基于李群正态分的粒子滤波算法的视频目标跟踪.docVIP

基于李群正态分布的粒子滤波算法的视频目标跟踪 1、李群上的流形粒子滤波 1.1将射影变换表示为李群 1.2状态模型 1.3观测模型 1.4加权粒子的黎曼均值 2、基于李群正态分布的重要性函数选取 2.1 SL 3,R 的黎曼均值和协方差矩阵算法 2.2李群正态分布 3、基于李群正态分布的粒子滤波算法 、 本文设计了 5组仿真实验，在李群粒子滤波算法中，六个李群仿射参数的标准差设定为 0.05 ,0.02,0.1 ,0.02 ,5 ,5 ,在协方差估计中取值为0.96。在每一组实验中分别给出了不同跟踪算法的结果比较。再通过跟踪时间、算法误差、有效粒子数等一系列衡量指标进行比较,充分说明了本文提出的李群流形粒子滤波算法在各种复杂情况下，能够实现稳定跟踪。 实验一 魔方在视频中由远到近移动和发生旋转。以下记李群粒子滤波跟踪器为，欧式空间粒子滤波跟踪器为FPF。图2中左边为ZPF的跟踪结果，右边为VPF的跟踪结果。第127帧和第264帧视频目标发生旋转和大小形变的情况下，VPF红色框丢失了准确性。这是因为FPF算法是将参数空间作为一个整体,不能全面地观测到可靠的粒子估计。而左边的LPF算法跟踪精确,因为结合了参数空间的几何形变,将之前连续变化帧之间的参数建立了李群空间结构,提高了算法的跟踪精度和鲁棒性。 图2 魔方大小及姿态变化时跟踪结果比较 实验二 汽车发生遮挡的视频目标序列，如图3所示,当汽车运动到树丛中发生遮挡时，对发生遮挡的对象只能执行预测操作，维持原有的假设状态，而采用状态转移作为重要性函数的李群粒子滤波算法可以保持很好的跟踪鲁棒性。当汽车发生遮挡后VPF算法对跟踪目标发生了一定的偏移，而LPF平算法依然能够对汽车目标进行准确的定位。 图3 汽车发生遮挡时跟踪结果比较 表1 LPF和VPF跟踪器性能比较 算法 N Err. Time LPF 200 5.6268 0.2038 LPF 600 5.0332 0.620 VPF 200 30.3762 0.4193 VPF 600 14.8350 1.247 为了进一步说明李群流形上粒子滤波跟踪器的优越性，表1给出了两种跟踪器的跟踪误差和时间比较。其中N表示粒子数，分别取200和600，Err.表示均值误差，Time表示平均每帧匹配时间，单位为秒。由表1可知，当N 200时，VPF的均值误差是LPF的六倍。然而，随着选取粒子数的增多，当N 600时，LPF的平均每帧匹配时间比VPF慢一倍。实验结果表明，相比于欧式空间的粒子滤波跟踪器，基于李群的粒子滤波跟踪器的跟踪精度有了较大幅度的提局，同时跟踪的实时性也有所改善。 实验三 图4表示对光线发生变化的“玩具1 ”进行跟踪，左边为李群最优重要性函数跟踪器的跟踪结果，右边为状态转移密度跟踪器的跟踪结果。当“玩具1”移动到第611帧时，照度突然变暗，左边的跟踪器仍然可以实现精确跟踪，而右边的跟踪器则丢失了目标。结果表明，状态转移密度跟踪器的灵敏性比较低，而李群最优重要性函数跟踪器在所有矩形框内对跟踪对象都十分敏锐。 图4 目标光照发生变化时跟踪结果比较 实验四 针对拍摄镜头不停的运动而且速率很快，类似于视频序列中目标发生剧烈运动。通过光滑运动假设的状态转移模型是很难正确预测笔筒的运动。因为力学模型还假定光滑的运动时间间隔之间无穷小，因此需要选取李群正态分布作为重要性函数。跟踪结果如图5所示，对于“笔筒”序列，原本准确的状态转换密度跟踪是退化的，特别是当对象在第211帧和第300帧快速运动，左边李群正态分布的黄色跟踪框相当准确。 图5 拍摄镜头快速移动时跟踪结果比较 实验五 为了进一步论证目标运动状态剧烈情况下的李群正态分布重要性函数追踪器的优越性，图6为跟踪突然加速运动的“玩具2”，结果表明，李群最优重要性函数跟踪器在所有矩形框内对跟踪对象都十分敏锐。第209帧中玩具2运动状态发生突然变化时，使用最优重要性函数还能跟踪对象而状态转移密度跟踪器则完全失去了跟踪目标。 图6 目标快速移动时跟踪结果比较 同样地，为了进一步说明基于李群正态分布重要性函数跟踪器的跟踪效率，用平均粒子数作为评价指标，表2给出了两种跟踪器进行跟踪时，所有帧的平均粒子数的数值。 表2 所有帧的平均粒子数 重要性函数 玩具1 笔筒 玩具2 李群正态分布 55.55 45.00 22.64 状态转移密度 19.12 18.33 10.72 从表2中的结果可以看出,尽管两种粒子滤波跟踪器选取了同样的粒子数400,但是李群最优重要性函数跟踪器的明显比状态转移密度跟踪器多，表明前者的跟踪效率要高于后者。 5、结论 参考文献 and performance test copies of the record. If necessary, revie