摘 要本文提出一种基于区域匹配的粒子滤波算法,用于视频中目标跟踪。在复杂环境下,颜色和纹理是图像序列中多变目标跟踪的显著特征。因此,引入颜色特征和纹理特征实现基于颜色特征和基于纹理特征的粒子滤波器。实验表明,基于颜色特征和纹理特征的粒子滤波器都能有效实现简单环境和复杂环境下的目标跟踪,是简单有效的跟踪算法,它们在不同的跟踪场合分别有不同的优缺点。结果证明,基于纹理特征的粒子滤波器具有较好的实时性,并且可以有效地运用动态目标模型。
关键词: 粒子滤波器,视频跟踪,颜色特征,纹理特征 一、选题的背景和意义视频跟踪技术是近年来新兴的一个研究方向,它的应用前景十分广阔,如:(1)车辆跟踪系统;(2)监视系统;(3)人机交互[1];(4)医学诊断。
目前,各种视频跟踪系统和视频跟踪软件应运而生,由于能快速准确地估计目标运动位置,这些应用系统和软件得到市场的青睐。但是,人们对跟踪的速度和精度的要求越来越高,视频跟踪技术的研究也越来越吸引国内外学者的目光。 二、运动目标跟踪方法基于视频的运动目标跟踪通常有两种算法思想:通过运动目标检测进行跟踪和通过目标识别进行跟踪。使用运动目标检测的方法来发现并确定运动目标的位置进行跟踪,这种方法不考虑目标的形状、尺寸,可以检测任何物体[2]。使用目标识别的方法进行了跟踪通过在每一帧的图像中识别研究的物体来确定物体的位置来实现目标的跟踪。这种方法包含了目标识别和目标匹配两部分。
本文主要运用基于识别方法中的基于区域匹配的跟踪方法实现运动目标跟踪。基于区域匹配的跟踪方法是把图像中运动目标的连通区域的共有特征信息作为跟踪检测值的一种方法。在连续的图像中有多种区域信息,例如颜色特征、纹理特征等等。这种方法不需要在视频序列的图像中找到完全相同的特征信息,能过计算区域和原始目标之间的相关性来确定跟踪目标的位置。基于区域的跟踪比较直观实用,实际使用中目标定位灵敏较高,并且抗干扰性能比较好。但是这种方法的相关运算量比较大,对于尺度、旋转等图像变形问题,模板匹配很困难,当目标的自身特征发生变化时容易导致模板匹配不稳定。 三、粒子滤波理论3.1 贝叶斯估计
在信号处理、通信等许多实际工程中,经常采用动态空间模型来描述许多问题,一般动态时变系统可描述为
系统方程: (3-1)
测量方程: (3-2)
若已知状态的初始状态的初始概率密度函数,则最优贝叶斯估计理论是试图用所有已知信息来构造系统状态变量的后验概率密度,即用系统模型预测状态的先验概率密度,再使用最近的量测值进行修正,得到后验概率密度,状态预测和状态更新方程分别为
(3-3)
(3-4)
如果系统可以描述为高斯线性状态空间模型,状态的后验概率密度函数可以通过解析表达式的有限递推得到,这就是著名的卡尔曼滤波,它在线性高斯情况下能得到最优的状态估计。但在现实环境中,视频跟踪为非线性非高斯系统,因此考虑采用非线性滤波器获得次优贝叶斯解。
文献[3]中通过比较发现,EKF是通过线性化处理来实现非线性滤波估计,EKF总是估算为高斯分布,如果真正的概率密度是非高斯型的,那么高斯分布就不能很好地标识它。在计算速度上,EKF具有明显的优势,但它的性能随着非线性强度变大而明显下降。UKF利用样本来逼近状态的PDF,它因不采用线性化处理而能很好地解决这一问题。但是,不管是EKF,还是UKF,最终都是用高斯分布来逼近系统状态的后验概率密度。如果系统状态的后验概率刻度是非高斯的,那么二者都将产生极大的误差。PF也是利用样本来逼近状态的PDF,它因采用随机样本集则可以用在任何复杂环境下。在这种情况下,PF相对于EKF和UKF具有更好的性能,但此时的计算量却远远超过UKF和EKF。随着计算机计算能力的不断提高,在复杂的非线性非高斯环境中,PF将是最优的选择。
3.2 基于随机采样的过程估计理论——粒子滤波器
粒子滤波的主要思想是通过随机抽样获得一个样本(粒子)集合,给每个粒子赋予一定的权值,利用这些粒子和它们的权值来表示随机变量的后验概率密度函数。随着粒子数目的增加,用粒子及其权值表示的后验概率密度函数逐步地逼近传统的函数表达式表示的概率密度函数,粒子滤波器的估计值逐渐逼近贝叶斯最优估计值。与传统的卡尔曼滤波及其改进算法相比,粒子滤波没有做出任何的线性高斯假设,因此粒子滤波在本质上就是一种非线性滤波,它为解决非高斯、非线性系统的目标跟踪问题提供了有效手段。
退化问题[4]:经过几次迭代之后,差不多所有的粒子都具有负的权值。重要性权值的方差随着时间递增而增大,所以要消除退化现象是不可能的。这种退化就意味着大量的计算都用来更新粒子,而这些粒子对逼近的贡献几乎为零。适合于对算法退化的一个度量就是有效样本容量,
(3-5)
其中称为“真权值”。这个有效样本容量可以估计如下:
(3-6)
其中是修正后的正则权值。