融合多特征与多算法的粒子滤波目标跟踪

楼益琦

针对粒子滤波跟踪方法存在的计算量大，跟踪效率低下以及粒子退化的问题，提出一种改进的粒子滤波方法。在粒子滤波的框架下，引入均值漂移算法来漂移粒子，采用颜色和边缘作为融合特征，保证了跟踪的准确性和实时性；在状态更新上引入卡尔曼滤波，使得粒子不易发散退化，保证了粒子数量，同时在计算时间上也较标准粒子滤波有了明显提高。经过仿真，该算法跟踪的鲁棒性和精确性比较好。

【关键词】粒子滤波 均值漂移 卡尔曼滤波 多特征

1 引言

视频运动目标跟踪一直是机器视觉领域的研究热点之一，在视频监控、精确制导、导航跟踪上有着广泛的应用。目前视频跟踪算法主要有卡尔曼滤波 （Kalman filter，KF） 、均值漂移算法（mean shift，MS）和粒子滤波（particle filter，PF），但是这三种方法的优缺点都比较明显。卡尔曼滤波是应用于线性、高斯模型，其计算速度快、效率高，但是现实中往往是非线性的，这导致其适用性比较低；均值漂移算法不带参数，实时性好，但容易受环境（如遮挡、目标相似等）干扰；粒子滤波是采用随机采样的方法获取粒子，然后用大量粒子来近似状态变量的后验分布，这种算法能够适应于非线性系统，并且具有很好的准确性和抗干扰能力，但是该算法存在粒子退化的问题，重采样主要用于解决该问题，却大大增加了时间复杂度。

为能够更好地跟踪目标，本文取图像的颜色特征和边缘特征作为特征向量，以解决单一特征在复杂环境下的干扰问题。本文在研究这三种主流算法的基础上，通过融合的方式截取三种算法的优点，以融合颜色和边缘特征为特征向量，提出了一种融合多特征和三种算法的MKPF算法，使其能够适用于现实中非高斯非线性系统，同时能够获得更好地跟踪精度、缩短计算的时间。

2 目标特征提取

2.1 颜色信息提取

采用HIS颜色模型，鉴于I信息受光照影响，将其舍去，将颜色离散成m级，分别获取该区域H和S分量，得到关于HS的颜色直方图，计算目标图像基于分布HS的概率分布图I1；选取候选区域，同理计算候选区域的概率分布图I2，巴氏距离： 。

2.2 边缘特征提取

3.1.1 初始化

计算目标模型融合颜色和边缘特征的融合特征P，将第一帧作为目标区域初始化搜素窗，确定目标中心位置和窗口大小。

3.1.2 均值漂移迭代过程

（1）漂移质心位置p和窗口大小s，计算当前候选目标的融合特征Q；

（2）计算巴氏距离：B= ，比较B和阀值Bth，若B>Bth，则漂移的位置p和窗口大小s为目标位置和区域，若B≤Bth，返回第二步，直到收敛或者迭代次数达到预设的最大值。

（3）获得下一帧图像，利用当前漂移得到位置和大小进行下一帧的搜索。

3.2 融合卡尔曼滤波和粒子滤波

将状态向量划分为线性子向量和非线性子向量两个部分，线性子向量采用卡尔曼滤波，而非线性子向量采用标准的粒子滤波，这样即可以减少线性部分的计算时间，又能够适用于非线性非高斯模型。在标准粒子滤波的基础上，更改状态更新部分如下：

3.3.6 步骤六

状态更新，采用本文提到的融合卡尔曼滤波和粒子滤波方法的状态更新方法。

3.3.7 步骤七

读取下一帧，返回到第二步。

4 实验与分析

本次实验环境为win7系统、AMD A6处理器的4G内存PC机，通过Matlab2012b仿真完成。

实验一：采用视频格式320x240的MP4文件，总帧数162帧，粒子数100个，跟踪对象为图中下方人物上半身，运动无规律，周围环境比较相似，分别截取跟踪过程的第5、30、50、81和105帧进行分析。图1图2中（a）均为融合卡尔曼滤波的粒子滤波跟踪实验数据， 图1（a）中在第50帧、81帧和105帧上出现了较大的误差，在背景干扰的情况下易出现跟踪偏差，图1图2中（b）均为融合均值漂移算法的粒子滤波跟踪实验数据，图1（b）中基本能够跟踪到人物，但是跟踪不够精确，在第81帧表现尤为明显，图1图2中（c）均为融合均值漂移和卡尔曼滤波的粒子滤波跟踪实验数据，图1（c）中看出其在背景干扰的情况下跟踪稳定，精度高；图2为三种算法的计算时间和中心点偏差，可以看出在物体做无规律运动时三种算法跟踪时间接近，偏差也不大，但跟踪效果第三种的稳定性、鲁棒性和准确度最好。

实验二：采用视频格式320x240的MP4文件，总帧数30帧，粒子数100个，跟踪对象为人物全身，做近似匀速直线运动，跟踪过程有背景干扰和遮挡现象，分别截取第5、10、20和27帧进行分析。图3图4中（a）均为融合卡尔曼滤波的粒子滤波跟踪实验数据，图3图4中（b）均为融合均值漂移算法的粒子滤波跟踪实验数据，图3图4中（c）均为融合均值漂移和卡尔曼滤波的粒子滤波跟踪实验数据。从实验数据可见（a）方法跟踪时间约1.7s，速度快，但是在跟踪有干扰时丢失目标，（b）方法跟踪时间约9s，时间最长，在背景干扰无遮挡时能跟踪到目标，但目标出现遮挡时跟踪丢失，（c）方法跟踪时间约2.9s，速度较快，在背景干扰和出现部分遮挡时仍能跟踪到目标，跟踪效果较好。

5 结束语

本文在研究粒子滤波的基础上，通过融合颜色和边缘作为特征向量，融合了均值漂移和卡尔曼滤波两种算法，提出了一种融合多特征多算法的MKPF粒子滤波方法。通过实验对比得出了MKPF 算法在背景干扰和有部分遮挡的情况下能够较稳定准确地跟踪到目标，并且计算速度较一般粒子滤波方法有了一定的提高，算法具有较好的鲁棒性。

参考文献

[1] Weng Shiuh-Ku，Kuo Chung-Ming，Tu Shu-Kang.Video object tracking using adaptive Kalman filter [J].Visual Communication，2006，17（6）：1190-1208.

[2]陈金广，马丽丽，陈亮.基于边缘粒子滤波的目标跟踪算法研究[J].计算机工程与应用，2010，46（28）：128-131.

[3]Ning J，Zhang L，Zhang D，et a1.Robust mean-shift tracking with corrected background-weighted histogram [J].Computer Vision，2012，6（1）：62-69.

[4]杨辉，刘军，阮松.基于Mean Shift算法视频跟踪研究[J].计算机工程与设计，2013，34（6）：2062-2066.

[5]Pan P，Schonfeld D.Video Tracking Based on Sequential Particle Filtering on Graphs[J].IEEE Trans on Image Processing，2011，20（6）：1641-1651.

[6] Schon T，Gustafsson F，Nordlund P.Marginalized particle filters for mixed linear/nonlinear state-space models[J].IEEE Trans on Signal Processing，2005，53（7）：2279-2288.

[7]宦若虹，王浙沪，唐晓梅等.动态背景下基于粒子滤波的运动目标跟踪方法[J].计算机应用与软件，2011，28（5）：109-111.

[8]马晓路，刘倩，牟海军.基于Mean Shift和粒子滤波的运动目标跟踪[J].微型机与应用，2012，31（23）：42-44.

[9]王恒军，赵书斌.复杂场景下基于自适应多特征融合的跟踪算法[J].指挥控制与仿真，2014，36（2）：33-38.

作者单位

上海市同济大学电信学院 上海市 201804endprint