杜云明　蓋麗娜　田靜

摘要： 針對非線性目標(biāo)跟蹤中模型或函數(shù)近似等最優(yōu)估計缺陷問題，提出了基于幀間預(yù)測和特征匹配的序列蒙特卡羅濾波跟蹤算法。算法中采用在HSV色彩下的空間加權(quán)直方圖描述跟蹤車輛的狀態(tài)特征，通過簡單的隨機漂移模型實現(xiàn)估測樣本的幀間傳遞，利用估測樣本與期望目標(biāo)間的相似度量完成樣本權(quán)重賦值運算，最終利用加權(quán)樣本值估計實現(xiàn)待測目標(biāo)的后驗狀態(tài)。實驗結(jié)果表明，基于序列蒙特卡羅濾波的車輛跟蹤算法計算簡單有效，能夠在復(fù)雜環(huán)境下實時、準(zhǔn)確跟蹤道路上無規(guī)律、非線性運動的車輛，并能夠有效適應(yīng)車輛部分遮擋和短時丟失等情況。

關(guān)鍵詞：

中圖分類號：U495文獻(xiàn)標(biāo)識碼：A文章編號：2095-2163（2012）05-0004-04

0引言

隨著國民經(jīng)濟的增長，道路交通事業(yè)也得到了迅速發(fā)展，機動車保有量不斷增加，但同時城市交通擁堵，交通事故頻發(fā)，交通環(huán)境惡化等現(xiàn)象也逐漸凸顯出來。為了解決地面交通迅速發(fā)展所引發(fā)的各種問題，提出了智能交通系統(tǒng)概念，并日益受到來日各方的重視。其中車輛跟蹤作為智能交通系統(tǒng)的重要組成部分，在交通監(jiān)控、停車場調(diào)度、事故檢測、自動導(dǎo)航等方面表現(xiàn)出了廣闊的應(yīng)用前景和研究價值？眼1？演。近年來，針對車輛跟蹤問題，研究人員進(jìn)行了積極的探索，提出了一些相對有效的解決方案。比如文獻(xiàn)？眼2？演利用LDA對目標(biāo)和背景進(jìn)行區(qū)分，通過模型匹配方式實現(xiàn)車輛跟蹤。由于建模和匹配的復(fù)雜性、運行環(huán)境的快速變化及模型更新速度的限制使得跟蹤的效果和實時性不夠理想。文獻(xiàn)？眼3？演中，利用前后景差分方法實現(xiàn)簡單背景下的車輛目標(biāo)跟蹤，雖然方法簡單，但由于每一幀都需要進(jìn)行全局運算，且在已知環(huán)境下進(jìn)行，因此在跟蹤速度和方法的擴展方面性能較差。文獻(xiàn)？眼4？演利用卡爾曼濾波結(jié)合目標(biāo)的區(qū)域特征，通過局部的線性預(yù)測，實現(xiàn)車輛簡單運動軌跡下的位置估計。盡管該方法克服了全局運算的缺陷，但由于卡爾曼濾波的線性估計特性，卻也相應(yīng)制約了該方法在非線性運動狀態(tài)下的適應(yīng)能力。文獻(xiàn)？眼5？演中，利用均值移位（Mean Shift）算法有效克服了目標(biāo)的非線性運動跟蹤，但在目標(biāo)跟蹤時，該算法對目標(biāo)位置的定位僅考慮了均值漂移向量提供的方向？熏 而沒有考慮目標(biāo)實際的宏觀運動。當(dāng)目標(biāo)的顏色分布和背景相似或有所干擾時，Mean Shift算法可能出現(xiàn)跟蹤錯誤，最終丟失目標(biāo)。為更好地解決非線性、非高斯的目標(biāo)跟蹤問題，近年來發(fā)展起來的序列蒙特卡羅（Sequential Monte Carlo）方法成為了研究熱點，該方法避免了數(shù)學(xué)或模型近似的缺陷，利用加權(quán)樣本實現(xiàn)對目標(biāo)狀態(tài)的后驗估計，因而將其用于復(fù)雜的非線性、非高斯的目標(biāo)跟蹤中是有效的、可行的。

1序列蒙特卡羅濾波技術(shù)

1.1基本原理？眼6？演