基于改進粒子濾波的稀疏子空間單目標跟蹤算法

宮海洋 任紅格 史濤 李福進

摘 要： 針對單目標跟蹤問題，提出基于改進粒子濾波的稀疏子空間單目標跟蹤算法。在改進的粒子濾波中提出將樣本分為正、負和過渡樣本，減小粒子退化帶來的影響，通過仿真實驗驗證改進粒子濾波器可提高目標跟蹤的魯棒性。仿照人眼視覺神經系統，將稀疏子空間引入粒子濾波中，建立一個稀疏最優化模型，獲得稀疏矩陣，稀疏子空間有針對性地對目標進行聚類，得到聚類中心位置實現目標跟蹤。經過在相同視頻序列實驗與基本粒子濾波同mean?shift算法目標跟蹤的實驗對比可知，單目標跟蹤的快速性和魯棒性得到了很大提高。

關鍵詞： 目標跟蹤； 貝葉斯濾波； 粒子濾波； 稀疏子空間； 過渡樣本； 聚類中心

中圖分類號： TN911.1?34； TP18 文獻標識碼： A 文章編號： 1004?373X（2018）13?0010?04

Abstract： A sparse subspace single target tracking algorithm based on improved particle filtering is proposed for single target tracking problem. On the basis of improved particle filtering， a method to classify the sample into positive， negative and transition samples is proposed to reduce the influence of particle degradation. The simulation experiment results show that the improved particle filter can improve the robustness of target tracking. On the basis of human visual nervous system， the sparse subspace is introduced into the particle filtering， and a sparse optimal model is established to obtain the sparse matrix. The target is clustered in the sparse subspace to get the location of the clustering center and realize the target tracking. The result of same video sequence experiment is compared with those of the target tracking experiments for basic particle filtering algorithm and Mean?shift algorithm. The results indicate that the accuracy and robustness of single target tracking algorithm are greatly improved.

Keywords： target tracking； Bayesian filtering； particle filtering； sparse subspace； transition sample； clustering center

0 引 言

目標跟蹤是對視頻中所標記的目標實施狀態估計的過程，通過對時間和空間相對性的判斷，確定跟蹤目標在視頻序列中每一幀的位置和姿態。2013年，文獻[1]提出一種LDSs算法，通過聚類和噪音壓制等處理驗證了該方法的準確性。2013年，文獻[2]提出一種檢測人類行為的新方法，結合稀疏的外觀特征和運動特征捕捉目標在視頻中的微小變化，通過實驗表明算法提高了處理數據的快速性。2015年，文獻[3]提出一種基于顏色和空間信息的多特征融合目標跟蹤算法，通過實驗對目標的平均位置誤差進行判斷，確定提出的算法使得魯棒性提高。2016年，文獻[4]提出LRSP算法，針對目標受光照和姿態變化的影響具有更好的魯棒性。

針對目標跟蹤的魯棒性和準確性，本文提出基于改進粒子濾波的稀疏子空間單目標跟蹤算法，仿照人眼視覺神經系統[5]，將高維空間中數據映射成低維子空間數據，通過對映射后的數據聚類和學習分類，采用粒子濾波實現在線跟蹤目標。在實驗環節，將本文算法與已提出的跟蹤方法進行比較，通過定量和定性分析驗證算法的有效性。

1 粒子濾波器的改進與稀疏子空間表示

1.1 粒子濾波器的改進

針對粒子退化和多樣性匱乏的弊端，本文把粒子集分為三類樣本，即正樣本、負樣本、過渡樣本。三類樣本分布如圖1所示，3個箭頭從上至下依次為正樣本、過渡樣本、負樣本。加入過渡樣本，使得粒子濾波器偏離真實狀態較小的數據保留下來，減少這些數據被丟棄的可能性，進而增加數據的多樣性，使得跟蹤過程中得到的目標更接近真實目標。

對加入過渡樣本的粒子濾波進行實驗驗證，對100個粒子集組成的空間進行粒子跟蹤。圖2中實線為粒子實際運動曲線，虛線為基本粒子濾波運動曲線，點線為加入過渡樣本的粒子濾波運動曲線。由運動曲線圖可知，相對基本粒子濾波，加入過渡樣本的粒子濾波運動曲線對粒子追蹤更加準確。

1.2 粒子的稀疏子空間表示

人類視覺的認知能力很強，其注意機制可以在環境惡劣的條件下對目標實現準確識別與跟蹤。有研究表明[6?7]，人類視覺被生活中的某個物體吸引時，只有神經元中少量的神經元被激活，從而處于活躍狀態，而其他的大部分神經元則處于睡眠狀態沒有被激活。這說明人類視覺在對目標進行觀察時用少量的神經元就可以很好地表示目標。稀疏表示正是由人類視覺系統的工作原理啟發而提出的，并且在模式識別領域得到相當廣泛的應用。

求解稀疏方程的解實際上是一個凸優化的問題，可通過凸松弛算法與貪婪算法計算。在凸松弛算法中，最具代表性的是（Least Absolute Shrinkage and Selection Operator，LASSO）算法[11]，該算法計算量較大。在貪婪算法中，使用較多的是（Orthogonal Matching Pursuit，OMP）算法[12]。由于該算法具有收斂速度快的優點，本文使用該算法對稀疏方程進行求解。

2 實驗設計和結果分析

2.1 實驗設計

具體實驗步驟如下所示：

步驟1：初始化，[t=1]，在目標位置區域提取正樣本，背景區域采樣得到負樣本，在目標區域與背景區域之間采樣得到過渡樣本，將三類樣本構造成目標樣本[Y]；

步驟2：由目標位置樣本數據構造源數據[X]，通過稀疏子空間矩陣[D]的計算可得到與正樣本相同樣本的聚類；

步驟3：將采集得到的聚類粒子作為改進粒子濾波器的輸入，經粒子采樣、加權、估計輸出，重采樣，重復步驟3直到相似度值小于設定閾值。

2.2 實驗結果分析

為驗證本文提出的基于粒子濾波的稀疏子空間單目標跟蹤算法的有效性，實驗設計包括目標尺寸變化和短時間目標遮擋下的目標跟蹤。將本文的跟蹤結果與mean?shift算法和粒子濾波算法進行對比，定性分析跟蹤算法的性能，如圖3，圖4所示。其中，虛線框為本文算法，實線框為粒子濾波算法，點線框為mean?shift算法。

2.2.1 定性分析

實驗1：在圖3surfer視頻序列中，選取人物上半身為跟蹤目標，目標初始位置為[x0=]（277 135 60 120）。主要特點是場景中目標位置發生變化和旋轉并伴有尺度變化，選取視頻1～375幀，在目標運動過程中發生尺度變化，影響目標跟蹤，實驗結果包含視頻幀中的第30，70，200，290幀。

實驗2：在圖4選擇的視頻序列中，選取人的臉部為跟蹤目標，目標初始位置為[x0=]（120 55 75 95）。主要特點是隨著光照發生變化對目標追蹤的影響。選取視頻1～350幀，實驗結果包含視頻幀中的第54，118，246，330幀。根據實驗圖像顯示本文追蹤誤差小。

2.2.2 定量分析

圖5～圖7分別為本文算法、粒子濾波和mean?shift算法跟蹤過程中的穩定曲線。在Matlab中用tic與toc口令計算對同一個視頻序列（為節約時間只計算前350幀）進行跟蹤的時間，圖5用時23.117 2 s，圖6用時24.627 3 s，圖7用時28.764 4 s。根據實驗時間可知，本文算法在時間上得到了提高，由穩定曲線圖分析，本文算法相對穩定。

3 結 論

本文通過實驗驗證改進后的粒子濾波的有效性，將改進的粒子濾波和稀疏子空間理論結合，實現對采樣粒子的預處理，減少后面算法的冗余計算，提出基于改進粒子濾波的稀疏子空間單目標跟蹤算法。最后由實驗結果的定量和定性分析總結可知，本文算法在時間上得到加快，并且對光照變化和尺度變化所帶來影響的魯棒性提高。

參考文獻

[1] WANG H， YUAN C， LUO G， et al. Action recognition using linear dynamic systems [J]. Pattern recognition， 2013， 46（6）： 1710?1718.

[2] YANG S， YUAN C， WANG H， et al. Combining sparse appearance features and dense motion features via random forest for action detection [C]// 2013 IEEE International Conference on Acoustics. [S.l.]： IEEE， 2013： 2415?2419.

[3] 許婉君，侯志強，余旺盛，等.基于顏色和空間信息的多特征融合目標跟蹤算法[J].應用光學，2015，36（5）：755?761.

XU Wanjun， HOU Zhiqiang， YU Wangsheng， et al. Multi feature fusion target tracking algorithm based on color and space information [J]. Applied optics， 2015， 36（5）： 755?761.

[4] 陳蕓，吳飛，荊曉遠，等.魯棒低秩稀疏表示的在線目標跟蹤[J].計算機工程與設計，2016，37（4）：1062?1066.

CHEN Yun， WU Fei， JING Xiaoyuan， et al. Robust low rank sparse representation for online target tracking [J]. Computer engineering and design， 2016， 37（4）： 1062?1066.

[5] 趙二群.視覺神經系統仿生模型及其應用研究[D].長沙：湖南大學，2014.

ZHAO Erqun. Bionic model of visual neural system and its application research [D]. Changsha： Hunan University， 2014.

[6] HINAULT T， DUFAU S， LEMAIRE P. Strategy combination in human cognition： a behavioral and ERP study in arithmetic [J]. Psychonomic bulletin & review， 2015， 22（1）： 190?199.

[7] OLSHAUSEN B A， FIELD D J. Natural image statistics and efficient coding [J]. Network， 2009， 7（2）： 333.

[8] 周小娟，李春曉.基于偏最小二乘分析和稀疏表示的目標跟蹤算法[J].重慶郵電大學學報（自然科學版），2014，26（1）：104?110.

ZHOU Xiaojuan， LI Chunxiao. Target tracking algorithm based on partial least squares analysis and sparse representation [J]. Journal of Chongqing University of Posts and Telecommunications （natural science edition）， 2014， 26（1）： 104?110.

[9] 梁錦錦，吳德.稀疏[L1]范數最小二乘支持向量機[J].計算機工程與設計，2014，35（1）：293?296.

LIANG Jinjin， WU De. Sparse [L1] norm least squares support vector machine [J]. Computer engineering and design， 2014， 35（1）： 293?296.

[10] CHEN Guoxin， CHEN Shengchang， WANG Hanchuang， et al. Sparse reconfiguration of geophysical data based on L0 norm minimization [J]. Applied geophysics， 2013， 10（2）： 181?190.

[11] BAI T， LI Y F. Robust visual tracking with structured sparse representation appearance model [J]. Pattern recognition， 2012， 45（6）： 2390?2404.

[12] TIBSHIRANI R. Regression shrinkage and selection via the Lasso [J]. Journal of the royal statistical society， 2011， 73（3）： 273?282.