紅霞，司金龍，宋起超，于浩洋，韓 晶，張 鵬，秦 杰

(黑龍江工程學院 電氣與信息工程學院，黑龍江 哈爾濱 150050)

均值漂移優(yōu)化的粒子濾波目標跟蹤方法初

紅霞，司金龍，宋起超，于浩洋，韓 晶，張 鵬，秦 杰

(黑龍江工程學院 電氣與信息工程學院，黑龍江 哈爾濱 150050)

為了實現(xiàn)粒子集的有效傳播，克服粒子濾波跟蹤時的退化問題，提出尺度和方向自適應的均值移動優(yōu)化粒子濾波目標跟蹤算法。用改進的均值移動作為一種優(yōu)化機制對粒子進行傳播，使粒子能夠有效分散和聚類，有效解決退化問題。最后將該方法應用到真實圖像序列中，實驗表明算法在性能和效率上有明顯提高。

均值移動；粒子濾波；自適應；跟蹤

粒子濾波是一種有發(fā)展前景而且被廣泛采用的視覺跟蹤方法。但在粒子的傳播過程中，由于粒子的過度發(fā)散或集中都會導致退化現(xiàn)象的發(fā)生，因此，需要粒子集的有效傳播來減少退化現(xiàn)象的發(fā)生。研究人員利用粒子濾波的開放跟蹤框架體系，找到與它的結(jié)合點，即在這種框架下引入各種方法與跟蹤技術(shù)實現(xiàn)粒子集的有效傳播。

作為跟蹤的主流方法之一，均值移動算法在目標跟蹤中的最大優(yōu)點是計算量很少，而且能實現(xiàn)對粒子的傳播，很適用于實時跟蹤系統(tǒng)?；诖?，研究人員提出了將均值移動和粒子濾波算法相結(jié)合來解決此類問題，提高算法整體的實時性。幾種混合粒子濾波器/均值移動跟蹤方法已經(jīng)被提出，Maggio等[1]在每次Condensation迭代中使用均值移動跟蹤將粒子向評價函數(shù)的局部極大值處移動。算法顯示了比凝聚算法和核均值移動更多的優(yōu)勢，但還有一些缺限。如果凝聚趨向于一個不正確的局部最大值，均值移動將加速這一過程。

通過對文獻[2-5]中粒子濾波算法的深入分析還發(fā)現(xiàn)，算法重點在于能同時使粒子交替分散和聚類，提供某種程度的平衡，在減少粒子集的同時，避免粒子退化和采樣貧瘠。本文使用尺度和方向自適應的均值移動算法(SOAMST)[6]聚類粒子集，最終完成粒子的有效傳播，有效地處理了目標遮擋和尺寸變化情況下的跟蹤問題。

1 系統(tǒng)狀態(tài)模型

應用零階自適應模型學習描述目標狀態(tài)的變化。此模型在前k幀計算平均狀態(tài)速度，即為

因此，狀態(tài)轉(zhuǎn)移模型定義為

Xt=Xt-1+Ctvt.

(1)

式中：Ct∝Ek[ΔX]，vt為零均值高斯白噪聲。粒子集通過這個簡單的常速模型傳播。

2 系統(tǒng)顏色特征觀測模型

為了獲得目標候選狀態(tài)的顏色似然函數(shù)，需要將候選空間直方圖和參考直方圖相比較。將空間直方圖看作加權(quán)高斯混合(每個空間直方圖的子空間作為權(quán)值ni的高斯分布)N(μi,∑i)，Bhattacharyya系數(shù)推導為

(2)

dc(hx,href)=(1-ρ)1/2.

(3)

假定平方距離是指數(shù)分布，則顏色似然模型為

(4)

3 均值漂移優(yōu)化的粒子濾波目標跟蹤算法

圖1給出均值移動優(yōu)化粒子濾波目標跟蹤算法的流程。下面將給出均值移動優(yōu)化的粒子濾波目標跟蹤算法實現(xiàn)步驟：

1)使用式(1)采樣粒子。

2)用尺度和方向自適應變化的均值移動算法(SOAMST)[7]對粒子進行傳播，即對每個粒子進行優(yōu)化直到所有的粒子都到達一個穩(wěn)定的位置。

(5)

3)權(quán)值更新。根據(jù)系統(tǒng)觀測模型中粒子的似然性確定權(quán)值。

(6)

4)模板更新。為了適應光照和遮擋等外部因素的影響，算法在跟蹤過程中自適應對模板進行更新。假設當前模板為P，預測位置的直方圖為Q，則當兩者之間的Bhattachayya距離小于某個給定閾值T時，才對模板Q進行更新，否則認為外部點影響比較大，不進行更新。

圖1 均值移動優(yōu)化粒子濾波目標跟蹤算法的流程

Qnew=(1-η)×Q+η×P，

式中：η為調(diào)整參數(shù)。

5)計算后驗概率，得到目標狀態(tài)，即

4 實驗結(jié)果和分析

實驗重點有兩個方面的內(nèi)容:一是粒子濾波和均值移動優(yōu)化粒子濾波算法在目標跟蹤中的效果對比。兩種算法在背景單一且沒有尺度變化和遮擋時的跟蹤效果不容易區(qū)分，主要考查在目標有背景遮擋、尺度變化和有相似背景情況下算法的不同表現(xiàn)；二是討論兩種算法在跟蹤同一目標算法執(zhí)行時間的對比,實驗中采用的特征提取方法及參數(shù)設置如下：

在目標區(qū)域RGB空間顏色直方圖以N=N1N2N3=10×10×10個子空間計算，σc=5.5。目標狀態(tài)X=(x,y,w,h)，其中(x,y)為目標的位置，(w,h)為目標區(qū)域的寬、高。

4.1 遮擋視頻的實驗結(jié)果及其分析

當視頻中有運動遮擋物發(fā)生時，跟蹤算法在跟蹤精度上會急劇下降。為了驗證所提出算法對各種復雜場景條件視頻的跟蹤精度的提高，首先用來源于http://www.cse.psu.edu/～rcollins/CSE598G的有嚴重遮擋情況下航拍的車輛運動視頻進行了測試。所用視頻中車輛在行駛過程中不時受到樹木或樹蔭的大部分或幾乎全部遮擋，樹木的高矮和樹蔭的大小也在不斷變化，有時只有車輛的極小部分區(qū)域在圖像序列中顯示。圖像序列中每幀圖像大小為640×480像素，共有450幀。

圖2和圖3給出了采用文獻[3]中的粒子濾波器和本文改進方法跟蹤關(guān)鍵幀的跟蹤結(jié)果。從跟蹤結(jié)果能夠看出，所提出的算法對于這種嚴重遮擋的視頻仍能精確定位目標，而文獻[3]中的粒子濾波器則會發(fā)生較大偏差。盡管粒子濾波器可以通過使用較多粒子的隨機分布來預測目標狀態(tài)，但當遮擋發(fā)生時，只有很少的粒子能被分布在未被遮擋部分，這些粒子具有較大的權(quán)值，而遮擋部分的粒子權(quán)值則較小，因此，對目標狀態(tài)的估計則主要由那些權(quán)值較大的粒子決定，此時粒子出現(xiàn)退化現(xiàn)象，最終造成跟蹤的偏差，從圖中還可以看出，遮擋發(fā)生時粒子濾波算法不能連續(xù)地跟蹤目標，即在跟蹤過程中當遮擋發(fā)生后，不能很好地定位目標，瞬間或間斷幀內(nèi)丟失目標。而應用均值移動算法對每一個粒子進行優(yōu)化傳播，使每一個粒子都能以自適應尺度和方向移動到鄰域內(nèi)的最大值點，更接近目標真實分布，實現(xiàn)連續(xù)定位，同時算法采用了自適應更新模板策略，遮擋結(jié)束后能恢復正確的跟蹤，最終得到目標的準確位置，從而實現(xiàn)精確跟蹤。結(jié)果表明，改進的算法在受到嚴重遮擋的影響下依然能穩(wěn)定準確地跟蹤到目標，保持了粒子濾波本身高魯棒性和抗遮擋能力強的特點。

圖2 退火粒子濾波跟蹤結(jié)果

圖3 本文改進粒子濾波跟蹤結(jié)果

4.2 尺度變化視頻的實驗結(jié)果及其分析

采用來源于文獻[8]的motinas_emilio_webcam_turning序列，從第1幀到110幀中被跟蹤的頭部有一個明顯的尺度變化過程，目標從遠離攝像機的位置向攝像機走來，逐漸變大。圖4(a)采用文獻[3]中的粒子濾波器的跟蹤結(jié)果。其中：所采用的粒子數(shù)為500個，可以看出這時的粒子濾波器不能對目標位置進行很好地估計，當目標尺度變化時，預測的目標位置偏離了目標。分析其原因是由于目標狀態(tài)向量包含4個變量，在采用退火粒子濾波方法進行目標狀態(tài)估計時，每個粒子的狀態(tài)在四維空間變換。如果想要得到對目標狀態(tài)很好的估計，必須使用大量的粒子。本文即使將粒子數(shù)增加到500個，從圖中也可以看出，這時目標的跟蹤精度比少于500個粒子時會有所提高，如圖4(a)第2幅圖表明粒子能較好地近似目標狀態(tài)。然而在其后的各幀中，盡管采用較多的粒子數(shù)目，仍產(chǎn)生了偏差和跟蹤瞬間丟失現(xiàn)象。這是由退火粒子濾波器的跟蹤原理決定的，目標不僅存在著位置的變化，而且存在尺度和方向的變化，使得目標狀態(tài)搜索空間增大，很難通過采用大量粒子來估計目標狀態(tài)。

圖4(b)給出了采用本文方法的跟蹤結(jié)果。與采用退火粒子濾波器的跟蹤方法相比，本文提出的方法中，只使用100個粒子，由于均值移動算法對粒子濾波器的傳播過程的優(yōu)化作用，能夠自適應地預測目標的大小和位置，使跟蹤窗口能隨著目標尺度的大小變化作出相應調(diào)整，縮小目標搜索區(qū)域。因此，僅需要較少的粒子來預測目標的大致區(qū)域，大大提高了算法的實時性。

圖4 兩種算法的跟蹤比較

為了驗證算法的執(zhí)行效率，圖5給出兩種算法在跟蹤實驗中執(zhí)行時間的對比。由圖5可知，均值移動優(yōu)化粒子濾波算法在實際跟蹤中平均執(zhí)行時間為15.456 5 ms。退火粒子濾波跟蹤算法在粒子數(shù)為500個的條件下平均執(zhí)行時間為84.564 0 ms，算法平均執(zhí)行時間接近粒子濾波算法的1/5?？梢钥闯觯疚乃惴ㄖ恍栌?00個粒子就能有好的跟蹤效果，算法的實時性有很大提高。當尺度驟變時，退火粒子濾波器用來描述目標狀態(tài)的粒子急劇增多或減少，這時候經(jīng)動態(tài)模型傳播后粒子的可變參數(shù)，如方向、速度、尺度等隨之突變，因此，算法瞬時計算粒子分布的運算量增加，圖5中時間曲線可以看到出現(xiàn)了幾處較高的峰值。而改進的算法由于在動態(tài)模型傳播后使用均值移動算法對每個粒子做聚集作用，有效抑制由于尺度驟變帶來的計算量急劇增大的影響。因此，圖5中算法運算時間幾乎沒有出現(xiàn)較高的峰值，而且穩(wěn)定性更好。

圖5 兩種算法關(guān)鍵幀執(zhí)行時間比較

5 結(jié)束語

本文提出了均值移動優(yōu)化的粒子濾波跟蹤方法。該算法通過使用尺度和方向自適應的均值移動算法對粒子進行了有效的傳播，有效解決了粒子的退化問題，增強了粒子濾波跟蹤的抗干擾能力和跟蹤精度。

[1]E. Maggio,A. Cavallaro,Hybrid particle filter and Mean Shift tracker with adaptive transition model[J]. Proc. Int. Conf. Acoustics,Speech,and Signal Processing，2005.

[2]朱明清，王智靈，陳宗海，等.基于灰色預測模型和粒子濾波的視覺目標跟蹤算法[J].控制與決策，2012，(27)1：53-57.

[3]BLACKE DEUTSCHER,REID I. Articulated body motion capture by annealed particle filtering[J]. Proc. IEEE Conf. Computer Vision Pattern Recognition,2000.

[4]KHAN Z H,GU I Y. Robust visual object tracking using multi-mode anisotropic mean shift and particle filters[J]. IEEE Transactions on Circuits and Systems for Video Technology.2011,(21)1,74-87.

[5]KOICHIRO D,OKI K,TAKAYUKI O. Object tracking by the mean-shift of regional color distribution combined with the particle-filter algorithm[J]. In: Proc 17th Internat. Conf. on Pattern Recognition,2004,vol. 3,506-509P.

[6]NING J,ZHANG L,ZHANG D,et al. Scale and Orientation Adaptive Mean Shift Tracking[M]. in IET Computer Vision. 2010,1-23P .

[7]BIRCHFIELD S T,RANGARAJAN S. Spatiograms Versus Histograms for Region-Based Tracking[J]. Proc. CVPR,June 2005,1158-1163P.

[8]王亞東，雷國華，安波，等.一種仿人足球機器人視覺系統(tǒng)環(huán)境特征獲取與識別方法[J].黑龍江工程學院學報：自然科學版，2013，27(2)：68-71.

[責任編輯：郝麗英]

Particle filter target tracking method optimized by mean shift

CHU Hong-xia,SI Jin-long,SONG Qi-chao,YU Hao-yang，HAN Jing,ZHANG Peng,QIN Jie

(College of Electrical and Information Engineering,Heilongjiang Institute of Technology,Harbin 150050,China)

In order to achieve the effective dissemination of the particle set and overcome the degradation of particle filter tracking,a particle filter target tracking algorithm optimalized by Scale and Orientation Adaptive Mean Shift is proposed. Considering improved mean shift as an optimization mechanism of particle propagation,the particles can be effectively dispersed and clustering,so the degradation problems can be effectively solved. Finally,this method is applied to the real image sequences. Experiments show that the performance and efficiency of the algorithm are significantly better.

mean shift;partilce filter;adaptive;tracking

2014-05-23

哈爾濱市科技局科技創(chuàng)新人才研究專項資金項目(RC2014QN009012);黑龍江省教育廳科學技術(shù)研究項目(12531528);黑龍江工程學院大學生創(chuàng)新訓練項目(201311802100);黑龍江工程學院博士科學研究基金資助項目(2012BJ20)

初紅霞(1976-),女,講師,博士,研究方向：模式識別，計算機視覺.

TP391

A

1671-4679(2014)05-0035-04