJGKUJ?LKTPKXJ?L;TI;ZLI>L;MGKUWG;XJR6/.3S>TJRUJLI;RKT
H>W>S<J;YLG>HVK?P@5>GLKHM<>LJRIMU>?=
<3=>)-42 LG>HVK?P；G>?R;UT>UW<K?P；TJ[MJ?LK></;?LJ.>G<;；TKUM<>LJR>??J><K?P；02)/
? 简 介
近年来，随着计算机技术的高速发展，对人的行
为的识别和研究引起越来越多的关注=其中一个重
要的内容是对运动人体的跟踪=它在视频监控、人
机交互、图像压缩、体育运动分析、电影动画制作和
虚拟现实等多个领域都有着广泛的应用=
顾名思义，人体运动跟踪就是通过各种手段连
续地确定人的位置，并且将这些位置信息以合适的
方式在计算机中表达出来=带标记球的人体运动捕
捉系统［!］已经成功地应用于体育运动分析和电影
动画制作等领域中=但是，带标记球的方法不仅需
要昂贵的硬件设备支持，而且对人的运动有诸多限
制，例如必须将标记球固定在关节位置=显然，一种
无需标记球、不需要特殊硬件设备支持的、只使用传
统的摄像机就能够捕捉人体运动的系统，将比带标
记球的人体运动捕捉系统具有更好的应用前景=
人体运动跟踪技术研究已有多年的历史［#］=但
是，涉及到全身的人体多关节模型跟踪的研究一直
都是计算机视觉领域的一个难题=其原因有以下几
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
点：全身人体模型的维数较高，例如一个简单的人体
万方数据
多关节模型就有!"多个关节参数自由度；很难找到
一个合适的模型与图像的匹配方法，特别是存在混
乱背景及自遮挡时，鲁棒的匹配方法更难找到；人体
跟踪是一个多峰的问题，多峰不仅来自于三维位置
到二维投影之间存在多义性，而且来自其他干扰，如
混乱背景、遮挡等#
针对以上问题，我们采用一种随机的方法，即序
列蒙特卡罗（$%&’%()*+,-.()%/+0,.，$-/）方法，试
图从多个视频序列图像中恢复三维人体姿态#$-/
方法的最大优点在于它是一种非参数的方法，对跟
踪模型不需要做很多先验假设，而且非常适合于多
峰情况#
! 前人的工作
基于计算机视觉方法的人体跟踪技术研究已有
多年的历史#早期的工作多集中在二维跟踪，即只
需确定感兴趣目标在视频图像平面上的二维位置#
1+0*)+.2,’等［3］提出的 45是一个非常好的!6跟
踪系统，它使用自适应的减背景方法提取人体运动
轮廓，并用边界盒表示人体；/.7+(*8*’等［5］的
-%+($9*:)方法采用肤色的统计直方图属性对人脸
进行跟踪#值得一提的是;<+0=等［>］将基于?+@%<*+(
规则的概率模型引入到计算机视觉中，用于跟踪非
刚体的、多关节表示的手掌运动，这种被称为
/AB6CB$DE;AB（/.(=*)*.(+,6%(<*)@+2+)*.(）的
方法近年来得到广泛的应用，并取得了非常有价值
的研究成果#
以上方法多是跟踪感兴趣目标的二维信息#二
维信息对于许多智能监控的应用而言已经足够#但
在许多应用中，对跟踪物体的三维信息感兴趣#对于
人体运动的跟踪，我们希望获取人体的三维空间信
息，并将其应用于运动分析、电影动画制作等领域#
三维人体跟踪相对由于二维而言，最大的区别在于
人体关节的自由度大幅度增加，使得跟踪的难度呈
指数级数地增长#
H+I0*,+等［J］是较早对三维人体进行跟踪的研
究者之一，他们用多关节的三维模型与5个相机的
边界距离图进行分层的跟踪，采用自上而下的离散
空间搜索技术，提高了参数空间搜索效率#40%(
等［K］的F:*(=%0系统利用头和手的位置给出一个比
较粗略的椭球体人体模型，头和手的位置用颜色块
的分割得到#还有F,+%(L%0<等［M］用三维点云与模
型进行匹配#6%’)<89%0等［N］在跟踪框架上采用基于
/AB6CB$DE;AB的退火粒子滤波，得到了很好的
实验效果#在其改进算法中［O"］，引入了自适应搜索
空间分解和遗传算法，在一定程度上提高了计算
效率#
近年来还有不少文献将三维姿态的估计当作一
个学习和推理的过程［OOPO5］#采用学习方法的优点是
算法稳定性好，而且速度快，缺点是只能对已经学习
的运动进行跟踪，并不适合自然场景中人的任意动
作跟踪#
总之，二维人体跟踪技术已取得不少成果，并逐
步应用在视频监控和人机交互领域中#现在的研究
是由二维跟踪向三维跟踪深入，以适应更广泛的应
用需求#二维跟踪技术中的许多研究成果对三维人
体跟踪起了辅助作用，如通过识别二维头和手的位
置可以为三维人体跟踪提供重要信息#
" 序列蒙特卡罗方法
序列蒙特卡罗方法是近年来使用非常普遍的一
种时间序列分析方法，也称为粒子滤波或序列重要
采样#它在多个领域中都有应用，如物理学［O>］、生物
信息学［OJ］、数字信号处理［OK］、计算机视觉［>，OM］、金
融分析［ON］等#有关序列蒙特卡罗方法的详细介绍可
以参考文献［!"P!!］，本文只对其进行简单的介绍#
通过建立一个状态空间模型，我们把视频序列
的跟踪问题表示为一个动态系统的状态估计问题#
在状态空间模型中，状态矢量!!用来描述系统的
信息#在人体跟踪问题中，!!表示在!时刻的人体
模型的姿态参数，如各个关节的角度#观测矢量"!
对应于状态矢量的观测值，如视频图像提取的边界、
轮廓或灰度等特征#一般情况下，假设!!服从一阶
马尔可夫过程，而且"!只与当前时刻的状态!!有
关，那么这个状态空间模型表示为
!!"#!（!!$O，#!） （O）
"!"%!（!!，$!） （!）
式（O）是系统动态模型，用来描述状态矢量随时间改
变而产生的变化；其中，#!是!!QO的函数，#!是系
统噪声#式（!）是观测似然模型，给出状态的噪声观
测值；其中，%!是!!的函数，$!是观测噪声#
跟踪问题可以描述为：在给定了累积到时刻!
的观测值""R!的条件下，计算在时刻!的状态!!#
换句话说，就是要计算后验概率密度函数（+S*,*)@
6%(<*)@T’(8)*.(，F6T）———&（!!!""R!）#对于线性
情况，U+,7+(滤波［!3］可以解决问题，但对于复杂的
非线性情况，$-/是更好的选择#$-/用一组离散
的加权样本集合｛’（(）! ，)
（(）
! ｝(VO，⋯，*来表示后验
JM 计算机辅助设计与图形学学报 !"">年
万方数据
!"#———!（!"!"$%"）
［&’］，#（$）" 是从重要性分布函数
%（!"!!"(’，""）中采样得到的样本，权为 &
（$）
" )
!（!"!"$%"）的估计可以通过预测、更新和重采样三
个步骤得到)
*+,-’)预测，根据全概率公式，当"(’时刻的后验
!（!"(’!"$%"(’）已知时，它用｛#
（$）
"(’，&
（$）
"(’｝$.’，⋯，’表示，预
测步骤就是利用系统动态模型（’）来获取"时刻的先验
!"#———!（!"!"$%"(’），如
!（!"("$)"*’）+"!（!"(!"*’）!（!"*’("$)"*’）/,"*’
（0）
!（!"!!"(’）表示系统状态的演化，它由式（’）决定)即由
｛#（$）"(’｝生成预测样本｛#(
（$）
" ｝)
*+,-&)更新)根据123,4526公式，在时刻"得到了观测
值""，则可以根据观测似然模型更新先验!"#———!（!"!
"$%"(’），
!（!"("$)"）+
!（""(!"）!（!"("$)"*’）
"!（""(!"）!（!"("$)"*’）/,"
#!（""(!"）!（!"("$)"*’） （7）
在式（7）中，新的观测值""用来改正先验!"#，从而得到所
需的当前状态的后验!"#)当%（!"!!"(’，""）取!（!"!
!"(’）时，就是899+4+:2-滤波
［&7］，则权值更新为
&*（-）" +&
（-）
"*’!（""(!"）)
*+,-0)重采样)为了样本抑制退化［&;］，需要进行重采样
步骤［&$.&’］，即对’个样本以其权值&（$）" 为概率进行采样，
得到’新的样本，从而抑制权值较小的样本，增强权值较大
的样本)即由｛#(（$）" ｝生成新样本｛#
（$）
" ｝)
这样，用这些加权样本的组合就能够近似地表
示后验分布!（!"!"$%"）的某些特征，如"时刻的最
佳状态可以用期望值近似或最大后验估计表示)一
个基本的*<=算法如下：
初始化)假设已知初始样本集合｛#（$）$ ，&
（$）
$ ｝$.’，⋯，’，
&（$）$ .’!’，".’按照式（’）生成新样本｛#
（$）
" ，&
（$）
" ｝$.’，⋯，’)
*+,-’)>9:-.’，⋯，’)
按照动态系统模型!（!"!!"(’.#
（$）
"(’）生成新样本
#(（$）" ；
计算似然值)
更新权值&（$）" .&
（$）
"(’/
（$）
" )
*+,-&)对权｛&（$）" ｝$.’，⋯，’进行归一化)
*+,-0)按照权｛&（$）" ｝对样本｛#(
（$）
" ｝进行重采样得到’
个新样本｛#（$）" ｝，对应的权为’!’)
序列蒙特卡罗方法是一种鲁棒性很强的人体运
动跟踪框架，能够适应复杂的跟踪环境)在实际跟
踪过程中，由于光照变化、遮挡或者其他干扰物的出
现，常常会出现一些不确定的观测数据)序列蒙特
卡罗方法的鲁棒性源于对这些不确定性的描述，在
跟踪过程中并不是只保留权值最大的样本，那些权
值较小的样本仍然有可能保留下来，在后续的跟踪
中起作用)
! 基于"#$的人体运动跟踪框架
!%& 人体模型及动态先验模型
图’ 人体模型的骨架结构和体结构示意图
如前所述，人体运动跟踪就是要建立人体模型
与输入图像序列之间的对应关系)我们所选用的人
体模型是由表示运动学特性的骨架结构和表示外观
特性的体结构共同组成)
骨架模型表示了各个关节点之间的链接关系和
解剖学上的限制，体模型则使模型与图像之间的匹
配更加方便)本文采用如图’所示的人体模型，其
中骨架模型有’0段（每一段是一个向量），’;个关
节点)其中根结点在腰部，躯干有?个自由度，包括
0个平移和0个旋转，左右锁骨各有&个自由度（无
绕向量轴的旋转），左右上臂和左右大腿各有0个自
由度，头有&个自由度（无绕向量轴的旋转），腰部根
节点到臀节点的自由度为$，其余的关节点（左右下
臂和左右小腿）各为’个自由度，这样共有&@个自
由度)体模型是用附在骨架上的圆台表示肢体)本
文暂不考虑圆台的形状参数及骨架的长度（采用手
工初始化），只关心涉及到运动链接关系的根关节点
的平移及所有关节点的角度，状态矢量定义为
!+｛"’，"&，"0，0’，⋯，0&;｝ （;）
系统动态模型为
!"+!"*’1’（$，!） （?）
其中’（$，!）表示均值为$，协方差阵为!的高斯
分布，在本文假设各个变量是独立的，因此!为对
角阵)虽然公式（?）不能准确地反映真实的人体运
动特性，但它具有普遍意义，适合不同运动的跟踪，
因此较大的! 值才能覆盖尽可能大的运动参数
空间)
A@’期 陈 睿等：基于序列蒙特卡罗方法的0"人体运动跟踪
万方数据
!"# 观测似然模型
在!"#的跟踪框架中，观测似然函数的建立
尤为重要，它建立了提取的图像特征与人体模型之
间的匹配关系$似然函数的性能直接影响了跟踪结
果，因此有以下几点必须注意：
（%）所选择的图像特征$能适应多种观测条件，
不受周围环境或其他因素的影响；可以方便有效地
提取，不能占用过多的计算资源；因为没有一种特征
能够适应所有的跟踪条件，所以必须考虑多特征的
融合$
（&）似然函数的选择$似然函数的计算不能太
复杂；似然函数应能有效地反映观测特征的分布情
况，它必须有尖峰的形状来反映出真实的状态分布$
我们选择了边界和外轮廓作为匹配特征$由于
边界（如手臂边界）具有对光照、颜色、纹理的不变
性，因此是一种非常有效的图像特征$在提取图像
边界之前，先做高斯平滑及反差归一化；然后用边缘
检测算子检测边界，根据二值化的边界图计算图像
上各点到最近边界的距离，得到距离图!"$外轮廓
图像!#用减背景的方法得到$在背景变化不大时，
如没有光照变化及剧烈的背景运动，减背景方法［&’］
都能得到较好的前景信息，因此在实验室环境下基
本可以不考虑复杂背景变化问题$
似然函数定义为
$（!%"）&()*（’（（!
(
)&%
（%’*)（"，!）
( ）+
（!
,
)&%
（%’-)（"，!）
, ））） （+）
式（+）中"由式（,）表示，!表示由视频图像提取的
特征，即边界距离图!"和外轮廓图!#；*)（"，!）表
示当状态为" 时，-.人体模型内部点)处的外轮
廓特征图像观测值，内部点)是将-.人体模型投
影到图像平面上得到的内部点，( 为内部点的个
数；相应地，-)（"，!）表示当状态为"时，人体模型
各肢体的边界点)在边界图像上的观测值，, 为边
界点的个数$
若考虑多个相机数据，.为相机个数，则有
$（!%"）&"
.
$.（!%"） （/）
!"$ 改进%&’算法的策略
有了动态系统先验模型式（’）和观测似然模型
式（+），式（/），根据第-节中的!"#算法就可以进
行跟踪$但是在实际应用中，由于蒙特卡罗方法存
在一个致命的弱点，即只有当样本数, 足够大时，
加权样本集合｛/（0）1 ，2
（0）
1 ｝才能较好地模拟后验分
布$（"1#!011）$那么需要多少个样本才能满足要
求呢？
为了说明问题，我们将问题简化，假设状态"
为%0维变量，每个变量服从正态分布3)!,（0，
!&)），这样状态空间大小可以用4%0表示$一般情况
下，对于多维正态分布密度函数$（"）存在一个很
小的状态空间范围5，大多数样本都集中在这个5
内，5 被称为典型集$ 其大小可近似表示为
&6（3）［&+］，6（3）为概率分布$（"）的熵$因此只有
当所抽取样本｛/（0）1 ｝基本上在典型集内时，才能较
好地反映后验分布$若采用均匀采样，实际状态空
间大小为4%0，则样本落在典型集的概率为&6"4%0，
换言之，落在典型集中的样本个数按照4%0"&6 变
化$若只考虑每个状态只取&0个离散值，而且假设
一般情况下62,"&2,，那么所需的最少样本个数
为（4）%0"&6 &（&0）%0"&,&-&0000000$这个数字
已经无法接受$对于实际的人体运动跟踪，维数高
达&/维，而且每个自由度的可能取值远不止&0个，
因此直接使用蒙特卡罗方法不可能进行密集的样本
采样，只能是稀疏采样$而稀疏采样带来的问题是
少量的样本不足以描述复杂的密度分布函数$
文献［3］提出了用模拟退火改进!"#的算法
———退火粒子滤波$其基本思路是按照模拟退火的
思想设计一组似然观测函数$%，$&，⋯，$7，$74%，
⋯，$(；$7 和$75%只有少许不同，而且$( 的形状
比较平坦，能反映出整个状态空间的趋势，$%则具
有很高的峰值，能够反映局部特征$在每个时刻1
都由似然观测函数$( 开始对样本进行退火，最后
收敛到$%$在本文中$72（$0）87，872
%
*91):7
，
*91):20$’为常量$每退火一次，都进行重采样操
作，使样本集自适应地聚集到权值较高的位置$
模拟退火提供了一个非常好的高维空间搜索策
略，它采用渐进的方式由高温降到低温，来逼近真实
分布$但是退火的执行效率取决于温度5 的选择，
实际上是5的变化规律$若5变化太慢，显然执行
效率很低；反之，若5变化太快，很容易陷入局部极
值$一组好的退火温度5，能够指引初始的分布$(
逐渐地收敛到真实分布$%$对于自由度高达-0维
的人体运动跟踪而言，实际的状态分布$不仅很复
杂，而且是多峰的$因此，在高维情况下，温度5 的
选择是很难的，无法找到一个“鲁棒”的退火温度进
度表$在文献［3］中虽然使用了基于梯度的方法寻
找合适的温度5，但是仍会陷入局部极值$
// 计算机辅助设计与图形学学报 &00,年
万方数据
尽管模拟退火对于高维空间搜索存在一定的困
难，但是对于维数较低的情况，温度! 的选择就容
易得多!因此本文提出了结合空间分解与模拟退火
思想进行人体运动跟踪!即先按照退火粒子滤波的
思想，在每一时刻都对全身进行" 次退火!此时对
退火温度进度表并没有特殊的要求，只需退火后的
样本集在总体趋势上聚集在真实后验分布周围!但
是如图"#所示，在一些细节部分，如手臂的姿态，仍
有错误；然后进行分解搜索，即以退火后的状态估计
值作为当前的初始值，固定躯干的自由度不动，分别
对四肢进行退火搜索!此时由于退火操作是在较低
的状态空间（如左臂的自由度是$维）上进行，只需要
很简单的退火温度进度表就可以使样本集收敛到真
实分布位置，如图"%所示!空间分解的过程如下!
&’()*!进行原始的全身模拟退火操作，得到样本集合
｛#（$）% ，&
（$）
% ｝$+*，⋯，’!
&’()"!分别对左臂、右臂、左腿和右腿进行退火，即退火
时只有对应肢体的自由度（!+｛%*，%"，%,，(*，⋯，("-｝的一
个子集）可以变化，其他自由度不变!
#完整人体模型样本退火分布
%左臂样本退火分布
图" 直接退火与加入分解搜索的退火样本分布比较示意图
第,节已经提到过，在&./的框架中为了控制
退化问题（0(1(2(3#45），采用了重采样方法!重采样
方法虽然对抑制退化问题很有效，但是这种方法是
以权值的计算为基础的，必须依照样本的权值重采
样!如果权值计算不准确，就失去了重采样的依据!
在本文的&./框架中，权的计算是由观测似然模
型)（"!!）决定的!在高维情况下，观测似然模型
)（"!!）不仅因为维数的增加而变得复杂，而且会
呈现出多峰的情况，这种多峰是由于混乱背景、其他
物体的遮挡、运动目标自身的遮挡和光照变化等原
因引起!而我们实际选择的观测似然模型式（6）和
式（7）很难反映出真实观测情况，所以根据观测似然
模型得到的样本权值存在误差!若完全依靠权值进
行重采样，则有可能陷入错误的“陷阱”!因此本文
借鉴89:.（83;2(<=923>4?(<:@A(2%B;’?.(’?@<）
思想来改进&./算法!
89:.是C3#AA%(31(3［*-］提出的，在该方法中对
权值&（$）% "&D的样本进行随机抑制，即按照一定
的概率(接受这个样本!若该样本被接受，新权值
为"E&（$）% ；对权值&
（$）
% #&F的样本进行增强，即
将该样本作* 次重复采样，采样后的样本权值为
&（$）% !*；对处于&D和&F之间的样本直接保留，
权值不变!
89:.采样方法的意义在于：少数权值很大的
样本有可能不是真实人体模型状态，只是由于我们
采用的观测模型与真实情况存在偏差，导致在一个
错误的状态下计算出的权值很大!若直接使用标准
重采样，高权值样本基本上会被重复选中多次，而且
重采样后的所有新样本的权值相同!而在89:.
中，通过样本增强，样本被复制多次，但其权值通过
自适应地调整而减小，样本权值的调整是89:.与
标准重采样方法的一个主要区别!另外，对于权值
较小的样本，虽然可能反映了真实的人体模型状态，
若直接采用标准重采样，该样本一般情况下很难被
选中!但在89:.中，通过样本抑制，小权值样本以
一个适中的概率保留，其权值被增大，在随后的标准
G7*期 陈 睿等：基于序列蒙特卡罗方法的,0人体运动跟踪
万方数据
重采样中，这些小权值样本很有可能被保留下来!
"#$%采样的优点在于采样后权值被自适应地调
整到一个合适的范围，既不会出现很大的权值点，也
不会出现极小的权值点，从而有效地抑制那些出现
错误的极值点!
综上所述，本文采用的结合"#$%和模拟退火
的&%’算法框架如下：
设置初始样本集合｛!（"）( ，#
（"）
( ｝")*，⋯，$，%)*，退火方
差，（!*，⋯，!&，!&+*，⋯，!’），!&)!*,（()%*+）&，退火
系数（,*，⋯，,&，,&+*，⋯，,’），,&)（*!()%*+）&，"#$%参
数#-，#+，)，-!
&./0*! 将 ｛.（"）% ，#
（"）
% ｝"-*，⋯，$ 表 示 为 ｛.
（"）
%，*，
#（"）%，*｝")*，⋯，$!
&./01!对每个样本进行’ 次退火!
234&)*，⋯，’!
234")*，⋯，$!
.-（"）%，& ).
（"）
%，&+$（(，!&）!
#-（"）%，& )/&（"%!#%).-
（"）
%，& ）)［/*（"%!#%)
.-（"）%，& ）］,&!
52（#-（"）%，& "#-）｛按照概率)保留.
（0）
%，&).-
（"）
%，& ，
#（0）%，&)1,#-
（"）
%，& ，0)0+*｝!
/67/52（#-（"）%，& ##+）｛把该样本保留- 次.
（0）
%，&)
.-（"）%，& ，#
（0）
%，&)#-
（"）
%，&!-，0)0+-｝!
/67/｛直接保留!（0）%，&)!
（"）
%，&，#
（0）
%，&)#-
（"）
%，& ，0+0+
*｝
对样本集｛.（0）%，&，#
（0）
%，&｝进行标准重采样得到$ 个新
样本｛.（"）%，&，#
（"）
%，&｝!
&./08!输出估计状态#%)$
"
.（"）%，’,#
（"）
%，’!
&./09!｛.（"）%+*，#
（"）
%+*｝")*，⋯，$)｛.
（"）
%，’，#
（"）
%，’｝")*，⋯，$!
! 实验结果
为了检验本文算法的有效性，我们用037/4生
成了一个模拟人在跑步机上的行走，在该数据中，使
用了单一背景简化特征图像提取的难度，用9个相
机从不同视角拍摄人的运动!图8所示为退火粒子
滤波与结合了分解搜索和"#$%的退火粒子滤波
的结果进行比较!
:直接退火跟踪结果
;加入分解搜索的退火跟踪结果
<分解搜索与$#$%采样相结合的退火跟踪结果
图8 直接退火与结合分解搜索与"#$%采样的退火比较
(= 计算机辅助设计与图形学学报 1((>年
万方数据
从图!可以看出，本文算法效果较好，退火系数
取"#$#图!%采用直接退火方法，只能跟踪到第&"
帧；图!’中加入了分解搜索，跟踪精度提高，但到第
!$帧就失败；图!(使用了分解搜索和)*+,采样，
可以正确跟踪到--帧#
通过取不同的参数进行实验，我们发现：使用
.""个样本，每个样本的退火次数为/次时能取得
较好的结果，更多的样本并不能改善跟踪结果#其
中初始的退火方差!&0"#&，相邻的两次退火方差
之间的系数为"#$%&0"#$，)*+, 采样算法中的
’10"#.，’20"#/，#0"#!，(0.#该算法不作
任何优化，在)!蜇)8，&./,9内存的普通
)7机上运行，跟踪&"$帧图像耗时::;<，平均每帧
:#.<#
! 总结与展望
人体运动跟踪的主要难点在于多关节人体模型
的维数太高，一般情况下有!"个自由度#因此要从
几个视频图像中恢复人体模型的姿态参数是一个从
低维空间到高维空间对应的问题，这是一个典型的
病态问题#从这个意义上理解，人体运动跟踪就是
一个在高维空间中搜索最优解的问题#
现有的搜索方法一般分为确定性方法和随机性
方法#确定性的搜索方法，如局部邻域搜索很容易
陷入局部极值，特别是对于人体运动跟踪这样的高
维空间搜索问题，通常是存在很多极值点#因此，确
定性的搜索方法不适合人体运动跟踪问题的求解#
另外，随机性方法（如随机采样），虽然适合多峰的复
杂密度分布的搜索，但是这类方法通常需要对状态
空间进行密集采样#人体运动跟踪的模型状态空间
都在!"维左右，密集采样显然是不可行的#
本文针对人体运动跟踪的特点，在=>?@<(A>B
等［-C&"］提出的退火粒子滤波方法的基础上，提出了
新的基于序列蒙特卡罗方法的!=人体跟踪算法#
一方面通过状态空间分解，使得退火操作能够在较
低的状态空间进行，从而提高了退火系数———退火
温度进度表———选择的鲁棒性；另一方面，考虑到观
测模型的分布与真实分布之间存在误差，在每次退
火时采用)*+,采样方法，而不是标准的重采样，
能在一定程度上抑制观测模型与真实分布之间的误
差，从而提高算法的稳定性#
在今后的工作中，将利用大量真实数据检验算
法的性能，并且希望能够进一步提高算法执行效率，
包括算法的鲁棒性和执行速度#一方面在随机性采
样方法上可以结合局部邻域搜索，提高采样效率；另
一方面，可以考虑使用更多的特征，如运动信息，颜
色等，并能够建立一种自适应的多特征融合框架#
最终目标是建立一个准实时的、能够面向多种不同
应用领域的!=人体跟踪系统#
参 考 文 献
［&］ DE(FG# DE(FG HF@EFG(%I@?B><J<@>H［KL］#A@@I：／／MMMN
OE(FGN(FH／，.""!
［.］ 5FPP=7#,FQ>RC’%<>QOE<EFG：SIBFPB%H@F<>>%M%RTEGP
I>B<FG［U］#VH%P>%GQDE<EFG7FHI?@EGP，&-/!，&（&）：3"."
［!］ 5%BE@%FPR?V，5%BMFFQ=，=%OE<L#W:：WAF，MA>G，MA>B>，
MA%@：SB>%R@EH><J<@>HXFBQ>@>(@EGP%GQ@B%(TEGPI>FIR>［S］#
VG：)BF(>>QEGP<FXV***VG@>BG%@EFG%R7FGX>B>G(>FGY%(>%GQ
4><@?B>+>(FPGE@EFG，Z%B%，&--/#..."..;
［:］ 7FH%GE(E?=，+%H><AD，,>>B)#+>%RC@EH>@B%(TEGPFXGFGC
BEPEQF’[>(@<?<EGPH>%G<AEX@［S］#VG：V***)BF(>>QEGP<FX
VG@>BG%@EFG%R7FGX>B>G(>FG 7FHI?@>B DE<EFG%GQ )%@@>BG
+>(FPGE@EFG，5ER@FG5>%QV<R%GQ，."""，.：&:."&:-
［3］V<%BQ ,，9R%T> S# 7KZ=*Z\S]VKZC7FGQE@EFG%RQ>G<E@J
IBFI%P%@EFGXFBOE<?%R@B%(TEGP［U］#VG@>BG%@EFG%RUF?BG%RFX
7FHI?@>BDE<EFG，&--/，.-（&）：3"./
［$］ 4%OBER%=，=%OE<L#!C=HFQ>R’%<>Q@B%(TEGPFXA?H%G<EG
%(@EFG：SH?R@EOE>M%IIBF%(A［S］#VG：V***)BF(>>QEGP<FX
VG@>BG%@EFG%R7FGX>B>G(>FG 7FHI?@>B DE<EFG%GQ )%@@>BG
+>(FPGE@EFG，\%GYB%G(E<(F，7%REXFBGE%，&--$#;!"/"
［;］ WB>G7，)>G@R%GQS#=JG%H%G：SB>(?B<EO>HFQ>RFXA?H%G
HF@EFG［+］#7%H’BEQP>，,S：,V],>QE%L%’，&--/
［/］ )R%>GT>B<+，Y?%)#SB@E(?R%@>Q<FX@F’[>(@<XFBOEQ>FC’%<>Q
’FQJHFQ>REGP［S］#VG：V***)BF(>>QEGP<FXVG@>BG%@EFG%R
7FGX>B>G(>FG7FHI?@>BDE<EFG，D%G(F?O>B，.""&#!-:":"&
［-］ =>?@<(A>BU，9R%T>S，+>EQV#SB@E(?R%@>Q’FQJHF@EFG(%I@?B>
’J%GG>%R>QI%B@E(R>XER@>BEGP［S］#VG：V***)BF(>>QEGP<FX
VG@>BG%@EFG%R7FGX>B>G(>FG 7FHI?@>B DE<EFG%GQ )%@@>BG
+>(FPGE@EFG，5ER@FG5>%QV<R%GQ，."""，.：&.$"&!!
［&"］ =>?@<(A>BU，=%OEQ<FGS，+>EQV#SB@E(?R%@>QI%B@E@EFGEGPFX
AEPAQEH>G<EFG%R<>%B(A<I%(><%<<F(E%@>QME@A%B@E(?R%@>Q’FQJ
HF@EFG(%I@?B>［S］#VG：V***)BF(>>QEGP<FXVG@>BG%@EFG%R
7FGX>B>G(>FG 7FHI?@>B DE<EFG%GQ )%@@>BG +>(FPGE@EFG#
5%M%EE，.""&，.：$$-"$;$
［&&］ 9B%GQ,#\A%QFMI?II>@BJ［S］#VG：V***)BF(>>QEGP<FX
VG@>BG%@EFG%R7FGX>B>G(>FG7FHI?@>BDE<EFG，7FBX?，&---#
&.!;"&.::
［&.］ 5FM>Z，L>O>G@FG,，YB>>H%GW#9%J><E%GB>(FG<@B?(@EFGFX
!=A?H%GHF@EFGXBFH<EGPR>C(%H>B%OEQ>F［S］#VG：Z>?B%R
VGXFBH%@EFG)BF(><<EGP\J<@>H<，7FRFB%QF，&---#/.""/.$
［&!］ )%ORFOE(D，+>APU，7A%H]，)$#*#SQJG%HE(9%J><E%G
%IIBF%(A@FXEP?B>@B%(TEGP?<EGPR>%BG>QQJG%HE(%RHFQ>R<［S］#
VG：V***)BF(>>QEGP<FXVG@>BG%@EFG%R7FGX>B>G(>FG7FHI?@>B
DE<EFG，7FBX?，&---#-:"&".
&-&期 陈 睿等：基于序列蒙特卡罗方法的!=人体运动跟踪
万方数据
［!"］ #$%&’($%)*+，,*-%&.$%%(%&，/(0$%，!"#$1234(3%4-54+6-
736*+8$%834(3%)9%4*-)()［:］1;%：<63=-->(%&)374*-"4*
?*(%$&6$@*?3%7-6-%=-1A-(B(%&，CDDC1"D!ED（(%?*(%-)-）
（王天树，郑南宁，李 岩，等1用于人体运动合成的运动纹
理模型［:］1见：第"届中国计算机图形学大会，北京，
CDDC1"D!ED）
［!E］ F6$))G-6&-6<1 ’*- @6+%->H-%6(=*-> I3)-%GJ+4* 8-4*3>：
K(8+J$4(3%)374*-4$@3J98-6)37=*$(%J-%&4*+@43!，DDD，DDD
［L］1<*9)(=$JI-M(-NO，!PPQ，ER（P）：SRTC!SRPS
［!R］ ,*$%&L，/(+LK1:%-N)-U+-%4($J(8@364$%=-)$8@J(%&8-4*3>
N(4*(4)$@@J(=$4(3%434*-CV*9>63@*3G(=H*9>63@*(J(=83>-J
［L］1L3+6%$J37?*-8(=$J<*9)(=)，CDDC，!!Q（Q）：S"PC!S"PT
［!Q］ #$%&W，?*-%I，/(+LK1 23%4-?$6J3A$9-)($%)(&%$J
@63=-))(%&736N(6-J-))=388+%(=$4(3%)［L］1L3+6%$J37X/K;
K(&%$J<63=-))(%&1CDDC，SD（C）：TP!!DE
［!T］ F-8$%K，F-8$%V1K43=*$)4(=6-J$5$4(3%，F(GG)>()46(G+4(3%)
$%>4*-A$9-)($%6-)436$4(3%37(8$&-)［L］1;OOO’6$%)$=4(3%)
3%<$44-6%:%$J9)()$%>2$=*(%-;%4-JJ(&-%=-，!PT"，R（R）：QC!
!Q"C
［!P］ <(442，K*-@*$6>.1Y(J4-6(%&M($)(8+J$4(3%：:+5(J($69@$64(=J-
7(J4-6(%&［L］1L3+6%$J374*-:8-6(=$%K4$4()4(=$J:))3=($4(3%，
!PPP，P"（""R）：EPD!EPP
［CD］ V3+=-4:1Z%)-U+-%4($J23%4-?$6J38-4*3>)736A$9-)($%
7(J4-6(%&［I］1?$8G6(>&-：?$8G6(>&-[%(M-6)(49V-@$648-%437
O%&(%--6(%&，!PPT
［C!］ /(+LK，?*-%I1K-U+-%4($J23%4-?$6J38-4*3>)736>9%$8(=$J
)9)4-8)［L］1L3+6%$J374*-:8-6(=$%K4$4()4(=$J:))3=($4(3%，
!PPT，PS：!DSC!!D""
［CC］ 2$=\$9VL?1;%463>+=4(3%4323%4-?$6J38-4*3>)［:］1;%：
/-$6%(%&(%&6$@*(=$J83>-J)［?］1?$8G6(>&-，2:：2;’
<6-))，!PPP1!QE!CD"
［CS］ #-J=*F，A()*3@F1:%(%463>+=4(3%434*-]$J8$%7(J4-6［I］1
?*$@-J^ (JJ：[%(M-6)(*?$63J(%$，!PPE
［C"］ F36>3%.，K$J83%V，K8(4*:1:%3M-J$@@63$=*43%3%H
J(%-$6／%3%HF$+))($%A$9-)($%)4$4--)4(8$4(3%［Z/］1*44@：／／
(---5@J36-1(---136&／5@J／I-=-%4;))+-1B)@？@+.+8G-6_CCDP‘9-$6
_!PPS，!PPT
［CE］ ]3%&:，/(+LK，#3%&# 1^K-U+-%4($J(8@+4$4(3%)$%>
A$9-)($%8())(%&>$4$@63GJ-8)［L］1L3+6%$J374*-:8-6(=$%
K4$4()4(=$J:))3=($4(3%，!PP"，TP（"CE）：CQT!CTT
［CR］ K4$+77-6?，F6(8)3%O/1/-$6%(%&@$44-6%)37$=4(M(49+)(%&
6-$JH4(8-46$=\(%&［L］1;OOO’6$%)$=4(3%)3%<$44-6%:%$J9)()
$%>2$=*(%-;%4-JJ(&-%=-，CDDD，CC（T）：Q"Q!QEQ
［CQ］L36>3% 2 ;1 2V/(%463>+=4(3%$%>)3+6=-=3>(%&［I］1
A-6\-J-9：[%(M-6)(4937?$J(736%($$4A-6\-J-9，V-@$648-%437
?38@+4-6K=(-%=-，CDD!
陈 睿 男，!PQR年生，博士研究生，
主要研究方向为计算机视觉、数字图像处
理、计算机图形学1
刘国翌 男，!PQQ年生，博士研究生，
主要研究方向为数字图像处理、计算机视
觉、计算机图形学（&9J(+"(=41$=1=%）1
赵国英 女，!PQQ年生，博士研究生，
主要研究方向为数字图像处理、计算机视
觉、计算机图形学（&9a*$3"(=41$=1=%）1
张 俊 男，!PQQ年生，硕士，主要研
究方向为计算机图形学、虚拟现实（a*$%&B+%
"(=41$=1=%）1
李 华 男，!PEQ年生，博士，研究
员，博士生导师，主要研究方向为计算机图
形学、计算机视觉、数字图像处理、虚拟现
实等（J(*+$"(=41$=1=%）1
CP 计算机辅助设计与图形学学报 CDDE年
万方数据
