基于特征确定性的目标跟踪算法

李志国，顾 鑫，祝树生，王小辉，刘百奇

(中国运载火箭技术研究院研究发展中心，北京100076)

1 引言

目标跟踪是自动驾驶、视频监控、模式识别、机器人视觉跟踪及导弹末制导［1］等领域内的一个重要研究课题。在实际的工程应用中，为解决场景快速变化及突发性干扰影响而导致跟踪失败的问题，目标的颜色、纹理、边缘等具有不同鉴别能力的多种特征被融合利用［2］。但是，在多种特征融合过程中，对不同特征确定性的度量成为一个比较麻烦的问题。一个好的度量方法能够使各种目标特征的度量方便和简洁，便于多种特征的融合和统一处理，甚至能够根据不同的场景实现多种特征的自适应加权调整，达到优化跟踪算法的目的。本文提出了一种自适应的特征确定性度量，并在粒子滤波的框架下采用加性特征融合［3］的方法实现了跟踪算法的优化。

2 特征确定性

近年来出现的各种多特征融合粒子滤波算法的主要区别是特征的提取及融合的策略不同。Brichfield等人提出了颜色和梯度特征的融合跟踪算法，实现了对人的头部运动的跟踪［4］。在该算法中，两个特征在融合结果中的贡献相等，即采用了固定的特征加权值。该算法在某些背景变化较大的场景下，跟踪效果急剧恶化，甚至出现目标跟丢的情况。

为实现特征融合过程中各特征加权值的自适应调整，需要确定一种对各种目标特征进行统一描述的方法，通过该方法定义一个统计量，实现对目标特征的统一度量，并以此作为算法中特征加权值的表示和自适应调整依据。

通过研究多个特征融合算法，发现在目标的特征识别能力变弱(即特征似然函数尖锐程度小)或粒子空间分布分散(即位置估计的方差小)时，跟踪效果快速变差。由此对目标的特征识别能力和粒子空间分布情况进行综合分析，以确定特征的确定性度量方法。

将目标单个特征的跟踪过程作为一个假想的粒子滤波过程。对应特征的粒子经预测后进行更新，此时，特征的观测概率值在其对应的粒子上分布情况发生变化。同时，更新后的粒子空间分布也将发生改变。根据分布的不同，可以分为以下几种情况，如图1所示。

图1 粒子滤波过程中的四种情况Fig.1 The diagrammatic sketch of four case in process of particle filter

图1 (a)中，粒子位置的空间分布很分散，并且经过加权求和后，跟踪目标的位置估计值方差也较大。特征的观测概率值在粒子上的分布比较均匀，似然概率分布较为平缓，识别能力较弱，可以认为该特征的确定性最低;

图1(b)中，粒子位置的空间分布很分散，并且经过加权求和后，跟踪目标的位置估计值方差也较大。特征的观测概率值只集中在比较少的个别粒子上，因此特征的似然概率分布比较尖锐，识别能力较好，可以认为该特征的确定性较图1(a)高;

图1(c)中，粒子位置的空间分布很集中，并且经过加权求和后，跟踪目标的位置估计值方差也较小。特征的观测概率值在粒子上的分布比较均匀，似然概率分布较为平缓，识别能力不是很强，可以认为该特征的确定性较图1(a)高;

图1(d)中，粒子位置的空间分布很集中，并且经过加权求和后，跟踪目标的位置估计值方差也较小。特征的观测概率值只集中在比较少的个别粒子上，因此特征的似然概率分布比较尖锐，识别能力较强，可以认为该特征的确定性最高。

通过以上4种情况的分析，可以定义如下的特征确定性度量:

其中，p(zj|xl)为第j个目标特征在第l个粒子下的观测概率。H(pjt)越大，该目标特征下在粒子上的观测概率分布越均匀。

3 特征融合及算法实现

本文选取广泛使用的颜色和边缘两个特征来表征目标，采用加性融合方法来实现对目标的跟踪，特征的权值通过确定性度量来自适应调整。对颜色特征的表示，采用文献［5］中颜色直方图的方法。对边缘特征的表示，采用文献［6］中基于图像灰度信息的加权梯度方向直方图的方法。融合策略采用文献［3］中的方式，其观测概率值可表示为:其中，λj为第j个目标特征的观测概率加权值，并且有通过对式(1)定义的目标特征的确定性做归一化处理，并作为该特征的加权值引入到式(3)中，实现自适应加权的特征融合。

算法具体实现步骤如下:

a)确定初始值:根据目标的初始状态值x0，计算颜色特征和边缘特征的直方图h10和h20;

b)状态预测:依据xt=Axt－1+W，计算下一帧状态的预测值xt;

c)计算两种特征下的观测概率值p(z1|xt，l)和p(z2|xt，l)，根据式(2)计算观测概率熵H(p1t)和

d)对目标颜色和目标边缘特征下的粒子进行重采样，计算M个粒子的位置方差;

e)由式(3)计算两个特征融合后的观测概率p(z1，z2|x)，由式(1)计算颜色和边缘的确定性值，并进行归一化处理;

f)更新:依据融合之后的似然概率计算粒子权值wt，l=wt－1，lp(zt|xt，l);

h)重采样检查:判断粒子的权值，检查是否需要重采样。如果需要，则重采样M次，并设定粒子权值均为1/M，否则不做任何处理;

i)转向b)继续处理。

4 试验与结果

本文选取一段公共视频集作为数据源进行算法验证和跟踪效果对比，跟踪对象为道路上行进的汽车，如图2所示。比较对象分别为单一颜色特征跟踪结果(图2(a))和固定权值特征融合跟踪结果(图2(b)，归一化后的权值设为0.5)。

图像尺寸为320×240，粒子数目设定为100。本文三种算法均在Intel Core(TM)i7 CPU 2.93 GHz，4 G运行内存的计算机上用Matlab R2010a编程实现。

下面对各算法的跟踪效果进行分析。算法验证选取的视频序列跟踪的难点是目标所处的背景存在树枝等较强边缘信息的干扰，目标不断的进出有树荫的阴影区，导致其颜色特征变化较大。

对单一颜色特征跟踪，当目标进入有树荫遮挡的阴影区时，其所处环境的光照发生了较大变化，在第206帧颜色跟踪的位置和目标实际所处的位置相差很大。当目标出阴影区后再次进入有树荫遮挡的区域时(第346帧)，颜色跟踪完全失效了。

对固定权值为0.5的多特征融合跟踪，由于背景中较强边缘信息的干扰，同时特征融合的过程中并没有根据外部环境的变化自适应的调整边缘特征在观测概率中所占的权重，导致最终跟踪失效(第246帧)。

图2 试验结果Fig.2 Result of the experiment

对本文提出的基于特征确定性的跟踪，在外部场景变化较大和背景中存在干扰的情况下，跟踪效果都比较理想，没有出现跟踪失效的情况，如图2(c)所示。

表1是试验结果的比较，在复杂光照和背景情况下，单一特征对目标的跟踪结果较差，固定权值的加权特征融合跟踪对外部环境变化情况适应性较差，本文的跟踪算法在跟踪过程中根据外部环境的变化，通过实时计算特征确定性，自适应的调整特征加权值，实现了不同特征对跟踪结果贡献量的实时调整。试验的结果可实现对目标的全程跟踪。

表1 试验结果比较Tab.1 Comparasion of experimental results

5 结论

本文针对传统的多特征加性融合算法中各目标特征加权值固定不变，不能适应场景变化及外部干扰的问题，提出了一种基于特征确定性的跟踪算法，该算法充分利用了粒子空间分布和粒子观测概率信息，实现了特征加权值的自适应调整，提高了跟踪的稳定性及精度。该算法可应用于场景监控、自主导航及多模目标探测等领域。

［1］ LI Shaojun，LI Liren，LIU Zhongling，et al．Terminal guidance target tracking based on region covariance matrix［J］．Laser＆Infrared，2010，40(3):330－333．(in Chinese)李少军，李立仁，刘忠领，等．基于区域协方差矩阵的末制导目标跟踪［J］．激光与红外，2010，40(3):330－333．

［2］ GU Xin，WANG Hua，LI Zhe，et al．Particle filter target tracking based on integral covariance matrix［J］．Laser＆Infrared，2014，44(12):1384－1386．(in Chinese)顾鑫，王华，李喆，等．基于积分协方差矩阵的粒子滤波目 标 跟 踪［J］．激 光 与 红 外，2014，44(12):1384－1386．

［3］ Wang X，Tang Z M．Modified particle filter-based infrared pedestrian tracking［J］．Infrared Physics and Technology，2010，53(4):280－287．

［4］ Birchfield S．Elliptical head tracking using intensity gradients and color histograms［C］//Proceedings of the IEEEComputer Society Conference on Computer Vision and Pattern Recognition．Santa Barbara，USA:IEEE，1998．232－237．

［5］ HOU Zhiqiang，HAN Chongzhao．A survey of visual tracking［J］．Acta Automatica Sinica，2006，32(4):603－617．(in Chinese)侯志强，韩崇昭．视觉跟踪技术综述［J］．自动化学报，2006，32(4):603－617．

［6］ Dalal N，Triggs B．Histograms of oriented gradients for human detection［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition．San Diego，USA:IEEE，2005．886－893．