黃 鶴,吳 琨,李昕芮,王 珺,王會峰,茹 鋒
(1.長安大學(xué)電子與控制工程學(xué)院,西安710064;2.西安市智慧高速公路信息融合與控制重點(diǎn)實(shí)驗(yàn)室,西安710064)
隨著交通管理智能化[1]的需求與日俱增,車輛跟蹤技術(shù)作為智能交通的重要組成部分受到了國內(nèi)外學(xué)者的關(guān)注。粒子濾波(proticle filter,PF)首次應(yīng)用在跟蹤系統(tǒng)以來,能夠克服遮擋或環(huán)境引起的非線性問題,但在環(huán)境干擾后會產(chǎn)生樣本貧化現(xiàn)象,因此眾多學(xué)者針對特征單一及粒子退化的問題展開了研究。文獻(xiàn)[2]中提出將遺傳算法應(yīng)用于粒子濾波的重采樣階段,能更快地定位目標(biāo)車輛在各種遮擋情況下的真實(shí)位置。文獻(xiàn)[3]中提出了一種基于方向修正的粒子濾波跟蹤算法,通過賦予目標(biāo)運(yùn)動方向相似粒子更大的權(quán)重,增加粒子濾波的穩(wěn)定性,降低粒子消耗。文獻(xiàn)[4]中將邊緣特征和顏色特征自適應(yīng)融合,從而克服了環(huán)境變化對跟蹤目標(biāo)效果的影響,提高了算法的魯棒性。文獻(xiàn)[5]中將對目標(biāo)變化具有較強(qiáng)魯棒性的顏色分布特征以及能代表目標(biāo)結(jié)構(gòu)的KAZE特征相融合,實(shí)現(xiàn)復(fù)雜環(huán)境下的目標(biāo)跟蹤。但這類文獻(xiàn)都是基于重采樣的基本框架,無法從根本上解決粒子退化問題,會導(dǎo)致樣本多樣性損失。
近年來,元啟發(fā)算法[6-7]優(yōu)化粒子濾波成為了新的主流研究方向。例如文獻(xiàn)[8]中將螢火蟲算法與粒子濾波算法相結(jié)合,改善了樣本貧化,并降低了所需粒子的消耗;文獻(xiàn)[9]中通過引入levy飛行策略對蝙蝠算法進(jìn)行改進(jìn),并將其引入至粒子濾波算法中,提高粒子的分布狀態(tài)及其合理性。此外,元啟發(fā)算法也涌現(xiàn)出了一些新算法,Mirjalili[10]于2015年受飛蛾趨光性的啟發(fā),提出了飛蛾撲火優(yōu)化算法(mothflame optimization,MFO),實(shí)現(xiàn)在圖像分割、電力系統(tǒng)等方面的優(yōu)化[11-13],但目前飛蛾撲火算法在車輛跟蹤領(lǐng)域中應(yīng)用的文獻(xiàn)報(bào)道甚少。同時(shí),MFO算法與PF算法在算法結(jié)構(gòu)及更新機(jī)制等方面有諸多互補(bǔ)的地方,因此,用MFO算法中的飛蛾代替PF算法的低權(quán)值粒子并進(jìn)行優(yōu)化可提高算法的性能。但在優(yōu)化過程中,需要對MFO算法的穩(wěn)定性及精度進(jìn)一步提升。
因此,本文中提出了一種基于自適應(yīng)變異更新策略的飛蛾撲火(adaptive mutation moth-flame optimization,AMMFO)優(yōu)化的多特征自適應(yīng)融合粒子濾波器(multi-feature adaptive fusion particle filter,MAFPF),并應(yīng)用在車輛跟蹤過程中進(jìn)行效果驗(yàn)證。自適應(yīng)變異更新策略能夠提升現(xiàn)有MFO算法的尋優(yōu)精度和收斂速度,優(yōu)化后有效降低狀態(tài)預(yù)測所需的樣本粒子數(shù),較徹底地解決粒子退化問題,提高算法的跟蹤性能,在車輛目標(biāo)發(fā)生遮擋、光照、視角和尺度變化等復(fù)雜因素背景下仍然能夠準(zhǔn)確、穩(wěn)定地跟蹤目標(biāo)車輛。
特征融合方法分為兩種:(1)將多個(gè)特征按固定的權(quán)重進(jìn)行融合,這種方式比較簡單,但是跟蹤環(huán)境復(fù)雜多變,若不能根據(jù)場景變換及時(shí)調(diào)整特征權(quán)重,則無法發(fā)揮各自的優(yōu)勢,而且會被一些辨別能力較差的特征干擾,影響跟蹤效果;(2)在跟蹤過程中自適應(yīng)調(diào)整各特征的融合權(quán)重,充分協(xié)調(diào)發(fā)揮特征之間的優(yōu)勢,提高復(fù)雜環(huán)境下目標(biāo)跟蹤的穩(wěn)定性。本文在顏色直方圖特征(hue saturation value,HSV)與局部二值模式特征(local binary patterns,LBP)的基礎(chǔ)上,利用兩者的優(yōu)勢及互補(bǔ)性,設(shè)計(jì)了一種多特征自適應(yīng)融合粒子濾波器。
(1)參數(shù)初始化
初始化粒子數(shù)N,構(gòu)建目標(biāo)狀態(tài)向量X=[x y vx vy Hx Hy ax ay],其中,x、y為跟蹤目標(biāo)的中心坐標(biāo),vx、vy為速度分量,Hx、Hy表示跟蹤目標(biāo)框的長寬,ax、ay為長寬的尺度變化因子。從初始幀圖像中獲得的目標(biāo)區(qū)域中分別提取HSV加權(quán)顏色直方圖和LBP直方圖作為目標(biāo)模板。
(2)狀態(tài)轉(zhuǎn)移模型的選擇
目標(biāo)跟蹤算法通常采用狀態(tài)轉(zhuǎn)移模型來近似目標(biāo)物體的運(yùn)動過程,狀態(tài)模型的選擇對目標(biāo)跟蹤的準(zhǔn)確度有較大的影響。在選取目標(biāo)狀態(tài)模型時(shí),既要考慮到模型對運(yùn)動過程表達(dá)的準(zhǔn)確性,又要考慮到模型的通用性與計(jì)算復(fù)雜度。目標(biāo)連續(xù)兩幀速度可近似為勻速,因此狀態(tài)轉(zhuǎn)移過程的數(shù)學(xué)表達(dá)式為
式中:Xk和Xk-1為當(dāng)前幀與上一幀目標(biāo)的狀態(tài)向量;A、B和C為常量;vk-1在上一幀的目標(biāo)運(yùn)動速度;wk-1為上一幀的過程噪聲。為了更準(zhǔn)確表達(dá)目標(biāo)跟蹤過程,對式(1)中的運(yùn)動速度改進(jìn)如下:
式中表示改進(jìn)后上一幀的運(yùn)動速度,由前3幀目標(biāo)的相對位移dk-i(i=1,2,3)共同決定。
(3)粒子與目標(biāo)模板更新
對初始幀目標(biāo)區(qū)域建立顏色與LBP特征對應(yīng)的目標(biāo)模板,計(jì)算后續(xù)幀里候選區(qū)域的特征直方圖,并進(jìn)行相似性對比,得到各粒子不同特征的權(quán)值,融合后得到粒子更新權(quán)值。同時(shí),目標(biāo)模板也需要針對不同的復(fù)雜環(huán)境進(jìn)行調(diào)整更新。
(4)預(yù)測目標(biāo)位置
根據(jù)狀態(tài)轉(zhuǎn)移模型與觀測模型得到的粒子和對應(yīng)權(quán)值,對目標(biāo)位置進(jìn)行預(yù)測,一般遵循以下兩種準(zhǔn)則:
①最大后驗(yàn)準(zhǔn)則,選擇觀測模型修正后的權(quán)值最大的粒子狀態(tài),作為最終的目標(biāo)估計(jì)狀態(tài);
②最小均方差準(zhǔn)則,通過對粒子與樣本相似性賦予不同的權(quán)值后,對所有粒子的加權(quán)求和得到估計(jì)的目標(biāo)位置。本文中通過最小均方差準(zhǔn)則來確定目標(biāo)位置,具體表達(dá)如下:
(5)重采樣設(shè)計(jì)
粒子濾波目標(biāo)跟蹤算法在狀態(tài)轉(zhuǎn)移的過程中,部分樣本粒子可能會朝著一些錯(cuò)誤的方向移動,出現(xiàn)粒子退化現(xiàn)象。因此,用權(quán)值較大的粒子代替偏離目標(biāo)的權(quán)值較小的粒子,使每個(gè)樣本粒子權(quán)值相等,可以緩解粒子退化。
根據(jù)MFO算法的更新機(jī)制,將其劃分為飛蛾撲火和飛蛾棄焰兩大部分。
(1)飛蛾撲火
根據(jù)飛蛾的趨光性,飛蛾圍繞與其距離最近的火焰做螺旋曲線運(yùn)動(見圖1),運(yùn)動曲線方程為
圖1 飛蛾運(yùn)動軌跡圖
式中:Mi為當(dāng)前更新的飛蛾位置;Fj為Mi圍繞的火焰位置;Di為飛蛾與火焰的歐氏距離;b為調(diào)整曲線的常數(shù)參數(shù);t為[-1,1]之間的隨機(jī)數(shù),決定當(dāng)前更新的飛蛾與其圍繞火焰的遠(yuǎn)近。
(2)飛蛾棄焰
為了保證提升飛蛾搜索最優(yōu)解的效率,火焰會隨迭代次數(shù)逐步減少。
式中:nf為更新后的火焰數(shù)目;N為飛蛾種群總數(shù);l為當(dāng)前迭代次數(shù);T為迭代次數(shù)最大值;round為向上取整函數(shù)。
根據(jù)MFO算法跟蹤精度及速度的缺陷性,提出了一種自適應(yīng)變異更新策略的飛蛾撲火算法AMMFO,實(shí)現(xiàn)過程如下。
(1)自適應(yīng)慣性權(quán)重策略
在MFO算法中,飛蛾的更新只受與其最近的火焰的影響,在迭代后期易陷入局部極值。為了增強(qiáng)飛蛾撲火算法前期的搜索空間范圍并在迭代后期可以跳出局部最優(yōu),提出了一種自適應(yīng)慣性權(quán)重策略。自適應(yīng)慣性權(quán)重p如式(7)所示。
式中:Rfit為本次迭代中飛蛾適應(yīng)度從大到小排序的變量。
p伴隨迭代次數(shù)的增大逐步趨向于1。引入自適應(yīng)慣性權(quán)重后的飛蛾撲火更新策略如下:
在飛蛾更新中,根據(jù)適應(yīng)度排序,飛蛾會圍繞對應(yīng)的火焰運(yùn)動,而排序低于火焰數(shù)量的飛蛾只會圍繞最后的火焰做螺旋曲線運(yùn)動,導(dǎo)致適應(yīng)度較差的飛蛾無法跳出局部最優(yōu)。自適應(yīng)慣性權(quán)重的引用給火焰增加波動值,增大了飛蛾的搜索空間,加快前期的尋優(yōu)速度,增加后期的尋優(yōu)精度。有效提升了算法的搜索性能。
(2)變異更新策略
在飛蛾撲火算法中,飛蛾的更新受火焰的引導(dǎo),若火焰陷入局部最優(yōu)會導(dǎo)致算法難以跳出局部極值。為了改善飛蛾更新方式的局限性,并受人工蜂群算法的啟發(fā),提出了一種飛蛾隨機(jī)變異與螺旋曲線交替更新的策略。
隨機(jī)變異如下:
式中:Mij為第i只飛蛾的第j維度;Fkj為第k團(tuán)火焰的第j維度,k∈{1,2,…,nf};r、rand為[0,1]之間的隨機(jī)數(shù),通過r的變化調(diào)整隨機(jī)變異策略中飛蛾與火焰的距離,rand決定飛蛾的更新方式。當(dāng)rand<0.5時(shí),采用自適應(yīng)螺旋曲線更新飛蛾位置,否則采用隨機(jī)變異策略更新飛蛾位置。
由式(5)可看出,螺旋曲線式更新更側(cè)重探索火焰周圍的最優(yōu)值,而式(9)更側(cè)重全局最優(yōu)值的開發(fā)。因此,變異更新策略的提出改變了MFO的搜索模式,綜合了其探索與開發(fā)能力,增大了搜索范圍,使得MFO更快速精確地搜索到最優(yōu)解。
PF算法在跟蹤目標(biāo)時(shí)會出現(xiàn)粒子退化現(xiàn)象,但若在PF中采用重采樣的方法,舍棄權(quán)值較小的粒子并保留權(quán)值大的粒子,會降低粒子的多樣性,并會導(dǎo)致目標(biāo)的估計(jì)結(jié)果與實(shí)際值相差較大,速率變慢。因此,本文中將AMMFO與MAFPF相結(jié)合,提出了一種多特征自適應(yīng)變異飛蛾撲火優(yōu)化粒子濾波的車輛跟蹤算法,用AMMFO代替重采樣優(yōu)化MAFPF,可以有效地解決粒子退化問題,提升車輛跟蹤算法的運(yùn)行效率,增強(qiáng)在遮擋、陰影等環(huán)境下車輛跟蹤的穩(wěn)定性。本文算法過程如下。
(1)為了合理優(yōu)化低權(quán)值粒子,提出一種自適應(yīng)分層閾值,將樣本粒子分為高權(quán)值粒子與低權(quán)值粒子,自適應(yīng)分層閾值如下:
式中:fB為樣本粒子通過高低排序的粒子權(quán)值;h1為取值在[0,1]內(nèi)的常數(shù),調(diào)整高低層的劃分。通過計(jì)算出的閾值TFC將高于該閾值的歸為高權(quán)值粒子,其余歸為低權(quán)值粒子。
(2)利用AMMFO優(yōu)化低權(quán)值粒子的分布,避免粒子過于集中,合理的分布在最優(yōu)值的周圍。并在優(yōu)化過程中設(shè)計(jì)一種新的適應(yīng)度函數(shù),利用最新的觀測信息決定飛蛾的適應(yīng)度,如式(11)所示。
式中:R為觀測信息的噪聲方差;Znew為最新觀測信息;為粒子預(yù)測的觀測信息。
(3)設(shè)置AMMFO的迭代終止條件
AMMFO在優(yōu)化低權(quán)值粒子向高似然區(qū)運(yùn)動的過程中,若優(yōu)化過多會導(dǎo)致粒子過于聚集,喪失了粒子的多樣性。因此,為了保證粒子在最優(yōu)值附近合理的分布,AMMFO優(yōu)化低權(quán)值粒子的終止條件由兩方面決定:終止閾值及最大迭代次數(shù)。終止閾值如式(12)所示。
式中:TTZ為終止閾值;h2為(0,1)范圍內(nèi)的調(diào)節(jié)系數(shù)。在尋優(yōu)過程中,若各粒子權(quán)值都大于TTZ時(shí)則停止優(yōu)化,否則在達(dá)到最大迭代次數(shù)時(shí)終止尋優(yōu)。多特征自適應(yīng)變異飛蛾撲火優(yōu)化粒子濾波的車輛跟蹤算法流程圖如圖2所示。
圖2 AIMFO算法流程
(1)車輛跟蹤實(shí)驗(yàn)設(shè)置
為驗(yàn)證AMMFO算法是否能有效提高M(jìn)AFPF車輛跟蹤算法在復(fù)雜跟蹤情景下的精確度與穩(wěn)定性,將未優(yōu)化的MAFPF算法、自適應(yīng)權(quán)重粒子群優(yōu)化的粒子濾波算法(adaptive weight particle swarm optimization,AWPSO)[14]與本文算法進(jìn)行了實(shí)驗(yàn)對比。為了保持實(shí)驗(yàn)的一致性,實(shí)驗(yàn)設(shè)定將文獻(xiàn)[14]中基于顏色特征的粒子濾波跟蹤算法替換為特征自適應(yīng)融合粒子濾波車輛跟蹤算法,再進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)需要在保證本算法實(shí)時(shí)性的同時(shí),實(shí)現(xiàn)跟蹤精度的提升。設(shè)粒子數(shù)N=20,學(xué)習(xí)因子c1=c2=2,慣性權(quán)值w隨個(gè)體適應(yīng)度值自適應(yīng)地改變,其中最大值為ws=0.9,最小值為we=0.4。
為了驗(yàn)證復(fù)雜環(huán)境下的車輛跟蹤性能,采用UAV123數(shù)據(jù)集中的car10視頻序列。該視頻序列共1 405幀,其中包含了無人機(jī)拍攝車輛視角變化、尺度變化、遮擋、陰影等多種復(fù)雜場景的300幀作為實(shí)驗(yàn)視頻序列。通過選取關(guān)鍵幀做定性分析,并定量分析車輛跟蹤的穩(wěn)定性、準(zhǔn)確性與速度。實(shí)驗(yàn)平臺的CPU為Intel(R)Core(TM)i7-9750H@2.60 GHz,內(nèi) 存16 GB,軟件環(huán)境為Matlab 2018b。
(2)定性分析
視頻序列的圖像大小為1280×721,無人機(jī)拍攝視頻中車輛在行駛過程中始終伴隨著樹木陰影遮擋,并在行駛過程中存在其它相似車輛干擾及遮擋,在后續(xù)幀中車輛出現(xiàn)尺度及拍攝角度的變化場景較為復(fù)雜。本實(shí)驗(yàn)中選取關(guān)鍵幀45幀、114幀、218幀、288幀進(jìn)行3種算法的定性分析,結(jié)果如圖3所示。由實(shí)驗(yàn)可以看出,在45幀、114幀跟蹤車輛受到相似車輛干擾及無人機(jī)拍攝角度變化時(shí),MAFPF算法和AWPSO優(yōu)化后的MAFPF車輛跟蹤算法出現(xiàn)了不同程度的跟蹤框漂移。其中,MAFPF算法在114幀跟蹤漂移較為劇烈,在218幀車輛尺度發(fā)生變化時(shí)跟蹤較為穩(wěn)定但尺度不匹配;同時(shí)AWPSO優(yōu)化后的MAFPF車輛跟蹤算法穩(wěn)定性較差,跟蹤框出現(xiàn)向上漂移現(xiàn)象;在288幀目標(biāo)車輛受白車遮擋時(shí),上述兩種算法均出現(xiàn)較低程度的跟蹤精度不足的問題。而本文算法在以上各個(gè)關(guān)鍵幀中跟蹤效果較好且跟蹤穩(wěn)定。通過定性分析可知,本文算法能夠適用于復(fù)雜的目標(biāo)跟蹤場景。
圖3 實(shí)驗(yàn)結(jié)果
(3)定量分析
通過各幀的中心位置誤差、重疊率定量分析算法跟蹤車輛的穩(wěn)定性(見圖4),列表分析平均中心位置誤差A(yù)E(向下取整)、平均重疊率AO及運(yùn)行速度RV等指標(biāo)(見表1)。
圖4 視頻序列的位置誤差及重疊率
表1 視頻序列的客觀評價(jià)表
由圖4的定量分析結(jié)果可以看出,跟蹤初期目標(biāo)車輛無背景干擾時(shí),3種算法的中心誤差與重疊率雖有差異,但都可以穩(wěn)定跟蹤目標(biāo)。視頻序列在第40幀左右無人機(jī)拍攝角度及跟蹤目標(biāo)尺度開始變化,3種算法都有不同程度的跟蹤框漂移,其中以MAFPF算法漂移最為劇烈,短時(shí)間內(nèi)難以重新精確跟蹤目標(biāo),中心位置誤差及重疊率指標(biāo)較差。AWPSO、AMMFO優(yōu)化的MAFPF車輛跟蹤算法產(chǎn)生跟蹤波動后迅速回到正常水平,而AMMFO優(yōu)化的MAFPF車輛跟蹤算法精度更高,跟蹤更為準(zhǔn)確,目標(biāo)跟蹤框的重疊率更大。在280幀左右車輛受到遮擋,AMMFO優(yōu)化的MAFPF車輛跟蹤算法相比于另外兩種算法波動較小,且能迅速繼續(xù)精確跟蹤,這與定性分析相一致。從表1可以看出,在粒子數(shù)N等于20的情況下,本文算法相對于MAFPF算法和AWPSO優(yōu)化后的MAFPF跟蹤算法,平均中心誤差分別降低了6個(gè)像素和1個(gè)像素,平均重疊率分別提升了20.49%和4.39%。此外,AMMFO算法設(shè)定了終止閾值,在優(yōu)化粒子狀態(tài)空間分布從而增加樣本多樣性的同時(shí),避免了復(fù)雜性算法的增加。通過對比算法的運(yùn)行速度可知,MAFPF算法的運(yùn)行幀數(shù)為27幀∕s,AWPSO優(yōu)化的MAFPF算法由于其復(fù)雜性運(yùn)行幀數(shù)只有11幀∕s,而本文算法達(dá)到了62幀∕s,在保證跟蹤穩(wěn)定性及精度的同時(shí),大幅提升了運(yùn)行速度,滿足了實(shí)時(shí)性的要求。因此,綜合定量與定性分析來看,本文算法的跟蹤性能更優(yōu)。
本文中針對樣本貧化的現(xiàn)象,從粒子在空間分布的特性出發(fā),提出了一種AMMFO優(yōu)化的MAFPF車輛跟蹤算法。首先,利用隨機(jī)變異策略及自適應(yīng)慣性權(quán)重改善MFO算法的尋優(yōu)速度,擴(kuò)大飛蛾的搜索空間,使其更快地定位到全局最優(yōu)值。其次,針對MFO算法的樣本貧化問題,提出了一種自適應(yīng)分層閾值策略,利用AMMFO算法優(yōu)化代替重采樣,優(yōu)化低權(quán)值層的樣本粒子,改善樣本的多樣性,有效避免了樣本貧化的發(fā)生。定性與定量分析結(jié)果表明,AMMFO優(yōu)化后的MAFPF車輛跟蹤算法在遮擋、陰影、尺度與角度變化、相似車輛干擾等復(fù)雜環(huán)境下能夠穩(wěn)定精確的跟蹤目標(biāo)車輛,跟蹤速度也有大幅提升。