劉 劍 郭文博 李凌燕 許帥宏

(沈陽(yáng)建筑大學(xué)信息與控制工程學(xué)院 遼寧 沈陽(yáng) 110168)

一種基于多樣性優(yōu)化的視頻目標(biāo)跟蹤方法

劉 劍 郭文博 李凌燕 許帥宏

(沈陽(yáng)建筑大學(xué)信息與控制工程學(xué)院 遼寧 沈陽(yáng) 110168)

針對(duì)粒子濾波算法在視頻目標(biāo)跟蹤過程中出現(xiàn)的粒子退化問題，提出一種新的基于多樣性優(yōu)化的粒子濾波跟蹤算法。融入基于萊維飛行機(jī)制的布谷鳥搜索優(yōu)化算法，擴(kuò)大了搜索范圍，充分保留了有效粒子的數(shù)量和粒子的多樣性。在MATLAB 7.0運(yùn)行環(huán)境下進(jìn)行仿真實(shí)驗(yàn)，將該算法與原始粒子濾波算法及基于粒子群優(yōu)化的粒子濾波改進(jìn)算法進(jìn)行狀態(tài)估計(jì)實(shí)驗(yàn)對(duì)比以及運(yùn)動(dòng)目標(biāo)跟蹤實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)結(jié)果表明：該算法具有良好的運(yùn)行效果，改善了粒子退化與匱乏現(xiàn)象，對(duì)視頻運(yùn)動(dòng)目標(biāo)可獲得較理想的跟蹤精度及良好實(shí)時(shí)性和魯棒性。

粒子濾波 粒子退化 運(yùn)動(dòng)目標(biāo)跟蹤 粒子多樣性優(yōu)化

0 引 言

運(yùn)動(dòng)目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中重要研究方向之一，運(yùn)動(dòng)目標(biāo)的跟蹤就是在視頻圖像的每一幅圖像中確定出感興趣的運(yùn)動(dòng)目標(biāo)的位置，并把不同幀中同一目標(biāo)對(duì)應(yīng)聯(lián)系起來。粒子濾波算法[2]利用粒子集來表示概率，通過從后驗(yàn)概率中抽取的隨機(jī)狀態(tài)粒子來表達(dá)其分布，本質(zhì)是一種基于貝葉斯推理[3]和蒙特卡洛方法的一種統(tǒng)計(jì)濾波方法，是一種順序采樣法，可以用在任何形式的狀態(tài)空間模型上。隨著視頻運(yùn)動(dòng)目標(biāo)跟蹤研究的熱門化，對(duì)運(yùn)動(dòng)目標(biāo)跟蹤的要求也變得復(fù)雜化，不僅僅是跟蹤到目標(biāo)，對(duì)跟蹤的質(zhì)量以及準(zhǔn)確性有著更高的要求。

原始的粒子濾波算法在實(shí)現(xiàn)過程中會(huì)出現(xiàn)粒子退化與匱乏的現(xiàn)象，對(duì)視頻運(yùn)動(dòng)目標(biāo)的跟蹤精度也會(huì)由此而逐漸下降，嚴(yán)重影響了運(yùn)動(dòng)目標(biāo)的跟蹤效果。常用的優(yōu)化算法有遺傳算法、螢火蟲算法[4]和粒子群算法等。但是它們各有缺點(diǎn)，效果不佳。針對(duì)傳統(tǒng)粒子濾波所出現(xiàn)的粒子退化與匱乏問題，研究了一種新的基于多樣性優(yōu)化的粒子濾波的視頻運(yùn)動(dòng)目標(biāo)跟蹤方法。

1 融入萊維飛行機(jī)制的布谷鳥搜索優(yōu)化算法

在自然界中，一些動(dòng)物總是以一種隨機(jī)或擬隨機(jī)的方式進(jìn)行覓食。動(dòng)物的覓食路徑實(shí)際上屬于一種空間隨機(jī)漫步的行為，其步長(zhǎng)服從于冪率分布[5]。并且該動(dòng)物接下來的狀態(tài)以及行動(dòng)是由該動(dòng)物的當(dāng)前位置以及狀態(tài)轉(zhuǎn)移概率所決定的，這種覓食行為被科學(xué)家們稱為“萊維飛行”。1996年，Viswanathan等人發(fā)現(xiàn)了信天翁在覓食過程中，其飛行距離間隔服從于冪率分布，并由此發(fā)表了一系列相關(guān)論文。同時(shí)也引發(fā)了眾多學(xué)者對(duì)生態(tài)學(xué)的研究[6-7]，如Reynolds等人對(duì)蜜蜂和果蠅的覓食行為研究以及馴鹿和眾多浮游微生物等覓食行為均符合萊維飛行機(jī)制。將其融入智能優(yōu)化算法中，不但能擴(kuò)大算法的搜索范圍，增加了種群的多樣性，同時(shí)還能夠解決某些優(yōu)化算法陷入局部最優(yōu)的問題。

布谷鳥搜索優(yōu)化CS是由Yang等人在2009年提出的一種元啟發(fā)式優(yōu)化算法[8-9]。該算法融入了布谷鳥的繁殖策略思想，并引入了其他種群普遍具有的隨機(jī)飛行行為，即萊維飛行機(jī)制。布谷鳥算法的仿生思想是：將自己所產(chǎn)的卵寄居在與自己食性、身體顏色、形狀都相似的宿主巢內(nèi)，從而在一定程度上保留了自己卵的存活幾率。如若被宿主發(fā)現(xiàn)，宿主或?qū)⒉脊萨B所產(chǎn)的卵“丟棄”，或舍棄鳥巢重建新窩。因此，布谷鳥所寄居卵的的存活概率高低往往是由其寄居宿主巢的優(yōu)劣所決定[10-11]。

布谷鳥搜索算法充分體現(xiàn)了物種自然選擇的優(yōu)化機(jī)制，該算法主要遵循三個(gè)原則：

(1) 每一個(gè)布谷鳥一次僅可產(chǎn)一顆卵，并將其寄宿在隨機(jī)選擇的宿主巢中。

(2) 若所寄居巢的宿主與布谷鳥的習(xí)性具有高相似性，那么布谷鳥的卵具有高存活率，并產(chǎn)生布谷鳥的下一代。

(3) 宿主巢的數(shù)量是固定的，設(shè)宿主發(fā)現(xiàn)布谷鳥所寄宿的卵的發(fā)現(xiàn)概率為pa∈(0,1)，若此情況發(fā)生時(shí)，宿主或?qū)⒉脊萨B的卵扔出，或舍棄該巢重建新巢。

設(shè)原宿主巢內(nèi)的卵代表一個(gè)解，布谷鳥隨機(jī)寄宿的卵則為一個(gè)新的解。該算法最終的優(yōu)化目標(biāo)則是通過選取布谷鳥寄宿在巢內(nèi)的最好的卵來代替原巢內(nèi)的卵，進(jìn)而產(chǎn)生一個(gè)新的最優(yōu)解。為了充分地實(shí)施上述三個(gè)原則，該算法的數(shù)學(xué)模型建立如下：

(1) 應(yīng)用萊維飛行機(jī)制表達(dá)宿主巢更新算式為：

(1)

Levy(λ)～v=t-λ1≤λ≤3

(2)

因此，引入了萊維飛行機(jī)制，充分加快了算法的搜索速度，同時(shí)也確保避免解陷入局部最優(yōu)。

(2) 通過宿主的發(fā)現(xiàn)概率以及與布谷鳥與種群的相似程度來更新宿主巢的位置：

(3)

其中，xj、xk為兩個(gè)隨機(jī)選擇的不同的解，H(..)為Heaviside函數(shù)，ε表示搜索精度，并服從于均勻分布，s表示步長(zhǎng)。

CS算法的優(yōu)化過程如下：

Step1 初始時(shí)，布谷鳥隨機(jī)選擇一定數(shù)量的宿主巢并產(chǎn)卵，并評(píng)估這些宿主巢且保留當(dāng)前最好的巢從而使得下一代得以存活；

Step2 根據(jù)式(1)或式(2)來更新巢的位置；

Step3 優(yōu)勝劣汰機(jī)制：布谷鳥所產(chǎn)的卵若被宿主發(fā)現(xiàn)(發(fā)現(xiàn)概率為pa)，宿主則丟棄布谷鳥所產(chǎn)下的卵或者丟棄鳥巢重建新巢；

Step4 對(duì)所有的宿主巢進(jìn)行評(píng)估，獲得當(dāng)前最佳的宿主巢所在位置，若該位置優(yōu)于初始時(shí)的最佳位置，則進(jìn)行替換；

Step5 若當(dāng)前的搜索精度大于所設(shè)定的最大搜索次數(shù)T,則輸出最優(yōu)值；反之,則重復(fù)Step2 ，繼續(xù)下一代的搜索。

2 基于布谷鳥算法的多樣性優(yōu)化的粒子濾波跟蹤算法

系統(tǒng)目標(biāo)狀態(tài)估計(jì)的精準(zhǔn)度與粒子數(shù)量的選擇有著密切直接的關(guān)系。隨機(jī)抽取的粒子數(shù)量越多，系統(tǒng)的后驗(yàn)概率密度分布估計(jì)就越準(zhǔn)確。但選擇過多的粒子進(jìn)行狀態(tài)的估計(jì)不僅會(huì)無(wú)限增加算法的計(jì)算復(fù)雜度，且在很大程度上降低了算法的實(shí)時(shí)性，同時(shí)還會(huì)將算法陷入局部最優(yōu)。而在基于粒子多樣性優(yōu)化的粒子濾波算法中融入了布谷鳥搜索優(yōu)化，在布谷鳥搜索過程中僅選擇少量的最優(yōu)粒子即可，從而縮小了算法計(jì)算的復(fù)雜難度。

該算法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)跟蹤的基本思路是：由每一個(gè)粒子表示一個(gè)宿主巢，并執(zhí)行巢的位置更新的萊維飛行機(jī)制，最后集合所有的巢并選擇出一個(gè)最優(yōu)的宿主巢來完成狀態(tài)輸出，從而對(duì)跟蹤性能進(jìn)行優(yōu)化來實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。且粒子濾波器在新的測(cè)量值到來后，通過遞推方式來對(duì)權(quán)值進(jìn)行更新[12]。算法的運(yùn)動(dòng)目標(biāo)跟蹤步驟如下：

Step2 根據(jù)式(1)、式(2)建立系統(tǒng)狀態(tài)模型；

Step3 序列重要性采樣、權(quán)值更新：由系統(tǒng)的先驗(yàn)概率分布和當(dāng)前觀測(cè)值，建立粒子的顏色分布直方圖，并通過與目標(biāo)模板進(jìn)行匹配，通過式(4)更新每個(gè)粒子的權(quán)值：

(4)

Step4 重采樣判定：計(jì)算當(dāng)前有效粒子個(gè)數(shù)：

(5)

根據(jù)Ne≤NT判定原則，判斷是否需要重采樣，若滿足判定原則則進(jìn)行下一步,否則返回Step2；

Step5 布谷鳥搜索優(yōu)化選擇。把當(dāng)前的粒子看作布谷鳥算法中的宿主的“巢”Fi={x1,x2,…,xN}，宿主的發(fā)現(xiàn)概率為pa，步長(zhǎng)α，搜索精度ε，搜索最大次數(shù)為S；布谷鳥通過式(2)萊維飛行機(jī)制隨機(jī)選擇一個(gè)巢使布谷鳥產(chǎn)卵Fj，并隨機(jī)與相鄰的任意一個(gè)巢中的卵Fk進(jìn)行比較，當(dāng)Fj>Fk時(shí)，則布谷鳥產(chǎn)的卵將替代原先的卵而被保留，即被選的這個(gè)巢為最佳的巢而保留下來；當(dāng)布谷鳥的卵被宿主發(fā)現(xiàn)(概率為pa)，該巢則被視為劣巢而被舍棄，并通過式(1)、式(3)建立新的宿主巢；最后對(duì)所有的巢進(jìn)行評(píng)估，選出最優(yōu)的巢的位置，即最優(yōu)的目標(biāo)狀態(tài)估計(jì)；

Step6 若當(dāng)前搜索次數(shù)大于最大搜索次數(shù)S，則輸出最優(yōu)結(jié)果；反之返回Step2。

基于多樣性優(yōu)化的粒子濾波跟蹤實(shí)現(xiàn)流程如圖1所示。

圖1 基于多樣性優(yōu)化的粒子濾波跟蹤實(shí)現(xiàn)

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證基于多樣性優(yōu)化的粒子濾波算法在解決目標(biāo)跟蹤時(shí)粒子退化與匱乏問題的有效性，通過MATLAB7.0的仿真環(huán)境，在一維非穩(wěn)態(tài)、非線性的環(huán)境下，將基于多樣優(yōu)化的粒子濾波算法分別與原始粒子濾波算法以及當(dāng)前較為先進(jìn)的基于粒子群優(yōu)化的粒子濾波改進(jìn)算法進(jìn)行目標(biāo)狀態(tài)估計(jì)實(shí)驗(yàn)與視頻運(yùn)動(dòng)目標(biāo)跟蹤對(duì)比實(shí)驗(yàn)，分析其在實(shí)際的運(yùn)動(dòng)目標(biāo)跟蹤中的跟蹤性能。

3.1 狀態(tài)估計(jì)實(shí)驗(yàn)

將本文所提出的算法與原始的粒子濾波算法以及基于粒子群優(yōu)化的改進(jìn)粒子濾波算法(PSO-PF)[13]進(jìn)行目標(biāo)狀態(tài)估計(jì)結(jié)果的比較。

設(shè)k時(shí)刻下目標(biāo)模型的狀態(tài)轉(zhuǎn)移模型如下：

(6)

系統(tǒng)的觀測(cè)模型為：

(7)

其中ωk、vk屬于高斯白噪聲，且設(shè)定ωk～N(0,10)，vk～N(0,1)；最初的目標(biāo)狀態(tài)值為x1=1，系統(tǒng)目標(biāo)狀態(tài)的先驗(yàn)概率分布p(x0∶k|z1∶k)～N(0,2)，隨機(jī)抽取粒子的數(shù)量為N=500，由于目標(biāo)模型為虛擬模型，沒有明確的時(shí)間單位，本實(shí)驗(yàn)設(shè)定時(shí)刻k的取值范圍為1～50。

目標(biāo)狀態(tài)估計(jì)仿真比較結(jié)果如圖2-圖4所示。

圖2 傳統(tǒng)粒子濾波算法狀態(tài)估計(jì)圖

圖3 PSO-Particle Filter算法狀態(tài)估計(jì)圖

圖4 基于多樣性優(yōu)化的粒子濾波的狀態(tài)估計(jì)圖

由于實(shí)驗(yàn)設(shè)定了50個(gè)時(shí)刻k值，從而每個(gè)算法在本次實(shí)驗(yàn)中共進(jìn)行了50次的狀態(tài)估計(jì)?？梢钥闯?，采用粒子濾波(PF)進(jìn)行狀態(tài)估計(jì)時(shí)，估計(jì)的狀態(tài)與真實(shí)狀態(tài)之間存在著很大的誤差；而粒子群優(yōu)化的粒子濾波算法(PSO-PF) 的目標(biāo)狀態(tài)的估計(jì)雖較粒子濾波有了一定程度的改進(jìn)，但與本文提出的算法相比，仍存在較大的誤差，因而本文提出的算法對(duì)目標(biāo)的狀態(tài)估計(jì)更能夠接近于真實(shí)的狀態(tài)分布。

對(duì)本實(shí)驗(yàn)中的三種算法進(jìn)行對(duì)比分析, 表1說明了運(yùn)行時(shí)間及均方根誤差比較情況。

表1 算法運(yùn)行時(shí)間及均方根誤差值

由表1可以看出，本文算法相對(duì)于PF算法和PSO-PF算法，在目標(biāo)狀態(tài)估計(jì)時(shí)能夠產(chǎn)生較小的誤差，算法運(yùn)行時(shí)間適中，失誤率小，有著更精準(zhǔn)的狀態(tài)估測(cè)率和良好的實(shí)時(shí)性。

3.2 視頻運(yùn)動(dòng)目標(biāo)跟蹤實(shí)驗(yàn)

3.2.1 單目標(biāo)運(yùn)動(dòng)物體視頻目標(biāo)跟蹤

運(yùn)動(dòng)目標(biāo)跟蹤實(shí)驗(yàn)的視頻選取從CVDatasets人體行為數(shù)據(jù)庫(kù)中截取視頻，通過MATLAB7.0仿真工具所截取到的部分視頻幀如圖5所示。

圖5 單移動(dòng)目標(biāo)部分視頻序列圖像

對(duì)所截取50幀視頻序列圖像實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的跟蹤。設(shè)定初始采集跟蹤粒子的數(shù)量為N=500。分別對(duì)基于多樣性優(yōu)化的粒子濾波算法以及粒子濾波算法和基于粒子群優(yōu)化的改進(jìn)粒子濾波算法對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤結(jié)果進(jìn)行對(duì)比，部分跟蹤結(jié)果如圖6所示。

圖6 單移動(dòng)目標(biāo)視頻運(yùn)動(dòng)目標(biāo)跟蹤比較結(jié)果

由圖6所示的視頻運(yùn)動(dòng)目標(biāo)跟蹤的比較結(jié)果可知，黑色框代表的是粒子濾波算法的跟蹤情況，白色框代表的是基于粒子群優(yōu)化的粒子濾波算法的跟蹤情況，灰色框則表示本文算法的目標(biāo)跟蹤情況。實(shí)驗(yàn)表明：本文所提出的算法在目標(biāo)的跟蹤性能及跟蹤精度上較粒子濾波算法有著較大程度的改進(jìn)與提高。

按照本實(shí)驗(yàn)的系統(tǒng)模型參數(shù)設(shè)置，在運(yùn)動(dòng)目標(biāo)跟蹤過程中，針對(duì)粒子數(shù)量的退化程度進(jìn)行仿真實(shí)驗(yàn)，如圖7所示。其中(a)為粒子濾波算法在各個(gè)狀態(tài)下所剩余粒子的數(shù)量；(b)所示為基于粒子群優(yōu)化的改進(jìn)粒子濾波算法在各個(gè)狀態(tài)下剩余粒子的數(shù)量；(c)所示為基于多樣性優(yōu)化的粒子濾波算法在各個(gè)狀態(tài)下的有效粒子數(shù)量。

圖7 目標(biāo)狀態(tài)估計(jì)時(shí)不同算法產(chǎn)生的有效粒子數(shù)量

由圖7可以看出，采用粒子濾波算法進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤時(shí)粒子退化的現(xiàn)象明顯。在目標(biāo)狀態(tài)估計(jì)的許多情況下，粒子的數(shù)量少于200，粒子退化程度明顯，有效粒子數(shù)量不能持續(xù)地保持在一個(gè)相對(duì)穩(wěn)定的狀態(tài)下，使得算法在跟蹤過程中時(shí)而失效，不能很好地估測(cè)出真實(shí)的目標(biāo)狀態(tài)，從而不能進(jìn)行精準(zhǔn)的跟蹤。而基于粒子群優(yōu)化的改進(jìn)粒子濾波算法在粒子有效數(shù)量上雖較原始粒子濾波算法有所增加，有效粒子數(shù)量基本保持在200～400之間，但與本文提出的算法對(duì)比仍存在一定的差距?；诙鄻有詢?yōu)化的粒子濾波算法的有效粒子數(shù)量在多數(shù)狀態(tài)下幾乎趨近于初始粒子數(shù)量，有效粒子數(shù)量的變化相對(duì)呈一個(gè)穩(wěn)定的狀態(tài)。由此可見，本文提出的基于多樣性優(yōu)化的粒子濾波算法能夠更好地保持著粒子的數(shù)量，同時(shí)充分地保留了粒子的多樣性，更有效地對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)更精準(zhǔn)的跟蹤。

表2是各個(gè)算法的時(shí)間效率的比較?？梢钥闯觯疚乃惴ㄔ趯?duì)單目標(biāo)跟蹤的幾幀中處理時(shí)間較粒子濾波算法和基于粒子群優(yōu)化的改進(jìn)粒子濾波算法都短。這樣與單一的粒子濾波相比，可節(jié)省大量時(shí)間。

表2 單目標(biāo)跟蹤各算法運(yùn)行時(shí)間 ms

3.2.2 多目標(biāo)運(yùn)動(dòng)物體視頻目標(biāo)跟蹤

為了驗(yàn)證本文算法的優(yōu)越性，還需在視頻中對(duì)多目標(biāo)運(yùn)動(dòng)物體進(jìn)行跟蹤。本視頻是在實(shí)驗(yàn)室環(huán)境下拍攝的。通過MATLAB 7.0仿真工具所截取到的部分視頻幀如圖8所示。

圖8 多目標(biāo)移動(dòng)部分視頻序列圖像

從中選取200幀圖像序列實(shí)現(xiàn)對(duì)多目標(biāo)運(yùn)動(dòng)物體的跟蹤。設(shè)定初始采集跟蹤粒子的數(shù)量為N=800。分別對(duì)基于多樣性優(yōu)化的粒子濾波算法以及粒子濾波算法和基于粒子群優(yōu)化的改進(jìn)粒子濾波算法對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤結(jié)果進(jìn)行對(duì)比，部分跟蹤結(jié)果如圖9所示。

圖9 多目標(biāo)移動(dòng)視頻運(yùn)動(dòng)目標(biāo)跟蹤比較結(jié)果

黑色框代表的是粒子濾波算法的跟蹤情況，白色框代表的是基于粒子群優(yōu)化的粒子濾波算法的跟蹤情況，灰色框則表示本文算法的目標(biāo)跟蹤情況。實(shí)驗(yàn)表明：本文所提出的算法能夠?qū)崿F(xiàn)對(duì)多目標(biāo)的跟蹤，并且同樣具有較高的跟蹤精度。

表3是多目標(biāo)跟蹤時(shí)各個(gè)算法的時(shí)間效率的比較?？梢钥闯?，本文算法在對(duì)多目標(biāo)跟蹤的幾幀中處理時(shí)間較粒子濾波算法和基于粒子群優(yōu)化的改進(jìn)粒子濾波算法都短。但是與跟蹤單目標(biāo)相比，三種算法運(yùn)行時(shí)間都較長(zhǎng)。

表3 多目標(biāo)跟蹤各算法運(yùn)行時(shí)間 ms

4 結(jié) 語(yǔ)

針對(duì)視頻監(jiān)控中的移動(dòng)目標(biāo)跟蹤問題，本文提出了一種基于布谷鳥算法的多樣性優(yōu)化的粒子濾波跟蹤算法。通過與傳統(tǒng)PF算法以及PSO-PF算法在目標(biāo)的狀態(tài)估計(jì)、運(yùn)行時(shí)間以及產(chǎn)生的均方根誤差比較得出，本文所提出的算法進(jìn)行狀態(tài)估計(jì)更能夠接近目標(biāo)的真實(shí)狀態(tài)，有著較高的狀態(tài)估測(cè)效率，在較小誤差下，保留了粒子的多樣性以及粒子樣本數(shù)量；同時(shí)具有實(shí)時(shí)性和對(duì)運(yùn)動(dòng)目標(biāo)實(shí)現(xiàn)較完整跟蹤，并具有良好的跟蹤精準(zhǔn)度。

[1] 陳遠(yuǎn)祥，林慶.視頻圖像運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)的研究[D].江蘇大學(xué),2010.

[2] 王法勝,魯明羽,趙清杰,等.粒子濾波算法[J].計(jì)算機(jī)學(xué)報(bào)，2014,37(8):1679-1694.

[3] Prakash J,Gopaluni R B,Patwardhan S C,et al.Nonlinear Bayesian state estimation:Review and recent trends[C]//Proceedings of 2011 15thIEEE International Conference on Advanced Control of Industrial Process,2011:450-455.

[4] 劉長(zhǎng)平,葉春明.一種新穎的仿生群智能優(yōu)化算法：螢火蟲算法[J].計(jì)算機(jī)應(yīng)用研究,2011，28(9):3295-3297.

[5] Reible D,Mohanty S.A levy flight—random walk model for bioturbation[J].Environmental Toxicology and Chemistry,2002,21(4):875-881.

[6] Barthelemy P,Bertolotti J,Wiersma D S.A Lévy flight for light[J]. Nature,2008,453(7194):495-498.

[7] Senthilnath J,Das V，Omkar S N,et al.Clustering Using Levy Flight Cuckoo Search[C]//Proceedings of Seventh International Conference on Bio-Inspired Computing :Theories and Applications,2012:65-75.

[8] Mohamad A,Zain A M,Bazin N E N, et al.Cuckoo Search Algorithm for Optimization Problems-A Literature Review [J].Applied Mechanics and Materials,2013,421:502-506.

[9] Panigrahi B K,Suganthan P N,Das.Swarm,Evolutionary,and Memetic Computing[M].Springer International Publishing,2011:515-526.

[10] 宋玉堅(jiān),葉春明,黃佐钘.多資源均衡優(yōu)化的布谷鳥算法[J].計(jì)算機(jī)應(yīng)用,2014,34(1):189-193.

[11] Yang X S. Cuckoo Search and Firefly Algorithm[M]. Springer International Publishing,2014:49-62.

[12] 王國(guó)良,劉金國(guó).基于粒子濾波的多自由度運(yùn)動(dòng)目標(biāo)跟蹤[J].光學(xué)精密工程,2011,19(4):864-869.

[13] Bagheri A, Peyhani H M, Akbari M.Financial forecasting using ANFIS networks with Quantum-behaved Particle Swarm Optimization[J].Expert Systems with Applications,2014,41(14):6235-6250.

A VIDEO TARGET TRACKING METHOD BASED ON DIVERSITY OPTIMISATION

Liu Jian Guo Wenbo Li Lingyan Xu Shuaihong

(FacultyofInformationandControlEngineering,ShenyangJianzhuUniversity,Shenyang110168,Liaoning,China)

Aiming at the particle degradation problem of particle filter algorithm happening in the process of video target tracking, a new particle filter tracking algorithm is proposed based on diversity optimisation, integrated into cuckoo search optimisation algorithm based on levy flight mechanism. The algorithm expands the search scope as well as fully retains the amount of effective particles and the diversity of particles. Under the environment of MATLAB 7.0 operation, the simulation experiment is conducted, comparing the proposed algorithm with original particle filter algorithm and the improved particle filtering algorithm based on particle swarm optimisation by state estimation experiment and moving target tracking experiment. The results of the experiment show that the proposed algorithm operates well, improving the phenomenon of particle degradation and deficiency, and obtains high tracking accuracy, good real-time performance and robustness for video moving targets.

Particle filter Particle degeneracy Moving target tracking Particle diversity optimisation

2015-07-23。國(guó)家自然科學(xué)基金項(xiàng)目(61272253)；遼寧省科學(xué)技術(shù)研究項(xiàng)目(2014231001)；遼寧省教育廳科學(xué)研究項(xiàng)目(L2015443)。劉劍，教授，主研領(lǐng)域：視覺圖像識(shí)別，智能控制，電梯優(yōu)化調(diào)度等。郭文博，碩士生。李凌燕，碩士生。許帥宏，碩士生。

TP391

A

10.3969/j.issn.1000-386x.2017.01.025