摘  要:  考慮到處理非線性非高斯問(wèn)題的粒子濾波方法在魯棒性和速度方面的缺點(diǎn)，利用meanshift算法找到后驗(yàn)概率的局部最優(yōu)，用構(gòu)成新的粒子集合來(lái)確定目標(biāo)的最終位置，在不改變粒子濾波優(yōu)點(diǎn)的同時(shí)提高了跟蹤的速度。實(shí)驗(yàn)結(jié)果表明，這種改進(jìn)的混合跟蹤方法在保證準(zhǔn)確性的同時(shí)，提高了系統(tǒng)的實(shí)時(shí)性和魯棒性。
關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)跟蹤； mean shift；bhattacharyya系數(shù)； 粒子濾波

    隨著計(jì)算機(jī)技術(shù)的不斷提高，目標(biāo)監(jiān)測(cè)與跟蹤成為計(jì)算機(jī)視覺(jué)技術(shù)[1]、監(jiān)控領(lǐng)域[2]、故障診斷[3]、醫(yī)學(xué)圖像[4]等領(lǐng)域，研究的核心課題之一。常用的目標(biāo)跟蹤可分為基于特征點(diǎn)的跟蹤、基于區(qū)域的跟蹤和基于目標(biāo)輪廓的跟蹤三類。適用于小目標(biāo)的特征點(diǎn)跟蹤在參考文獻(xiàn)[5]中進(jìn)行了描述，用特征點(diǎn)的動(dòng)態(tài)聚類對(duì)目標(biāo)進(jìn)行定位?；趨^(qū)域的跟蹤算法中最常見(jiàn)的是mean shift算法，這種確定性跟蹤算法因其運(yùn)算量小、實(shí)時(shí)性高得到了推廣。隨著Cheng Yizong的核函數(shù)和權(quán)值系數(shù)概念的提出和COMANICIU D等人對(duì)于mean shift最優(yōu)問(wèn)題的分析[6]，mean shift算法獲得了空前的重視。參考文獻(xiàn)[6]中，用mean shift算法確定目標(biāo)的最優(yōu)匹配?；谳喞哪繕?biāo)跟蹤針對(duì)的并非簡(jiǎn)單的幾何圖形目標(biāo)，包括目標(biāo)邊緣和目標(biāo)輪廓等。目標(biāo)狀態(tài)估計(jì)算法中最具代表性的粒子濾波算法是一種用估計(jì)理論對(duì)目標(biāo)狀態(tài)求解的方法，它提供了一種方便有效的非高斯、非線性、用隨機(jī)粒子數(shù)離散地表示后驗(yàn)概率的方法，更適合于跟蹤環(huán)境中的部分遮擋等復(fù)雜環(huán)境[7]，但是計(jì)算量大和粒子退化等現(xiàn)象是粒子濾波的瓶頸[8]。mean shift算法和粒子濾波算法各有優(yōu)缺點(diǎn)，本文將mean shift算法與粒子濾波算法進(jìn)行融合，大大改善了粒子濾波算法的性能，算法的實(shí)時(shí)性和魯棒性有了很大的提高。
1 粒子濾波算法
    粒子濾波算法是基于蒙特卡羅仿真的近似貝葉斯濾波算法，對(duì)目標(biāo)狀態(tài)進(jìn)行采樣，計(jì)算樣本的權(quán)值，最后用樣本的加權(quán)來(lái)表示目標(biāo)狀態(tài)的估計(jì)值。這種算法通過(guò)更新一個(gè)后驗(yàn)概率密度的近似解來(lái)遞推得到一個(gè)近似貝葉斯解。粒子數(shù)較大時(shí)，精度逼近最優(yōu)估計(jì)。目標(biāo)運(yùn)動(dòng)信息包括顏色、紋理、運(yùn)動(dòng)的方向等，一般用提取目標(biāo)運(yùn)動(dòng)的掩模來(lái)代表目標(biāo)運(yùn)動(dòng)信息。用兩幀差分法構(gòu)建運(yùn)動(dòng)信息，即：

　粒子濾波的實(shí)現(xiàn)步驟如下：

　(2)把mh,G(x)賦給x；
　(3)如果|mh,G(x)-x|<ε，結(jié)束循環(huán)，否則，回到步驟(1)。
3 mean shift與粒子濾波算法的融合
　mean shift算法計(jì)算量小，很容易做到實(shí)時(shí)跟蹤[9]。作為一種無(wú)參數(shù)密度估算方法，mean shift算法很容易作為一個(gè)模塊與別的算法集成。但是，當(dāng)目標(biāo)的尺度發(fā)生變換時(shí)，跟蹤可能失敗。而粒子濾波既不受限于線性系統(tǒng)也不要求噪聲是高斯的，原則上應(yīng)用于任意非線性、非高斯隨機(jī)系統(tǒng)的狀態(tài)估計(jì)[10]。當(dāng)目標(biāo)在短時(shí)間內(nèi)被遮擋時(shí)，經(jīng)過(guò)狀態(tài)轉(zhuǎn)移和預(yù)測(cè)更新，反映真實(shí)位置的有效粒子迅速增大，大大提高了跟蹤的準(zhǔn)確性。解決粒子退化而提出的重采樣方法在經(jīng)過(guò)多次迭代后，權(quán)值大的粒子被多次復(fù)制，使得采樣結(jié)果包含了許多重復(fù)點(diǎn)，從而導(dǎo)致粒子貧化現(xiàn)象，解決這種貧化現(xiàn)象要求更多的粒子，從而導(dǎo)致計(jì)算量太大。本文將mean shift算法和粒子濾波各自的優(yōu)勢(shì)進(jìn)行有效的融合，致力于通過(guò)mean shift算法來(lái)解決粒子濾波計(jì)算量太大而導(dǎo)致的實(shí)時(shí)性低的問(wèn)題。
　此算法在粒子濾波算法的狀態(tài)轉(zhuǎn)移之后，對(duì)粒子進(jìn)行mean shift迭代收斂,利用mean shift使得每個(gè)粒子都能收斂到目標(biāo)附近，實(shí)現(xiàn)在較少粒子情況下，對(duì)目標(biāo)的準(zhǔn)確跟蹤。在目標(biāo)受到遮擋情況下，mean shift不能為跟蹤帶來(lái)任何好處，因此，舍棄mean shift算法，單獨(dú)用粒子濾波就能實(shí)現(xiàn)準(zhǔn)確跟蹤。算法結(jié)構(gòu)圖如圖1所示。

    算法的實(shí)現(xiàn)步驟如下：
    (1)初始化(k=0)。對(duì)目標(biāo)初始狀態(tài)進(jìn)行采樣，生成服從p(x0)分布的隨機(jī)樣本{x0(i),ω0(i)}，其中重要性權(quán)值ω0(i)=1/N。
    (2)k≥1,根據(jù)式(1)得到預(yù)測(cè)狀態(tài),采用Bhattacharyya系數(shù)ρ(y)判斷目標(biāo)是否遮擋。當(dāng)ρ(y)>0.4時(shí)，目標(biāo)沒(méi)遮擋，執(zhí)行mean shift聚類；否則，執(zhí)行步驟(3)。
    (3)重要性加權(quán),從系統(tǒng)的觀測(cè)值yk計(jì)算粒子的似然比后得到系統(tǒng)的歸一化權(quán)值。
    (4)得到目標(biāo)跟蹤結(jié)果。
    (5)重采樣。
4 實(shí)驗(yàn)結(jié)果及結(jié)果分析
　分別采用mean shift算法（第一組）、粒子濾波算法（第二組）和混合粒子濾波算法（第三組）對(duì)同一目標(biāo)進(jìn)行跟蹤，來(lái)驗(yàn)證算法的有效性，實(shí)驗(yàn)結(jié)果如圖2~圖4所示。開(kāi)發(fā)環(huán)境為VC++6.0，在所有的目標(biāo)中，以人作為目標(biāo)，粒子的觀測(cè)范圍和目標(biāo)的初始狀態(tài)用鼠標(biāo)手動(dòng)進(jìn)行選擇。粒子數(shù)為50個(gè),視頻序列從IBM Research的網(wǎng)頁(yè)上下載測(cè)試。

    從三組實(shí)驗(yàn)結(jié)果來(lái)看，與mean shift算法相比，在遮擋的條件下,將混合算法在保證跟蹤實(shí)時(shí)性的同時(shí)，還能保證足夠的準(zhǔn)確性。將混合算法與粒子濾波算法相比發(fā)現(xiàn),粒子濾波算法在粒子數(shù)相對(duì)選擇較少的情況下，在所選觀測(cè)范圍和背景顏色等信息近似的環(huán)境下，極易丟失真實(shí)的數(shù)據(jù)信息，造成跟蹤徹底失敗。
    本文提出了一種mean shift與粒子濾波的混合跟蹤方法。本算法根據(jù)目標(biāo)的遮擋情況，選擇相應(yīng)的跟蹤算法。分別用三種不同的算法進(jìn)行目標(biāo)跟蹤，然后對(duì)跟蹤結(jié)果進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，混合跟蹤方法很好地利用了mean shift算法的快速性和粒子濾波的抗遮擋性，將兩種算法的優(yōu)點(diǎn)有效融合來(lái)改善粒子性能。本文提出的算法性能良好，魯棒性高，實(shí)時(shí)性和準(zhǔn)確性同時(shí)得到體現(xiàn),下一步的研究重點(diǎn)是在更為復(fù)雜場(chǎng)景中的多目標(biāo)跟蹤。
參考文獻(xiàn)
[1] 高文, 陳熙霖. 計(jì)算機(jī)視覺(jué)——算法與系統(tǒng)原理[M].  北京：清華大學(xué)出版社,1998.
[2] COLLINS R, LIPTON A J, RANADE T. A system for video surveillance and monitoring: VSAM final report. CMU-RI-00-12[D]. Robotic Institute Carnegic Mellon University,2000.
[3] Wang Xudong, SYRMOS V L. Interacting multiple particle filters for fault diagnosis of non-linear stochastic system[C]. Proceedings of American Control Conference, 2008:4274-4278.
[4] Shi Pengcheng, ROBINSON G, CONSTRABLE R T, et al.  A model-besed integrated approach to track myocardial deformation using displacement and velocity constraints[C].  Fifth Interational Conforence on Computer Vision,1995.
[5] FERRUZ J, OLLERO A. Integrated real-time vision system for vehicle control in nonstruct turec environments[J].Engineering Applications of Artificial Intelligence, 2000(13):215-235.
[6] COMANICIU D, MEER P. Meanshift：a robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002(24):603-619.
[7] 王法勝,趙清杰.一種用于非線性濾波問(wèn)題的新型粒子濾波算法[J].計(jì)算機(jī)學(xué)報(bào),2008,31(2)：346-352.
[8] ARULAMPALAM M S,MASKELL S,CORDON T, et al. A tutorial on particle filters for online monlinear/noncaussian bayesian tracking[J]. IEEE Transactions on Signal Processing,2002,50(2):174-118.
[9] COMANICIU D,MEER P. Mean shift:a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2002(24):603-619.
[10] 夏克寒,許化龍.粒子濾波的關(guān)鍵技術(shù)及應(yīng)用[J].電光與控制, 2005,25(6):1-4.