復雜環(huán)境下基于自適應粒子濾波器的目標跟蹤

1、第12期2006年12月電子學報ACTAELECTRONICASINICAVol.34No.12Dec.2006復雜環(huán)境下基于自適應粒子濾波器的目標跟蹤常發(fā)亮,馬麗,劉增曉,喬誼正(山東大學控制科學與工程學院,山東濟南250061)摘要:提出一種基于目標顏色特征的自適應粒子濾波算法,在非遮擋情況下,根據運動預測的準確程度自適應選擇粒子數量和運動模型中高斯噪聲的方差,保證跟蹤的實時性和粒子的有效性;遮擋情況下改變目標的運動模型,使粒子只做布朗運動,并且各粒子經均值漂移算法的一步迭代進行優(yōu)化,從而可以減少粒子數量以及更快恢復正確的跟蹤.實驗結果表明該算法具有較強的魯棒性,能有效實現復雜場景下的目標

2、跟蹤.關鍵詞:目標跟蹤;粒子濾波器;遮擋中圖分類號:TP391文獻標識碼:A文章編號: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性觀測下的目標跟蹤問題,但是基本粒子濾波算法存在計算量大和粒子退化問題,并且運動模型是固定的,使得在遮擋情況下由于跟蹤不穩(wěn)定而預測誤差增大,從而可能丟失目標.文獻6提出一種具有較好魯棒性的自適應粒子濾波算法,并對遮擋做出處理,但計算比較復雜.文獻7利用粒子濾波算法較好解決了遮擋等問題

5、,但其基于運動目標的檢測,并要求背景是靜止的.針對粒子濾波算法在目標跟蹤中存在的問題,提出一種自適應粒子濾波算法.非遮擋情況下,根據運動預測的準確程度,自適應選擇粒子數量和運動模型中高斯噪聲的方差;遮擋情況下改變運動模型,粒子只做布朗運動并且經過均值漂移算法的一步迭代進行優(yōu)化.基于目標顏色特征,可以有效克服目標形變的影響,且在非遮擋情況下實時更新目標顏色模板,以適應光照變化.最后對目標丟失做出判斷和處理.Ncb、Ncr級,目標模板基于CrCb空間的Ncr×Ncb級二維直方圖和Y空間的Ny級一維直方圖.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計算加權直方圖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為中心的目標的CrCb空間和Y空間的歸一化直方圖分布,u1和u2為相應空間的顏色向量,bj(xi)為xi象素點在相應直方圖中顏色索引值(b1(xi)在pu1(y)直方圖中表示該點的Cr和Cb值,b2(xi)在pu2(y)直方圖中表示Y分量值),為Kroneckerdelta函數,k為高斯核函數K的輪廓函數,xi為各象素點的位置,h為跟蹤窗的尺度(包括長hy和寬hx),C

7、為歸一化常數.第t幀模板直方圖quj的更新方法是:對第(t-1)幀跟蹤結果按上述方法統(tǒng)計直方圖quj(E),其中E為目標質心位t-1t2顏色模板統(tǒng)計及直方圖匹配采用YCbCr顏色空間,將三個顏色分量分別量化為Ny、收稿日期:2006201216;修回日期:2006207216基金項目:國家自然科學基金(No.60104009);山東省自然科學基金(No.Z2005G03)第12期置.則t幀模板為:常發(fā)亮:復雜環(huán)境下基于自適應粒子濾波器的目標跟蹤2151)quj+quj=(1-puj(E),j=1,2tt-1t-1(4)的情況下能滿足粒子的有效性原則,保證粒子群的質量和目標跟蹤的實時性.其中為遺

8、忘因子,為適應目標變形、光照變化等引起的目標顏色變化,使模板盡快獲得新的顏色信息,取為0.7.模板與目標可能狀態(tài)的直方圖puj(y)的匹配度用Bhat2tacharyya系數的離散形式表示8:N×NcrcbNy4遮擋情況處理遮擋判斷采用分塊檢測算法,遮擋情況下跟蹤不穩(wěn)定,確定性預測不可靠,粒子若仍按照式(7)所描述的運動模型運動,則可能會偏離真實目標狀態(tài),從而逐漸丟失目標.所以,在遮擋過程中,使確定性預測為0,粒子只做布朗運動,即采用如下運動模型: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)=為保證跟蹤的實時性以及防止遮擋過程中粒子的退化,(6)-(y)3粒子數量和高斯噪聲方差的自適應選擇為更好的保證目標跟蹤的魯棒性和實時性,應盡量的提高粒子質量,減少粒子數量.通過自適應選擇運動模型中高斯噪聲的方差,域,提高粒子質量,粒子即可保證可靠的跟蹤.目標當前狀態(tài),2階自回歸模型作為目標運動模型:(7)St-St-1=St-1-St-2+wt-1其中St=xt,yt為t時刻的目標狀態(tài),表示目標質心位置,wt-1為2元高斯隨機噪聲(x,y方向的噪聲獨立),并且wt-1).此運動模型包括兩部分,一部分是式(7)等號右N(0,側的前兩項,為運動位移量的

10、確定性預測,另一部分是wt-1項,即高斯隨機噪聲(布朗運動),其方差決定了粒子布朗運動的范圍,一定程度上決定了粒子的多樣性和有效性.粒子數量和高斯噪聲方差的自適應選擇方法為:若確定性預測比較準確,應較小,使粒子位于預測區(qū)域的較小鄰域內,這時粒子數量可較少;若預測不準確,則目標很可能發(fā)生機動,應較大,使粒子運動范圍比較大,并且應增大粒子數量,以包含目標真實狀態(tài).目標經確定性預測后,計算其與模板的直方圖匹配度E,和n作為E的函數,應是單調下降的,以滿足在預測比較準確(E較大)時和n比較小,在預測不準確(E較小)時和n比較大,采用如下單調下降函數表示、n的關系:E和應對粒子進行優(yōu)化以提高粒子質量,.

11、但是在遮擋情況下,可能存在較強的干擾,所以優(yōu)化的同時,由于均值漂移算法是一種變步長的優(yōu)化算法,通常第一次迭代的優(yōu)化作用是比較明顯的,同時也可避免“過優(yōu)化”,而且由于目標離開遮擋的過程中,目標信息逐漸增多,大多大權值的粒子已經對應目標狀態(tài),所以優(yōu)化作用可以更快恢復正確的跟蹤.優(yōu)化過的粒子質量比較高,所以采用較少的粒子即可滿足可靠跟蹤的要求,遮擋情況下固定粒子數量為n=20,運動模型中高斯噪聲的標準差固定為最大=5.5自適應粒子濾波算法初始化:t=0時刻在目標周圍50×50鄰域內隨機選擇30個均勻分布的粒子.已知(t-1)時刻的跟蹤結果為St-1(E),粒子集為St-1(i),各粒子的權

12、值為󰁪t-1(i),累積概率為ct-1(i),i=1,nt-1,粒子的個數為nt-1,t時刻的顏色模板為quj,j=1,2.t自適應粒子濾波算法的步驟為:Step1:根據各粒子的權值重采樣得St-1(i)1,對i=1,nt-1:(1)產生均勻分布的隨機數r0,1.(2)求滿足ct-St-1(j).1(j)r的最小的j,產生St-1(i)=y=a1+exp(E-0.75)×by,y=,n(8)Step2:求t時刻粒子集St(i)非遮擋情況下,自適應選擇高斯噪聲的方差,運動模函數曲線的形式如圖1所示(與E的關系曲線),因為預測匹配度多數情況下集中在015到1的范圍內,故此

13、函數以0175為拐點,系數ay,by,y=、n的選擇應使和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,大量實驗表明,取參數a=5,b=8,an=60,bn=6,使016,5,n11,遮擋情況下,運動模型只有高斯噪聲,且采用固定的=5,nt=20,布朗運動后的粒子狀態(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電子學報t2006年Step3:根據各粒子直方圖puj(Si(i)與模板quj的匹配度30個粒子,重新檢測目標,(d)可見目標重新被正確跟蹤.(e)計算歸一化權值󰁪t(i)2:i(i)=exp-其中:d(St(i)=N×Ncrcbd(S(i)220為第20幀判斷目標丟失后重新初始化進行的跟蹤,其中藍色曲線為目標從首幀到第20幀的質心運動軌跡.7實驗結果及分析圖中紅色窗為各粒子狀態(tài),綠色窗為權值最大粒子狀態(tài),藍色窗為加權平均的跟蹤結果.711目標經過光照區(qū)的跟蹤如圖3(a)(f)所示目標經過光照區(qū)

15、的跟蹤情況,(f)中藍色曲線為整個跟蹤過程的目標質心運動軌跡.由于算法實時更新顏色模板,故目標在進入光照區(qū)或出離光照區(qū)時能及時獲得新的顏色信息,.圖3(g)為高斯噪聲標準差的變化曲線(),橫坐標為幀數,0175的幀,、從光照,這時加大高,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是一個關鍵的參數,0值的選擇既要使各粒子的權值差別較大,以保證重采樣時粒子的有效性,又不能使權值差別過大,以保證重采樣后粒子的多樣性.實驗中0=013是一個比較合適的

16、值.Step4:計算粒子的累積概率ct(i)1()ct(0)=0,ct(i)=ct(i-1)+󰁪t(i),i=1,tStep5:計算加權平均狀態(tài)St(E)(Enti=1(i)(12)6對于目標較小但是速度和機動性很大的目標,例如乒乓球的跟蹤,可能出現所有粒子都不包含目標的情況,這時應該判斷目標丟失,然后重新初始化獲取目標進行跟蹤.判斷目標丟失的方法是:計算目標跟蹤結果與模板的匹配度,若匹配度小于012,則判斷目標丟失.采取的方法是:重新初始化,即在上幀跟蹤位置50×50鄰域內隨機產生均勻分布的30個粒子St(i),i=1,30,計算各粒子權重,加權平均得重新初試化的跟

17、蹤結果.圖2為對乒乓球的跟蹤,其中各紅色框為各粒子狀態(tài),綠色框為權值最大的粒子狀態(tài),藍色框為跟蹤結果.(a)為第1幀的跟蹤,(b)為第5幀目標落在桌面上,(c)為乒乓球開始反彈,由于運動模型中的確定性預測部分是向下方的運動,即使布朗運動范圍較大也無法包含目標真實狀態(tài),各粒子都在真實目標的下方,跟蹤結果的匹配度是0,這時判斷目標丟失,然后在第5幀跟蹤結果50×50鄰域內隨機選擇均勻分布的712遮擋情況下,本文算法與文獻3算法的對比遮擋情況下,改變目標的運動模型,各粒子只做布朗運動,并且經過均值漂移算法的一步迭代進行優(yōu)化,能夠有效克服嚴重遮擋的影響并能保證跟蹤的實時性,圖4(a)(d)為

18、本文算法正確的跟蹤結果.文獻1的算法在遮擋情況下不改變運動模型,由于遮擋情況下跟蹤不穩(wěn)定,使預測誤差增大,粒子質量降低,逐漸偏離目標,使得遮擋后正確跟蹤沒有恢復,如圖4(e)(h)所示.文獻4算法中每個粒子都經過均值漂移算法的優(yōu)化,在這種目標被嚴重遮擋并且強干擾存在情況下,粒子大多會收斂到干擾所在的密度極值,發(fā)生“過優(yōu)化”現象,使得遮擋后正確跟蹤也得不到恢復,如圖4(i)(l)所示.8結論本文針對復雜場景下的目標跟蹤難點提出了自適應粒子濾波算法,其特點有:(1)非遮擋情況下,根據預測的準確程度,自適應改變高斯噪聲的方差和粒子數量,保證粒子的有效性和實時性;(2)在遮擋情況下改變目標的運動模型,

19、各粒子只做布朗運動,并經過均值漂移算法的一步迭代進行優(yōu)化,保證遮擋過程中跟蹤的可靠性;(3)對目標丟失做出判斷和處理.第12期常發(fā)亮:復雜環(huán)境下基于自適應粒子濾波器的目標跟蹤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)控中的運動目標跟蹤算法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.作者簡介:常發(fā)亮男,1965年10月出生于山東省濰參考文獻:1IsardM,