融合多特征與多算法的粒子濾波目標跟蹤

樓益琦

針對粒子濾波跟蹤方法存在的計算量大，跟蹤效率低下以及粒子退化的問題，提出一種改進的粒子濾波方法。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，保證了跟蹤的準確性和實時性；在狀態更新上引入卡爾曼濾波，使得粒子不易發散退化，保證了粒子數量，同時在計算時間上也較標準粒子濾波有了明顯提高。經過仿真，該算法跟蹤的魯棒性和精確性比較好。

【關鍵詞】粒子濾波 均值漂移 卡爾曼濾波 多特征

1 引言

視頻運動目標跟蹤一直是機器視覺領域的研究熱點之一，在視頻監控、精確制導、導航跟蹤上有著廣泛的應用。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缺點都比較明顯。卡爾曼濾波是應用于線性、高斯模型，其計算速度快、效率高，但是現實中往往是非線性的，這導致其適用性比較低；均值漂移算法不帶參數，實時性好，但容易受環境（如遮擋、目標相似等）干擾；粒子濾波是采用隨機采樣的方法獲取粒子，然后用大量粒子來近似狀態變量的后驗分布，這種算法能夠適應于非線性系統，并且具有很好的準確性和抗干擾能力，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，卻大大增加了時間復雜度。

為能夠更好地跟蹤目標，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雜環境下的干擾問題。本文在研究這三種主流算法的基礎上，通過融合的方式截取三種算法的優點，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，使其能夠適用于現實中非高斯非線性系統，同時能夠獲得更好地跟蹤精度、縮短計算的時間。

2 目標特征提取

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，分別獲取該區域H和S分量，得到關于HS的顏色直方圖，計算目標圖像基于分布HS的概率分布圖I1；選取候選區域，同理計算候選區域的概率分布圖I2，巴氏距離： 。

2.2 邊緣特征提取

3.1.1 初始化

計算目標模型融合顏色和邊緣特征的融合特征P，將第一幀作為目標區域初始化搜素窗，確定目標中心位置和窗口大小。

3.1.2 均值漂移迭代過程

（1）漂移質心位置p和窗口大小s，計算當前候選目標的融合特征Q；

（2）計算巴氏距離：B= ，比較B和閥值Bth，若B>Bth，則漂移的位置p和窗口大小s為目標位置和區域，若B≤Bth，返回第二步，直到收斂或者迭代次數達到預設的最大值。

（3）獲得下一幀圖像，利用當前漂移得到位置和大小進行下一幀的搜索。

3.2 融合卡爾曼濾波和粒子濾波

將狀態向量劃分為線性子向量和非線性子向量兩個部分，線性子向量采用卡爾曼濾波，而非線性子向量采用標準的粒子濾波，這樣即可以減少線性部分的計算時間，又能夠適用于非線性非高斯模型。在標準粒子濾波的基礎上，更改狀態更新部分如下：

3.3.6 步驟六

狀態更新，采用本文提到的融合卡爾曼濾波和粒子濾波方法的狀態更新方法。

3.3.7 步驟七

讀取下一幀，返回到第二步。

4 實驗與分析

本次實驗環境為win7系統、AMD A6處理器的4G內存PC機，通過Matlab2012b仿真完成。

實驗一：采用視頻格式320x240的MP4文件，總幀數162幀，粒子數100個，跟蹤對象為圖中下方人物上半身，運動無規律，周圍環境比較相似，分別截取跟蹤過程的第5、30、50、81和105幀進行分析。圖1圖2中（a）均為融合卡爾曼濾波的粒子濾波跟蹤實驗數據， 圖1（a）中在第50幀、81幀和105幀上出現了較大的誤差，在背景干擾的情況下易出現跟蹤偏差，圖1圖2中（b）均為融合均值漂移算法的粒子濾波跟蹤實驗數據，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驗數據，圖1（c）中看出其在背景干擾的情況下跟蹤穩定，精度高；圖2為三種算法的計算時間和中心點偏差，可以看出在物體做無規律運動時三種算法跟蹤時間接近，偏差也不大，但跟蹤效果第三種的穩定性、魯棒性和準確度最好。

實驗二：采用視頻格式320x240的MP4文件，總幀數30幀，粒子數100個，跟蹤對象為人物全身，做近似勻速直線運動，跟蹤過程有背景干擾和遮擋現象，分別截取第5、10、20和27幀進行分析。圖3圖4中（a）均為融合卡爾曼濾波的粒子濾波跟蹤實驗數據，圖3圖4中（b）均為融合均值漂移算法的粒子濾波跟蹤實驗數據，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驗數據。從實驗數據可見（a）方法跟蹤時間約1.7s，速度快，但是在跟蹤有干擾時丟失目標，（b）方法跟蹤時間約9s，時間最長，在背景干擾無遮擋時能跟蹤到目標，但目標出現遮擋時跟蹤丟失，（c）方法跟蹤時間約2.9s，速度較快，在背景干擾和出現部分遮擋時仍能跟蹤到目標，跟蹤效果較好。

5 結束語

本文在研究粒子濾波的基礎上，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。通過實驗對比得出了MKPF 算法在背景干擾和有部分遮擋的情況下能夠較穩定準確地跟蹤到目標，并且計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

[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跟蹤算法研究[J].計算機工程與應用，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].計算機工程與設計，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.動態背景下基于粒子濾波的運動目標跟蹤方法[J].計算機應用與軟件，2011，28（5）：109-111.

[8]馬曉路，劉倩，牟海軍.基于Mean Shift和粒子濾波的運動目標跟蹤[J].微型機與應用，2012，31（23）：42-44.

[9]王恒軍，趙書斌.復雜場景下基于自適應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

上海市同濟大學電信學院 上海市 201804endprint