李志國，顧 鑫，祝樹生，王小輝，劉百奇

(中國運載火箭技術研究院研究發(fā)展中心，北京100076)

1 引言

目標跟蹤是自動駕駛、視頻監(jiān)控、模式識別、機器人視覺跟蹤及導彈末制導［1］等領域內的一個重要研究課題。在實際的工程應用中，為解決場景快速變化及突發(fā)性干擾影響而導致跟蹤失敗的問題，目標的顏色、紋理、邊緣等具有不同鑒別能力的多種特征被融合利用［2］。但是，在多種特征融合過程中，對不同特征確定性的度量成為一個比較麻煩的問題。一個好的度量方法能夠使各種目標特征的度量方便和簡潔，便于多種特征的融合和統(tǒng)一處理，甚至能夠根據(jù)不同的場景實現(xiàn)多種特征的自適應加權調整，達到優(yōu)化跟蹤算法的目的。本文提出了一種自適應的特征確定性度量，并在粒子濾波的框架下采用加性特征融合［3］的方法實現(xiàn)了跟蹤算法的優(yōu)化。

2 特征確定性

近年來出現(xiàn)的各種多特征融合粒子濾波算法的主要區(qū)別是特征的提取及融合的策略不同。Brichfield等人提出了顏色和梯度特征的融合跟蹤算法，實現(xiàn)了對人的頭部運動的跟蹤［4］。在該算法中，兩個特征在融合結果中的貢獻相等，即采用了固定的特征加權值。該算法在某些背景變化較大的場景下，跟蹤效果急劇惡化，甚至出現(xiàn)目標跟丟的情況。

為實現(xiàn)特征融合過程中各特征加權值的自適應調整，需要確定一種對各種目標特征進行統(tǒng)一描述的方法，通過該方法定義一個統(tǒng)計量，實現(xiàn)對目標特征的統(tǒng)一度量，并以此作為算法中特征加權值的表示和自適應調整依據(jù)。

通過研究多個特征融合算法，發(fā)現(xiàn)在目標的特征識別能力變弱(即特征似然函數(shù)尖銳程度小)或粒子空間分布分散(即位置估計的方差小)時，跟蹤效果快速變差。由此對目標的特征識別能力和粒子空間分布情況進行綜合分析，以確定特征的確定性度量方法。

將目標單個特征的跟蹤過程作為一個假想的粒子濾波過程。對應特征的粒子經(jīng)預測后進行更新，此時，特征的觀測概率值在其對應的粒子上分布情況發(fā)生變化。同時，更新后的粒子空間分布也將發(fā)生改變。根據(jù)分布的不同，可以分為以下幾種情況，如圖1所示。

圖1 粒子濾波過程中的四種情況Fig.1 The diagrammatic sketch of four case in process of particle filter

圖1 (a)中，粒子位置的空間分布很分散，并且經(jīng)過加權求和后，跟蹤目標的位置估計值方差也較大。特征的觀測概率值在粒子上的分布比較均勻，似然概率分布較為平緩，識別能力較弱，可以認為該特征的確定性最低;

圖1(b)中，粒子位置的空間分布很分散，并且經(jīng)過加權求和后，跟蹤目標的位置估計值方差也較大。特征的觀測概率值只集中在比較少的個別粒子上，因此特征的似然概率分布比較尖銳，識別能力較好，可以認為該特征的確定性較圖1(a)高;

圖1(c)中，粒子位置的空間分布很集中，并且經(jīng)過加權求和后，跟蹤目標的位置估計值方差也較小。特征的觀測概率值在粒子上的分布比較均勻，似然概率分布較為平緩，識別能力不是很強，可以認為該特征的確定性較圖1(a)高;

圖1(d)中，粒子位置的空間分布很集中，并且經(jīng)過加權求和后，跟蹤目標的位置估計值方差也較小。特征的觀測概率值只集中在比較少的個別粒子上，因此特征的似然概率分布比較尖銳，識別能力較強，可以認為該特征的確定性最高。

通過以上4種情況的分析，可以定義如下的特征確定性度量:

其中，p(zj|xl)為第j個目標特征在第l個粒子下的觀測概率。H(pjt)越大，該目標特征下在粒子上的觀測概率分布越均勻。

3 特征融合及算法實現(xiàn)

本文選取廣泛使用的顏色和邊緣兩個特征來表征目標，采用加性融合方法來實現(xiàn)對目標的跟蹤，特征的權值通過確定性度量來自適應調整。對顏色特征的表示，采用文獻［5］中顏色直方圖的方法。對邊緣特征的表示，采用文獻［6］中基于圖像灰度信息的加權梯度方向直方圖的方法。融合策略采用文獻［3］中的方式，其觀測概率值可表示為:其中，λj為第j個目標特征的觀測概率加權值，并且有通過對式(1)定義的目標特征的確定性做歸一化處理，并作為該特征的加權值引入到式(3)中，實現(xiàn)自適應加權的特征融合。

算法具體實現(xiàn)步驟如下:

a)確定初始值:根據(jù)目標的初始狀態(tài)值x0，計算顏色特征和邊緣特征的直方圖h10和h20;

b)狀態(tài)預測:依據(jù)xt=Axt－1+W，計算下一幀狀態(tài)的預測值xt;

c)計算兩種特征下的觀測概率值p(z1|xt，l)和p(z2|xt，l)，根據(jù)式(2)計算觀測概率熵H(p1t)和

d)對目標顏色和目標邊緣特征下的粒子進行重采樣，計算M個粒子的位置方差;

e)由式(3)計算兩個特征融合后的觀測概率p(z1，z2|x)，由式(1)計算顏色和邊緣的確定性值，并進行歸一化處理;

f)更新:依據(jù)融合之后的似然概率計算粒子權值wt，l=wt－1，lp(zt|xt，l);

h)重采樣檢查:判斷粒子的權值，檢查是否需要重采樣。如果需要，則重采樣M次，并設定粒子權值均為1/M，否則不做任何處理;

i)轉向b)繼續(xù)處理。

4 試驗與結果

本文選取一段公共視頻集作為數(shù)據(jù)源進行算法驗證和跟蹤效果對比，跟蹤對象為道路上行進的汽車，如圖2所示。比較對象分別為單一顏色特征跟蹤結果(圖2(a))和固定權值特征融合跟蹤結果(圖2(b)，歸一化后的權值設為0.5)。

圖像尺寸為320×240，粒子數(shù)目設定為100。本文三種算法均在Intel Core(TM)i7 CPU 2.93 GHz，4 G運行內存的計算機上用Matlab R2010a編程實現(xiàn)。

下面對各算法的跟蹤效果進行分析。算法驗證選取的視頻序列跟蹤的難點是目標所處的背景存在樹枝等較強邊緣信息的干擾，目標不斷的進出有樹蔭的陰影區(qū)，導致其顏色特征變化較大。

對單一顏色特征跟蹤，當目標進入有樹蔭遮擋的陰影區(qū)時，其所處環(huán)境的光照發(fā)生了較大變化，在第206幀顏色跟蹤的位置和目標實際所處的位置相差很大。當目標出陰影區(qū)后再次進入有樹蔭遮擋的區(qū)域時(第346幀)，顏色跟蹤完全失效了。

對固定權值為0.5的多特征融合跟蹤，由于背景中較強邊緣信息的干擾，同時特征融合的過程中并沒有根據(jù)外部環(huán)境的變化自適應的調整邊緣特征在觀測概率中所占的權重，導致最終跟蹤失效(第246幀)。

圖2 試驗結果Fig.2 Result of the experiment

對本文提出的基于特征確定性的跟蹤，在外部場景變化較大和背景中存在干擾的情況下，跟蹤效果都比較理想，沒有出現(xiàn)跟蹤失效的情況，如圖2(c)所示。

表1是試驗結果的比較，在復雜光照和背景情況下，單一特征對目標的跟蹤結果較差，固定權值的加權特征融合跟蹤對外部環(huán)境變化情況適應性較差，本文的跟蹤算法在跟蹤過程中根據(jù)外部環(huán)境的變化，通過實時計算特征確定性，自適應的調整特征加權值，實現(xiàn)了不同特征對跟蹤結果貢獻量的實時調整。試驗的結果可實現(xiàn)對目標的全程跟蹤。

表1 試驗結果比較Tab.1 Comparasion of experimental results

5 結論

本文針對傳統(tǒng)的多特征加性融合算法中各目標特征加權值固定不變，不能適應場景變化及外部干擾的問題，提出了一種基于特征確定性的跟蹤算法，該算法充分利用了粒子空間分布和粒子觀測概率信息，實現(xiàn)了特征加權值的自適應調整，提高了跟蹤的穩(wěn)定性及精度。該算法可應用于場景監(jiān)控、自主導航及多模目標探測等領域。

［1］ LI Shaojun，LI Liren，LIU Zhongling，et al．Terminal guidance target tracking based on region covariance matrix［J］．Laser＆Infrared，2010，40(3):330－333．(in Chinese)李少軍，李立仁，劉忠領，等．基于區(qū)域協(xié)方差矩陣的末制導目標跟蹤［J］．激光與紅外，2010，40(3):330－333．

［2］ GU Xin，WANG Hua，LI Zhe，et al．Particle filter target tracking based on integral covariance matrix［J］．Laser＆Infrared，2014，44(12):1384－1386．(in Chinese)顧鑫，王華，李喆，等．基于積分協(xié)方差矩陣的粒子濾波目 標 跟 蹤［J］．激 光 與 紅 外，2014，44(12):1384－1386．

［3］ Wang X，Tang Z M．Modified particle filter-based infrared pedestrian tracking［J］．Infrared Physics and Technology，2010，53(4):280－287．

［4］ Birchfield S．Elliptical head tracking using intensity gradients and color histograms［C］//Proceedings of the IEEEComputer Society Conference on Computer Vision and Pattern Recognition．Santa Barbara，USA:IEEE，1998．232－237．

［5］ HOU Zhiqiang，HAN Chongzhao．A survey of visual tracking［J］．Acta Automatica Sinica，2006，32(4):603－617．(in Chinese)侯志強，韓崇昭．視覺跟蹤技術綜述［J］．自動化學報，2006，32(4):603－617．

［6］ Dalal N，Triggs B．Histograms of oriented gradients for human detection［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition．San Diego，USA:IEEE，2005．886－893．