基于多特征的粒子滤波跟踪算法.docVIP

基于多特征的粒子滤波跟踪算法 　　摘 要：为解决基于颜色直方图的粒子滤波跟踪算法容易受到相似背景干扰，提出了一种方法，即通过高斯模型检测目标并提取出粒子窗口内轮廓，把轮廓的成对几何直方图特征和颜色直方图这两个特征相结合融合到粒子滤波跟踪框架中，有效的抑制背景相似干扰。实验结果证明，基于颜色直方图单一特征的粒子滤波跟踪算法相比，本算法是稳定和有效的。 　　关键词：轮廓；粒子滤波；PGH 　　中图分类号：TP311.52 　　在目前计算机视觉领域，目标跟踪是一个大家关注的课题，其广泛应用于视频监控、国防建设、国民经济等方面。不受非线性、非高斯问题限制的粒子滤波成为目标跟踪的重要方法之一[1]。当背景颜色与目标特征颜色相近时，跟踪窗口定位会出现偏差甚至失败。为了更好的跟踪与背景相似的目标，提出了将高斯模型检测出粒子窗口内头肩几何轮廓特征和颜色特征融合，利用二阶自回归模型对跟踪窗口预测。实验证明，该算法对目标区域与背景相近的情况有良好的适应性。 　　1 粒子滤波算法 　　粒子滤波（Particle Filter）又称贝叶斯滤波或蒙特卡罗滤波[2]。它用一些离散随机采样点来近似系统随机变量的概率密度函数，以样本均值代替积分运算，从而获得状态最小方差估计。这些采样点又称为粒子。 　　在算法中用{xi0：k，wik}Ni=1表示一个服从后验概率密度分布p（x0：k|z0：k）随机样本集合。粒子xi0：k，i=1，…，N}的权值分别是{wik，i=1，…，N}，并且满足ΣNi=1wik=1，其中xi0：k为系统状态量，z0：k为观测量，N表示粒子数量，k表示第k时刻。 　　用有限的样本近似任意状态的后验概率密度。k时刻的后验概率密度近似为： 　　（1）p（x0：k|z1：k）≈ （其中，δ（·）为Kronecker delta函数） 　　由序列重要性采样原理得出权值的迭代公式： 　　（2） = 　　其中p（zk|xik）表示系统状态由xk-1转移到xk后和观测值之间的相似度，由上式得： 　　（3）wik=wik-1 p（zk|xik） 　　2 改进的粒子滤波跟踪算法 　　作为目标跟踪的特征很多，如颜色、纹理、边缘等[3]。由于HSV颜色模型符合人类的视觉感知，所以采用HSV色彩空间模型。在HSV颜色模型上，对H、S、V三个分量8*8*8均等划分，建立目标区域的颜色直方图。假设目标模板区域的颜色直方图{p0（u）}u=1，…，m，其中m为直方图的段数。如下： 　　（4）p0（u）=kΣNi=1δ[f（xi）-u] 　　上式中，k为归一化常数，N为目标区域像素总个数，u为直方图段数索引值，f（xi）是索引函数，表示像素xi所在直方图段数的序号，δ（·）为Kronecker delta函数。 　　如果粒子的颜色直方图为{p（u）}u=1，…，m，两个直方图的相似性，这里采用Bhattacharyya系数[4]来反映匹配程度。它们的Bhattacharyya距离如下： 　　（5） = （其中， = ） 　　式中ρ[p0，p]表示Bhattacharyya系数。ρ[p0，p]的范围在0～1之间。 　　尽管颜色特征在目标跟踪研究领域有很多优点，但在有颜色相似的背景干扰的时候，传统的基于颜色这个单一特征的粒子滤波会出现跟踪偏差甚至跟丢目标。为了改进目标跟踪的可靠性和鲁棒性，添加轮廓特征，这两个特征组成联合特征来优化粒子滤波，实现稳定跟踪。 　　使用高斯模型构造背景模型[5]，对当前帧完成高斯模型的更新后得到一个二值图像，在连通标记后，由于人在运动过程中，头部和肩部的轮廓变化较小，所以可计算人的头肩轮廓的PGH。 　　假设目标模板区域的头肩轮廓的成对几何直方图{q0（u）}u=1，…，n。各个粒子窗口内的成对几何直方图为{q（u）}，u=1，…，n。 　　两个直方图的相似度，采用以下这个公式计算： 　　（6）dcontour=1-ΣNi=1min（q（u）-q0（u）） 　　所以定义判断目标特征匹配的相似度为d=αdccolor+βdcontour，其中，α+β=1。 　　k时刻，给定状态xk粒子权值表示为： 　　（7）ω=w（zk|xik）∝exp（-λ·d） 　　在视频的每一帧中，被跟踪的目标的状态用下式描述： 　　（8）x=（x0，y0，x，y，w，h） 　　其中：（x0，y0）表示目标模板的初始中心坐标，（x，y）表示当前目标的中心坐标，（w，h）表示初始目标窗口的长和宽。 　　目标的系统状态模型采用二阶自回归模型描述，具体如下： 　　（9）xt=Axt-2+Bxt-1+Cvt 　　其中：xt-1、xt-2分别表示t-1时刻和t-2时刻目标的系统状态，xt表示t时刻预测状态。