樓益琦

針對(duì)粒子濾波跟蹤方法存在的計(jì)算量大，跟蹤效率低下以及粒子退化的問題，提出一種改進(jìn)的粒子濾波方法。在粒子濾波的框架下，引入均值漂移算法來漂移粒子，采用顏色和邊緣作為融合特征，保證了跟蹤的準(zhǔn)確性和實(shí)時(shí)性；在狀態(tài)更新上引入卡爾曼濾波，使得粒子不易發(fā)散退化，保證了粒子數(shù)量，同時(shí)在計(jì)算時(shí)間上也較標(biāo)準(zhǔn)粒子濾波有了明顯提高。經(jīng)過仿真，該算法跟蹤的魯棒性和精確性比較好。

【關(guān)鍵詞】粒子濾波 均值漂移 卡爾曼濾波 多特征

1 引言

視頻運(yùn)動(dòng)目標(biāo)跟蹤一直是機(jī)器視覺領(lǐng)域的研究熱點(diǎn)之一，在視頻監(jiān)控、精確制導(dǎo)、導(dǎo)航跟蹤上有著廣泛的應(yīng)用。目前視頻跟蹤算法主要有卡爾曼濾波 （Kalman filter，KF） 、均值漂移算法（mean shift，MS）和粒子濾波（particle filter，PF），但是這三種方法的優(yōu)缺點(diǎn)都比較明顯?？柭鼮V波是應(yīng)用于線性、高斯模型，其計(jì)算速度快、效率高，但是現(xiàn)實(shí)中往往是非線性的，這導(dǎo)致其適用性比較低；均值漂移算法不帶參數(shù)，實(shí)時(shí)性好，但容易受環(huán)境（如遮擋、目標(biāo)相似等）干擾；粒子濾波是采用隨機(jī)采樣的方法獲取粒子，然后用大量粒子來近似狀態(tài)變量的后驗(yàn)分布，這種算法能夠適應(yīng)于非線性系統(tǒng)，并且具有很好的準(zhǔn)確性和抗干擾能力，但是該算法存在粒子退化的問題，重采樣主要用于解決該問題，卻大大增加了時(shí)間復(fù)雜度。

為能夠更好地跟蹤目標(biāo)，本文取圖像的顏色特征和邊緣特征作為特征向量，以解決單一特征在復(fù)雜環(huán)境下的干擾問題。本文在研究這三種主流算法的基礎(chǔ)上，通過融合的方式截取三種算法的優(yōu)點(diǎn)，以融合顏色和邊緣特征為特征向量，提出了一種融合多特征和三種算法的MKPF算法，使其能夠適用于現(xiàn)實(shí)中非高斯非線性系統(tǒng)，同時(shí)能夠獲得更好地跟蹤精度、縮短計(jì)算的時(shí)間。

2 目標(biāo)特征提取

2.1 顏色信息提取

采用HIS顏色模型，鑒于I信息受光照影響，將其舍去，將顏色離散成m級(jí)，分別獲取該區(qū)域H和S分量，得到關(guān)于HS的顏色直方圖，計(jì)算目標(biāo)圖像基于分布HS的概率分布圖I1；選取候選區(qū)域，同理計(jì)算候選區(qū)域的概率分布圖I2，巴氏距離： 。

2.2 邊緣特征提取

3.1.1 初始化

計(jì)算目標(biāo)模型融合顏色和邊緣特征的融合特征P，將第一幀作為目標(biāo)區(qū)域初始化搜素窗，確定目標(biāo)中心位置和窗口大小。

3.1.2 均值漂移迭代過程

（1）漂移質(zhì)心位置p和窗口大小s，計(jì)算當(dāng)前候選目標(biāo)的融合特征Q；

（2）計(jì)算巴氏距離：B= ，比較B和閥值Bth，若B>Bth，則漂移的位置p和窗口大小s為目標(biāo)位置和區(qū)域，若B≤Bth，返回第二步，直到收斂或者迭代次數(shù)達(dá)到預(yù)設(shè)的最大值。

（3）獲得下一幀圖像，利用當(dāng)前漂移得到位置和大小進(jìn)行下一幀的搜索。

3.2 融合卡爾曼濾波和粒子濾波

將狀態(tài)向量劃分為線性子向量和非線性子向量兩個(gè)部分，線性子向量采用卡爾曼濾波，而非線性子向量采用標(biāo)準(zhǔn)的粒子濾波，這樣即可以減少線性部分的計(jì)算時(shí)間，又能夠適用于非線性非高斯模型。在標(biāo)準(zhǔn)粒子濾波的基礎(chǔ)上，更改狀態(tài)更新部分如下：

3.3.6 步驟六

狀態(tài)更新，采用本文提到的融合卡爾曼濾波和粒子濾波方法的狀態(tài)更新方法。

3.3.7 步驟七

讀取下一幀，返回到第二步。

4 實(shí)驗(yàn)與分析

本次實(shí)驗(yàn)環(huán)境為win7系統(tǒng)、AMD A6處理器的4G內(nèi)存PC機(jī)，通過Matlab2012b仿真完成。

實(shí)驗(yàn)一：采用視頻格式320x240的MP4文件，總幀數(shù)162幀，粒子數(shù)100個(gè)，跟蹤對(duì)象為圖中下方人物上半身，運(yùn)動(dòng)無規(guī)律，周圍環(huán)境比較相似，分別截取跟蹤過程的第5、30、50、81和105幀進(jìn)行分析。圖1圖2中（a）均為融合卡爾曼濾波的粒子濾波跟蹤實(shí)驗(yàn)數(shù)據(jù)， 圖1（a）中在第50幀、81幀和105幀上出現(xiàn)了較大的誤差，在背景干擾的情況下易出現(xiàn)跟蹤偏差，圖1圖2中（b）均為融合均值漂移算法的粒子濾波跟蹤實(shí)驗(yàn)數(shù)據(jù)，圖1（b）中基本能夠跟蹤到人物，但是跟蹤不夠精確，在第81幀表現(xiàn)尤為明顯，圖1圖2中（c）均為融合均值漂移和卡爾曼濾波的粒子濾波跟蹤實(shí)驗(yàn)數(shù)據(jù)，圖1（c）中看出其在背景干擾的情況下跟蹤穩(wěn)定，精度高；圖2為三種算法的計(jì)算時(shí)間和中心點(diǎn)偏差，可以看出在物體做無規(guī)律運(yùn)動(dòng)時(shí)三種算法跟蹤時(shí)間接近，偏差也不大，但跟蹤效果第三種的穩(wěn)定性、魯棒性和準(zhǔn)確度最好。

實(shí)驗(yàn)二：采用視頻格式320x240的MP4文件，總幀數(shù)30幀，粒子數(shù)100個(gè)，跟蹤對(duì)象為人物全身，做近似勻速直線運(yùn)動(dòng)，跟蹤過程有背景干擾和遮擋現(xiàn)象，分別截取第5、10、20和27幀進(jìn)行分析。圖3圖4中（a）均為融合卡爾曼濾波的粒子濾波跟蹤實(shí)驗(yàn)數(shù)據(jù)，圖3圖4中（b）均為融合均值漂移算法的粒子濾波跟蹤實(shí)驗(yàn)數(shù)據(jù)，圖3圖4中（c）均為融合均值漂移和卡爾曼濾波的粒子濾波跟蹤實(shí)驗(yàn)數(shù)據(jù)。從實(shí)驗(yàn)數(shù)據(jù)可見（a）方法跟蹤時(shí)間約1.7s，速度快，但是在跟蹤有干擾時(shí)丟失目標(biāo)，（b）方法跟蹤時(shí)間約9s，時(shí)間最長，在背景干擾無遮擋時(shí)能跟蹤到目標(biāo)，但目標(biāo)出現(xiàn)遮擋時(shí)跟蹤丟失，（c）方法跟蹤時(shí)間約2.9s，速度較快，在背景干擾和出現(xiàn)部分遮擋時(shí)仍能跟蹤到目標(biāo)，跟蹤效果較好。

5 結(jié)束語

本文在研究粒子濾波的基礎(chǔ)上，通過融合顏色和邊緣作為特征向量，融合了均值漂移和卡爾曼濾波兩種算法，提出了一種融合多特征多算法的MKPF粒子濾波方法。通過實(shí)驗(yàn)對(duì)比得出了MKPF 算法在背景干擾和有部分遮擋的情況下能夠較穩(wěn)定準(zhǔn)確地跟蹤到目標(biāo)，并且計(jì)算速度較一般粒子濾波方法有了一定的提高，算法具有較好的魯棒性。

參考文獻(xiàn)

[1] Weng Shiuh-Ku，Kuo Chung-Ming，Tu Shu-Kang.Video object tracking using adaptive Kalman filter [J].Visual Communication，2006，17（6）：1190-1208.

[2]陳金廣，馬麗麗，陳亮.基于邊緣粒子濾波的目標(biāo)跟蹤算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（28）：128-131.

[3]Ning J，Zhang L，Zhang D，et a1.Robust mean-shift tracking with corrected background-weighted histogram [J].Computer Vision，2012，6（1）：62-69.

[4]楊輝，劉軍，阮松.基于Mean Shift算法視頻跟蹤研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（6）：2062-2066.

[5]Pan P，Schonfeld D.Video Tracking Based on Sequential Particle Filtering on Graphs[J].IEEE Trans on Image Processing，2011，20（6）：1641-1651.

[6] Schon T，Gustafsson F，Nordlund P.Marginalized particle filters for mixed linear/nonlinear state-space models[J].IEEE Trans on Signal Processing，2005，53（7）：2279-2288.

[7]宦若虹，王浙滬，唐曉梅等.動(dòng)態(tài)背景下基于粒子濾波的運(yùn)動(dòng)目標(biāo)跟蹤方法[J].計(jì)算機(jī)應(yīng)用與軟件，2011，28（5）：109-111.

[8]馬曉路，劉倩，牟海軍.基于Mean Shift和粒子濾波的運(yùn)動(dòng)目標(biāo)跟蹤[J].微型機(jī)與應(yīng)用，2012，31（23）：42-44.

[9]王恒軍，趙書斌.復(fù)雜場景下基于自適應(yīng)多特征融合的跟蹤算法[J].指揮控制與仿真，2014，36（2）：33-38.

作者單位

上海市同濟(jì)大學(xué)電信學(xué)院 上海市 201804endprint