復(fù)雜環(huán)境下基于自適應(yīng)粒子濾波器的目標(biāo)跟蹤

1、第12期2006年12月電子學(xué)報(bào)ACTAELECTRONICASINICAVol.34No.12Dec.2006復(fù)雜環(huán)境下基于自適應(yīng)粒子濾波器的目標(biāo)跟蹤常發(fā)亮,馬麗,劉增曉,喬誼正(山東大學(xué)控制科學(xué)與工程學(xué)院,山東濟(jì)南250061)摘要:提出一種基于目標(biāo)顏色特征的自適應(yīng)粒子濾波算法,在非遮擋情況下,根據(jù)運(yùn)動(dòng)預(yù)測(cè)的準(zhǔn)確程度自適應(yīng)選擇粒子數(shù)量和運(yùn)動(dòng)模型中高斯噪聲的方差,保證跟蹤的實(shí)時(shí)性和粒子的有效性;遮擋情況下改變目標(biāo)的運(yùn)動(dòng)模型,使粒子只做布朗運(yùn)動(dòng),并且各粒子經(jīng)均值漂移算法的一步迭代進(jìn)行優(yōu)化,從而可以減少粒子數(shù)量以及更快恢復(fù)正確的跟蹤.實(shí)驗(yàn)結(jié)果表明該算法具有較強(qiáng)的魯棒性,能有效實(shí)現(xiàn)復(fù)雜場(chǎng)景下的目標(biāo)

2、跟蹤.關(guān)鍵詞:目標(biāo)跟蹤;粒子濾波器;遮擋中圖分類(lèi)號(hào):TP391文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):037222112(2006)122TargetTrackingBasedonAdaptiveParticleCHANGFa2,MAUYi2zheng(SchoolofControl,Jinan,Shandong250061,China):algorithmbasedoncolorfeatureisproposed.Undernon2occlusioncondition,adap2tivelychooseofandthevarianceofGaussianstochasticnoiseinthedynamic

3、modelbasedontheaccuracyde2greeofthepredictiontoguaranteethereal2timetrackingandvalidparticles.Underocclusion,thedynamicmodalischangedandtheparticlesonlydoBrownianmotion,thentheparticlesareoptimizedbyone2stepiterationofthemeanshiftalgorithmtodecreasethenumberofparticlesandresumetherighttrackingmorequ

4、ickly.Experimentalresultsindicateitisrobustandhasgoodperformancesundercomplexbackground.Keywords:targettracking;particlefilter;occlusion1引言粒子濾波算法15很好的解決了非高斯非線(xiàn)性觀(guān)測(cè)下的目標(biāo)跟蹤問(wèn)題,但是基本粒子濾波算法存在計(jì)算量大和粒子退化問(wèn)題,并且運(yùn)動(dòng)模型是固定的,使得在遮擋情況下由于跟蹤不穩(wěn)定而預(yù)測(cè)誤差增大,從而可能丟失目標(biāo).文獻(xiàn)6提出一種具有較好魯棒性的自適應(yīng)粒子濾波算法,并對(duì)遮擋做出處理,但計(jì)算比較復(fù)雜.文獻(xiàn)7利用粒子濾波算法較好解決了遮擋等問(wèn)題

5、,但其基于運(yùn)動(dòng)目標(biāo)的檢測(cè),并要求背景是靜止的.針對(duì)粒子濾波算法在目標(biāo)跟蹤中存在的問(wèn)題,提出一種自適應(yīng)粒子濾波算法.非遮擋情況下,根據(jù)運(yùn)動(dòng)預(yù)測(cè)的準(zhǔn)確程度,自適應(yīng)選擇粒子數(shù)量和運(yùn)動(dòng)模型中高斯噪聲的方差;遮擋情況下改變運(yùn)動(dòng)模型,粒子只做布朗運(yùn)動(dòng)并且經(jīng)過(guò)均值漂移算法的一步迭代進(jìn)行優(yōu)化.基于目標(biāo)顏色特征,可以有效克服目標(biāo)形變的影響,且在非遮擋情況下實(shí)時(shí)更新目標(biāo)顏色模板,以適應(yīng)光照變化.最后對(duì)目標(biāo)丟失做出判斷和處理.Ncb、Ncr級(jí),目標(biāo)模板基于CrCb空間的Ncr×Ncb級(jí)二維直方圖和Y空間的Ny級(jí)一維直方圖.為增加直方圖描述的魯棒性,加入表示空間位置信息的核函數(shù)計(jì)算加權(quán)直方圖8,9.K(x)

6、=en-x22,k(x)=K(x)2(1)Pu(y)=Cji=1kh(bj(xi)-uj),j=1,2,u1=1,(2),Ncr×Ncb,u2=1,NyC=ni=1kh2(3)其中pu1(y)和pu2(y)分別表示以y為中心的目標(biāo)的CrCb空間和Y空間的歸一化直方圖分布,u1和u2為相應(yīng)空間的顏色向量,bj(xi)為xi象素點(diǎn)在相應(yīng)直方圖中顏色索引值(b1(xi)在pu1(y)直方圖中表示該點(diǎn)的Cr和Cb值,b2(xi)在pu2(y)直方圖中表示Y分量值),為Kroneckerdelta函數(shù),k為高斯核函數(shù)K的輪廓函數(shù),xi為各象素點(diǎn)的位置,h為跟蹤窗的尺度(包括長(zhǎng)hy和寬hx),C

7、為歸一化常數(shù).第t幀模板直方圖quj的更新方法是:對(duì)第(t-1)幀跟蹤結(jié)果按上述方法統(tǒng)計(jì)直方圖quj(E),其中E為目標(biāo)質(zhì)心位t-1t2顏色模板統(tǒng)計(jì)及直方圖匹配采用YCbCr顏色空間,將三個(gè)顏色分量分別量化為Ny、收稿日期:2006201216;修回日期:2006207216基金項(xiàng)目:國(guó)家自然科學(xué)基金(No.60104009);山東省自然科學(xué)基金(No.Z2005G03)第12期置.則t幀模板為:常發(fā)亮:復(fù)雜環(huán)境下基于自適應(yīng)粒子濾波器的目標(biāo)跟蹤2151)quj+quj=(1-puj(E),j=1,2tt-1t-1(4)的情況下能滿(mǎn)足粒子的有效性原則,保證粒子群的質(zhì)量和目標(biāo)跟蹤的實(shí)時(shí)性.其中為遺

8、忘因子,為適應(yīng)目標(biāo)變形、光照變化等引起的目標(biāo)顏色變化,使模板盡快獲得新的顏色信息,取為0.7.模板與目標(biāo)可能狀態(tài)的直方圖puj(y)的匹配度用Bhat2tacharyya系數(shù)的離散形式表示8:N×NcrcbNy4遮擋情況處理遮擋判斷采用分塊檢測(cè)算法,遮擋情況下跟蹤不穩(wěn)定,確定性預(yù)測(cè)不可靠,粒子若仍按照式(7)所描述的運(yùn)動(dòng)模型運(yùn)動(dòng),則可能會(huì)偏離真實(shí)目標(biāo)狀態(tài),從而逐漸丟失目標(biāo).所以,在遮擋過(guò)程中,使確定性預(yù)測(cè)為0,粒子只做布朗運(yùn)動(dòng),即采用如下運(yùn)動(dòng)模型:St=St-1+wt-1(y)=puj(y),qpuj=u=11pu1(y)qu1×u=1pu2(y)q2u(5)(9)兩直方圖

9、的Bhattacharyya距離為:d(y)=為保證跟蹤的實(shí)時(shí)性以及防止遮擋過(guò)程中粒子的退化,(6)-(y)3粒子數(shù)量和高斯噪聲方差的自適應(yīng)選擇為更好的保證目標(biāo)跟蹤的魯棒性和實(shí)時(shí)性,應(yīng)盡量的提高粒子質(zhì)量,減少粒子數(shù)量.通過(guò)自適應(yīng)選擇運(yùn)動(dòng)模型中高斯噪聲的方差,域,提高粒子質(zhì)量,粒子即可保證可靠的跟蹤.目標(biāo)當(dāng)前狀態(tài),2階自回歸模型作為目標(biāo)運(yùn)動(dòng)模型:(7)St-St-1=St-1-St-2+wt-1其中St=xt,yt為t時(shí)刻的目標(biāo)狀態(tài),表示目標(biāo)質(zhì)心位置,wt-1為2元高斯隨機(jī)噪聲(x,y方向的噪聲獨(dú)立),并且wt-1).此運(yùn)動(dòng)模型包括兩部分,一部分是式(7)等號(hào)右N(0,側(cè)的前兩項(xiàng),為運(yùn)動(dòng)位移量的

10、確定性預(yù)測(cè),另一部分是wt-1項(xiàng),即高斯隨機(jī)噪聲(布朗運(yùn)動(dòng)),其方差決定了粒子布朗運(yùn)動(dòng)的范圍,一定程度上決定了粒子的多樣性和有效性.粒子數(shù)量和高斯噪聲方差的自適應(yīng)選擇方法為:若確定性預(yù)測(cè)比較準(zhǔn)確,應(yīng)較小,使粒子位于預(yù)測(cè)區(qū)域的較小鄰域內(nèi),這時(shí)粒子數(shù)量可較少;若預(yù)測(cè)不準(zhǔn)確,則目標(biāo)很可能發(fā)生機(jī)動(dòng),應(yīng)較大,使粒子運(yùn)動(dòng)范圍比較大,并且應(yīng)增大粒子數(shù)量,以包含目標(biāo)真實(shí)狀態(tài).目標(biāo)經(jīng)確定性預(yù)測(cè)后,計(jì)算其與模板的直方圖匹配度E,和n作為E的函數(shù),應(yīng)是單調(diào)下降的,以滿(mǎn)足在預(yù)測(cè)比較準(zhǔn)確(E較大)時(shí)和n比較小,在預(yù)測(cè)不準(zhǔn)確(E較小)時(shí)和n比較大,采用如下單調(diào)下降函數(shù)表示、n的關(guān)系:E和應(yīng)對(duì)粒子進(jìn)行優(yōu)化以提高粒子質(zhì)量,.

11、但是在遮擋情況下,可能存在較強(qiáng)的干擾,所以?xún)?yōu)化的同時(shí),由于均值漂移算法是一種變步長(zhǎng)的優(yōu)化算法,通常第一次迭代的優(yōu)化作用是比較明顯的,同時(shí)也可避免“過(guò)優(yōu)化”,而且由于目標(biāo)離開(kāi)遮擋的過(guò)程中,目標(biāo)信息逐漸增多,大多大權(quán)值的粒子已經(jīng)對(duì)應(yīng)目標(biāo)狀態(tài),所以?xún)?yōu)化作用可以更快恢復(fù)正確的跟蹤.優(yōu)化過(guò)的粒子質(zhì)量比較高,所以采用較少的粒子即可滿(mǎn)足可靠跟蹤的要求,遮擋情況下固定粒子數(shù)量為n=20,運(yùn)動(dòng)模型中高斯噪聲的標(biāo)準(zhǔn)差固定為最大=5.5自適應(yīng)粒子濾波算法初始化:t=0時(shí)刻在目標(biāo)周?chē)?0×50鄰域內(nèi)隨機(jī)選擇30個(gè)均勻分布的粒子.已知(t-1)時(shí)刻的跟蹤結(jié)果為St-1(E),粒子集為St-1(i),各粒子的權(quán)

12、值為󰁪t-1(i),累積概率為ct-1(i),i=1,nt-1,粒子的個(gè)數(shù)為nt-1,t時(shí)刻的顏色模板為quj,j=1,2.t自適應(yīng)粒子濾波算法的步驟為:Step1:根據(jù)各粒子的權(quán)值重采樣得St-1(i)1,對(duì)i=1,nt-1:(1)產(chǎn)生均勻分布的隨機(jī)數(shù)r0,1.(2)求滿(mǎn)足ct-St-1(j).1(j)r的最小的j,產(chǎn)生St-1(i)=y=a1+exp(E-0.75)×by,y=,n(8)Step2:求t時(shí)刻粒子集St(i)非遮擋情況下,自適應(yīng)選擇高斯噪聲的方差,運(yùn)動(dòng)模函數(shù)曲線(xiàn)的形式如圖1所示(與E的關(guān)系曲線(xiàn)),因?yàn)轭A(yù)測(cè)匹配度多數(shù)情況下集中在015到1的范圍內(nèi),故此

13、函數(shù)以0175為拐點(diǎn),系數(shù)ay,by,y=、n的選擇應(yīng)使和n位型為:St(i)=St-1(i-k×nt-1)+St-1(E)-St-2(E)+wt-1(i),wt-1(i)N(0,),i=1,nt其中:k=nt-1,.表示向大的方向舍入.于合適的范圍,大量實(shí)驗(yàn)表明,取參數(shù)a=5,b=8,an=60,bn=6,使016,5,n11,遮擋情況下,運(yùn)動(dòng)模型只有高斯噪聲,且采用固定的=5,nt=20,布朗運(yùn)動(dòng)后的粒子狀態(tài)為S󰁪t(i):S󰁪t(i)=St-1(i)+wt-1(i),wt-1(i)N(0,25),i=1,20S󰁪t(i)再經(jīng)均值漂

14、移算法迭代一步得優(yōu)化粒子為St(i).60,此范圍在采樣速率比較高2152電子學(xué)報(bào)t2006年Step3:根據(jù)各粒子直方圖puj(Si(i)與模板quj的匹配度30個(gè)粒子,重新檢測(cè)目標(biāo),(d)可見(jiàn)目標(biāo)重新被正確跟蹤.(e)計(jì)算歸一化權(quán)值󰁪t(i)2:i(i)=exp-其中:d(St(i)=N×Ncrcbd(S(i)220為第20幀判斷目標(biāo)丟失后重新初始化進(jìn)行的跟蹤,其中藍(lán)色曲線(xiàn)為目標(biāo)從首幀到第20幀的質(zhì)心運(yùn)動(dòng)軌跡.7實(shí)驗(yàn)結(jié)果及分析圖中紅色窗為各粒子狀態(tài),綠色窗為權(quán)值最大粒子狀態(tài),藍(lán)色窗為加權(quán)平均的跟蹤結(jié)果.711目標(biāo)經(jīng)過(guò)光照區(qū)的跟蹤如圖3(a)(f)所示目標(biāo)經(jīng)過(guò)光照區(qū)

15、的跟蹤情況,(f)中藍(lán)色曲線(xiàn)為整個(gè)跟蹤過(guò)程的目標(biāo)質(zhì)心運(yùn)動(dòng)軌跡.由于算法實(shí)時(shí)更新顏色模板,故目標(biāo)在進(jìn)入光照區(qū)或出離光照區(qū)時(shí)能及時(shí)獲得新的顏色信息,.圖3(g)為高斯噪聲標(biāo)準(zhǔn)差的變化曲線(xiàn)(),橫坐標(biāo)為幀數(shù),0175的幀,、從光照,這時(shí)加大高,確保了跟蹤的可靠性.-(St(i)N=-u=11P1(St(i)qut1uy×pu2(St(i)qu2u=1t2󰁪t(i)=()ntj=1,i=1,nt(10)(j)i0是一個(gè)關(guān)鍵的參數(shù),0值的選擇既要使各粒子的權(quán)值差別較大,以保證重采樣時(shí)粒子的有效性,又不能使權(quán)值差別過(guò)大,以保證重采樣后粒子的多樣性.實(shí)驗(yàn)中0=013是一個(gè)比較合適的

16、值.Step4:計(jì)算粒子的累積概率ct(i)1()ct(0)=0,ct(i)=ct(i-1)+󰁪t(i),i=1,tStep5:計(jì)算加權(quán)平均狀態(tài)St(E)(Enti=1(i)(12)6對(duì)于目標(biāo)較小但是速度和機(jī)動(dòng)性很大的目標(biāo),例如乒乓球的跟蹤,可能出現(xiàn)所有粒子都不包含目標(biāo)的情況,這時(shí)應(yīng)該判斷目標(biāo)丟失,然后重新初始化獲取目標(biāo)進(jìn)行跟蹤.判斷目標(biāo)丟失的方法是:計(jì)算目標(biāo)跟蹤結(jié)果與模板的匹配度,若匹配度小于012,則判斷目標(biāo)丟失.采取的方法是:重新初始化,即在上幀跟蹤位置50×50鄰域內(nèi)隨機(jī)產(chǎn)生均勻分布的30個(gè)粒子St(i),i=1,30,計(jì)算各粒子權(quán)重,加權(quán)平均得重新初試化的跟

17、蹤結(jié)果.圖2為對(duì)乒乓球的跟蹤,其中各紅色框?yàn)楦髁Ｗ訝顟B(tài),綠色框?yàn)闄?quán)值最大的粒子狀態(tài),藍(lán)色框?yàn)楦櫧Y(jié)果.(a)為第1幀的跟蹤,(b)為第5幀目標(biāo)落在桌面上,(c)為乒乓球開(kāi)始反彈,由于運(yùn)動(dòng)模型中的確定性預(yù)測(cè)部分是向下方的運(yùn)動(dòng),即使布朗運(yùn)動(dòng)范圍較大也無(wú)法包含目標(biāo)真實(shí)狀態(tài),各粒子都在真實(shí)目標(biāo)的下方,跟蹤結(jié)果的匹配度是0,這時(shí)判斷目標(biāo)丟失,然后在第5幀跟蹤結(jié)果50×50鄰域內(nèi)隨機(jī)選擇均勻分布的712遮擋情況下,本文算法與文獻(xiàn)3算法的對(duì)比遮擋情況下,改變目標(biāo)的運(yùn)動(dòng)模型,各粒子只做布朗運(yùn)動(dòng),并且經(jīng)過(guò)均值漂移算法的一步迭代進(jìn)行優(yōu)化,能夠有效克服嚴(yán)重遮擋的影響并能保證跟蹤的實(shí)時(shí)性,圖4(a)(d)為

18、本文算法正確的跟蹤結(jié)果.文獻(xiàn)1的算法在遮擋情況下不改變運(yùn)動(dòng)模型,由于遮擋情況下跟蹤不穩(wěn)定,使預(yù)測(cè)誤差增大,粒子質(zhì)量降低,逐漸偏離目標(biāo),使得遮擋后正確跟蹤沒(méi)有恢復(fù),如圖4(e)(h)所示.文獻(xiàn)4算法中每個(gè)粒子都經(jīng)過(guò)均值漂移算法的優(yōu)化,在這種目標(biāo)被嚴(yán)重遮擋并且強(qiáng)干擾存在情況下,粒子大多會(huì)收斂到干擾所在的密度極值,發(fā)生“過(guò)優(yōu)化”現(xiàn)象,使得遮擋后正確跟蹤也得不到恢復(fù),如圖4(i)(l)所示.8結(jié)論本文針對(duì)復(fù)雜場(chǎng)景下的目標(biāo)跟蹤難點(diǎn)提出了自適應(yīng)粒子濾波算法,其特點(diǎn)有:(1)非遮擋情況下,根據(jù)預(yù)測(cè)的準(zhǔn)確程度,自適應(yīng)改變高斯噪聲的方差和粒子數(shù)量,保證粒子的有效性和實(shí)時(shí)性;(2)在遮擋情況下改變目標(biāo)的運(yùn)動(dòng)模型,

19、各粒子只做布朗運(yùn)動(dòng),并經(jīng)過(guò)均值漂移算法的一步迭代進(jìn)行優(yōu)化,保證遮擋過(guò)程中跟蹤的可靠性;(3)對(duì)目標(biāo)丟失做出判斷和處理.第12期常發(fā)亮:復(fù)雜環(huán)境下基于自適應(yīng)粒子濾波器的目標(biāo)跟蹤puterSociety,2004.669-674.21535ArulampalamM,MaskellS,GordonN,ClappT.Atutorialonparticlefiltersforonlinenonlinear/non2GaussianBayesiantrackingJ.IEEETransactiononSignalProcessing,2002,50(2):174-188.6ZhouSK,Chellappa

20、R,MoghaddamB.Visualtrackingandrecognitionusingappearance2adaptivemodelsinparticlefiltersJ.IEEETransactiononImageProcessing,2004,13(11):1491-1506.7方帥,遲健男,徐心和.視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)跟蹤算法J.控制與決策,2005,20(12):1388-1391.8ComaniciuD,RameshV,MeerP.timetrackingofnon2rigidobjectsusingmeanshiftVisionandPattern.,:ComputerSoci2ety,-149.DP.Kernel2basedobjecttracking.onPatternAnalysisandMachineIntelli2,2003,25(5):564-577.作者簡(jiǎn)介:常發(fā)亮男,1965年10月出生于山東省濰參考文獻(xiàn):1IsardM,