改进的粒子滤波在视频目标跟踪中的应用

杨永超 周昊

摘要：针对标准粒子滤波重采样阶段导致粒子多样性降低进而影响跟踪精度的问题，在原重采样阶段使用萤火虫算法优化，利用萤火虫的移动机制进化粒子，促使粒子向最优解区域移动。最后将改进的算法应用于使用HSV（Hue，Saturation.Value）颜色特征建模目标的视频目标跟踪中，实验结果表明：与标准粒子滤波相比，改进算法的跟踪精度有了一定提高。

关键词：粒子滤波;重采样;萤火虫算法;HSV;视频目标跟踪

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2020）19-0001-02

开放科学（资源服务）标识码（OSID）：

对视频序列中的目标进行跟踪是计算机视觉的热门研究领域之一，其主要过程是首先在视频序列的第一帧图像中选定跟踪目标，之后运行跟踪算法，实现在后续帧中预测跟踪目标的位置[1，2]。滤波算法是常用的跟踪算法，其中的粒子滤波[3，4]（ Particle Filter，PF）突破了其他传统滤波算法要求跟踪目标的运动模型必须为线性且噪声服从高斯分布的局限，理论上可以处理任意非线性非高斯的问题，应用领域最为广泛。粒子滤波采用蒙特卡洛随机采样的方法，用对一组带权重粒子的求和来替代后验概率密度复杂的积分运算，但其重采样阶段会产生粒子贫化问题，直接对大权重粒子复制舍弃小权重粒子的做法导致估计精确度的降低[3，4]。研究表明，在重采样阶段使用群智能算法优化的粒子滤波算法可改善粒子贫化问题：将粒子看做生物集群中的个体，通过模拟生物个体的运动规律使得粒子分布趋于合理。文献[5，6，7，8，9]分别通过引入粒子群算法、蚁群算法、果蝇算法、蝙蝠算法及人工鱼群算法来改善粒子贫化问题，进而提高估计精度。萤火虫算法（Firefly Algorithm，FA）根据生物学中萤火虫的发光行为发展而来：萤火虫的光亮度不一，亮度低的萤火虫会被亮度高的吸引[10]。本文根据这一特性，在粒子滤波中将粒子比拟成萤火虫，在重采样阶段利用萤火虫的移动机制来进化粒子，使得粒子的分布更加合理，以提高跟踪精度。

1 标准粒子滤波算法

标准粒子滤波算法是基于贝叶斯滤波框架下预测目标后验概率密度的递推迭代过程，引入蒙特卡洛方法，用一组粒子权值求和运算替代复杂的概率密度积分运算，以期获得最小方差估计。

2 FA优化的粒子滤波算法（PF-FA）

萤火虫算法（FA）由自然界中萤火虫的发光行为启发而来，生物学家发现，萤火虫之间的吸引力与性别、大小无关，而与其荧光的亮度成正比：亮度高的萤火虫可以吸引亮度低的萤火虫向自身移动。另外，亮度随距离增加而降低，如果一个萤火虫周围没有比它更亮的萤火虫，那么它将随机移动。FA算法的数学模型描述为：

可在粒子滤波的重采样阶段融合萤火虫算法，将“粒子”看作“萤火虫”，执行萤火虫算法迭代寻优，驱使粒子向高似然区域移动，使粒子分布与真实情况更接近。具体的算法流程如下：

step3：融合萤火虫算法进行重采样。

step3.1：比较当前所有粒子的权值，选取权值最大的粒子作为亮度最大的“萤火虫”;

step3.2：其他粒子根据位置更新公式（9），向权值最大粒子移动;权值最大粒子在当前位置随机移动;

step3.3：重新计算位置移动后各粒子的权值，转到step 3.1。当迭代次数达到50次后，转到step4。

step4：根据公式（6）输出目标状态估计值，令k=k+1，转到step2，开始下一时刻的预测。

3 PF-FA算法在视频目标跟踪中的应用

在视频目标跟踪中，一般采用颜色、纹理或轮廓特征对目标进行建模。本文采用HSV（ Hue Saturation，Value）颜色特征（H通道量化为16个量级，S通道量化为4个量级，V通道量化为1个量级）对跟踪目标进行建模，并将萤火虫算法引入到粒子滤波的重采样阶段，应用于复杂的视频目标跟踪场景。设计目标的似然函数为：

将优化后的算法应用于测试视频，如图1所示，测试目标为走廊女子，参与跟踪粒子数为20。图1为从视频第180帧开始的跟踪过程截图。

为测试萤火虫算法优化后的粒子滤波性能，图2给出FA优化的PF算法与标准的PF算法中在视频跟踪时，预测目标中心点与实际目标中心点间在x轴及v轴方向的误差绝对值的对比，虽然对比标准粒子滤波算法，本文算法误差降低，但随时间递增，粒子有发散现象，且误差有递增趋势。

4 结论

为提高粒子多样性，本文采用萤火虫算法在粒子滤波原重采样阶段进行优化。实验表明，与传统粒子滤波对比，优化后的算法跟踪精度有了一定的提高，但是由于标准萤火虫算法存在收敛速度慢，易于陷于局部最优值等缺点，当直接用于优化粒子滤波时，存在运算速度慢、仍有一定误差等问题，后续将考虑对标准萤火虫算法进行优化。

参考文献：

[1]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.

[2]蔡荣太，吴元昊，王明佳，等，视频目标跟踪算法综述[J].電视技术，2010，34（12）：135-138，142.

[3]王法胜，鲁明羽，赵清杰，袁泽剑.粒子滤波算法[J].计算机学报，2014，37（8）：1679-1694.

[4]胡士强，敬忠良.粒子滤波算法综述[J].控制与决策，2005（4）：本栏目责任编辑：王力361-365，371.

[5]张琳，李明，苑柳青.基于智能优化粒子滤波算法的人体运动目标跟踪[J].科学技术与工程，2010，10（16）：4013-4016，4020.

[6]张婷婷，于明，阎刚，运动目标追踪的人工鱼群优化粒子滤波算法[J].河北工业大学学报，2016，45（04）：12-19.

[7]韩锟，张赫.基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用[J].湖南大学学报f自然科学版），2018，45（10）：130-138.

[8]曹义亲，钟涛，黄晓生，一种改进的基于蚁群优化的粒子滤波算法[J].计算机应用研究，2013，30（8）：2402-2404.

[9]陈志敏，吴盘龙，薄煜明，等，基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法[J].电子学报，2018，46（4）：886-894.

[10] Yang X S.Firefly algorithm，stochastic test functions and de-sign optimisation[Jl.lnternational Journal of Bio-Inspired Com-putation， 2010，2（2）：78.

【通联编辑：唐一东】

基金项目：安徽高校自然科学研究重点项目：人工细菌菌落算法研究及其在人群异常行为检测中的应用（KJ2019A0864）;安徽省池州学院自然科学研究项目（2016ZR011）;池州学院质量工程项目“线下精品课程——计算机网络”（2018XJPKC15）

作者简介：杨永超（1985-），女，山东聊城人，讲师，硕士，主要研究方向为模式识别、人工智能;周昊，讲师，硕士。