基于粒子濾波的目標跟蹤算法

宋光彥

摘 要:隨著當前計算機性能的不斷提高,粒子濾波算法日益受到人們的關注,因為其在非線性、非高斯系統和狀態濾波等方面具有獨到的優勢,也被廣泛應用到運動目標跟蹤研究當中。

關鍵詞:粒子濾波圖像信號目標跟蹤

中圖分類號:TP301 文獻標識碼:A 文章編號:1674-098X(2012)6(a)-0031-01

1 粒子濾波算法描述

粒子濾波的思想基于蒙特卡洛方法,它是利用粒子集來表示概率,即通過隨機抽取的加權粒子來代替狀態的后驗概率分布,這是一種順序重要性采樣法。當隨機采取的粒子數量時,結果也就無限接近于實際的狀態后驗分布。因其在非線性、非高斯系統表現出來的優越性,粒子濾波已經成為視頻監控、圖像處理、生物測定、金融數據等領域的研究熱點。

1.1 初始化

圖像特征是表征一個圖像最基本的屬性,是圖像分析的分布重要依據,它分為自然特征和人工特征。被跟蹤的運動目標要具有一定的先驗特征,如目標的顏色分布特征、灰度邊緣特征、紋理、光譜等。我們可以根據實際的需要,選擇不同特點的先驗特征來描述粒子濾波中每個粒子的初始狀態,其決定著濾波的先驗概率形式,初始權重取1/Ns。值得注意的是粒子數的選取與跟蹤的實際要求有關,粒子數越多,跟蹤就越穩定,精度也就越高,但同時計算量也會變得越大。

1.2 系統狀態轉移

系統狀態轉移,是指運動目標狀態隨時間的更新。需要通過系統模型中的狀態方程來描述其狀態轉移關系。布朗運動模型、勻速運動模型和勻加速運動模型是處理圖像跟蹤中的有三種比較普遍的數學模型。布朗運動模型也被叫作隨機游走模型,其目標方程為:xk=Axk-1+Bjk-1,其中,A,B為常數,xk為目標在k時刻的狀態,jk-1為歸一化噪聲量。勻速和勻加速運動模型的目標方程采用高階自回歸模型,其方程為:ck=Ack-2+Bck-1+Cjk-1,A、B、C均為常數。

1.3 系統觀測

系統觀測是指在通過狀態轉移方程對目標狀態的傳播進行“假設”后,用所得的觀測量對其進行驗證。使用觀測量對系統狀態轉移的結果進行驗證,實際上是通過建立似然模型,計算在前一個過程中生成的粒子與實際情況之間的相似度。其目的是觀測每個粒子所代表區域的特征與目標模板特征之間的相似程度,相似度越小的粒子賦予的權值就越小,反之權值越大。

1.4 后驗概率的計算

后驗概率是指在得到“結果”的信息后重新修正的概率,后驗概率的計算要以先驗特征為基礎,在此采用加權準則來計算后驗概率,這種準則要求粒子根據自身權值的大小來決定其在后驗概率中所占比例的多少。

1.5 重采樣

對于重采樣的目的,是為了解決在傳播過程中粒子集合發生的退化現象。如果發生了退化,會使許多粒子的權重變得很小,導致大量的計算浪費在小權值粒子上,需要通過對后驗概率密度進行再采樣,去除權值小的粒子,保留權值大的粒子。

2 粒子濾波算法的仿真

前面詳細描述了基于粒子濾波算法各模塊的具體功能,下面我們對粒子濾波性能進行仿真實驗。為了驗證的方便我們使用MATLAB進行仿真驗證,MATLAB版本使用的是2008a。采用如下的一個簡單一維系統模型進行仿真:

狀態方程為

;

觀測方程為,其中rk和qk分別表示系統噪聲和觀測噪聲。

通過實驗仿真結果表明粒子濾波跟蹤的誤差值較小,該算法性能有效可靠。

3 粒子濾波跟蹤算法的仿真

3.1 算法的基本流程

在視頻序列的跟蹤中運用粒子濾波算法,首先對粒子進行初始化,設定粒子數Ns,選擇運動模型,然后再進行粒子濾波的計算。

3.2 算法的仿真結果

在MATLAB環境下建立運動目標檢測跟蹤的模型,然后采用walk.avi視頻進行平移空間跟蹤測試,圖1是截取視頻的第11,28,42和70幀的實驗跟蹤結果。

跟蹤實驗結果表明,基于粒子濾波算法的運動目標跟蹤,可以有效的跟蹤到運動的目標區域,有很好的應用價值,值得進一步推廣。

4 結語

本文主要研究了運動目標跟蹤中的粒子濾波算法,詳細論述了粒子濾波的理論基礎和算法過程,最后在MATLAB平臺上對粒子濾波跟蹤算法進行了仿真實驗,實驗結果表明此算法可以很好的運用于運動目標跟蹤。

參考文獻

[1] 萬纓,韓毅,盧漢青.運動目標檢測算法的探討[J].計算機仿真.第23卷,第10期,221-226,2006.

[2] 徐方明,盧官名.基于改進surendra背景更新算法的運動目標檢測算法[J].山西電子應用,2006,5:39.

[3] 伏思華,張小虎.基于序列圖像的運動目標實時監測方法[J].光電技術,2004年3月第30卷第2期.