盧 健 潘 峰 李 陽

(西安工程大學(xué)電子信息學(xué)院 西安 710048)

基于模糊推理的多特征融合粒子濾波算法

盧 健 潘 峰 李 陽

(西安工程大學(xué)電子信息學(xué)院 西安 710048)

論文利用模糊推理方法提出了一種基于多特征融合的粒子濾波跟蹤算法。該算法不但有效繼承了傳統(tǒng)的固定權(quán)值融合方法,并且依據(jù)模糊推理對(duì)跟蹤期間信息的可靠性來輸出權(quán)值的大小。根據(jù)目標(biāo)模型的形狀信息和顏色信息特征的觀測似然函數(shù)獲取各自在跟蹤過程中的權(quán)值;依據(jù)模糊推理,對(duì)跟蹤期間某一個(gè)變化明顯而丟失目標(biāo)的特征信息改變其權(quán)值,同時(shí)相應(yīng)的改變另一個(gè)特征信息的權(quán)值繼續(xù)無誤差的來跟蹤目標(biāo)。與現(xiàn)有的經(jīng)典的算法相比,提出的算法有更好的跟蹤性能及較小的定位誤差。實(shí)驗(yàn)結(jié)果表明了論文所提出算法的有效性。

模糊推理; 特征融合; 觀測模型; 粒子濾波

Class Number TP301

1 引言

隨著人們對(duì)目標(biāo)跟蹤的要求越來越高,目標(biāo)跟蹤任務(wù)也面臨著越來越多的難點(diǎn)與挑戰(zhàn)[1]。在實(shí)際場合中目標(biāo)所處的環(huán)境比較復(fù)雜且運(yùn)動(dòng)軌跡隨機(jī),其外觀和顏色還會(huì)發(fā)生變化?，F(xiàn)有的大多數(shù)算法只能在某一方面解決問題,但不可能勝任變化的所有場景[2]。特別是在對(duì)目標(biāo)進(jìn)行跟蹤時(shí),光照的變化,外物的遮擋,目標(biāo)本身形態(tài)的變化對(duì)目標(biāo)跟蹤提出了非?？量痰囊骩3]。由此引出的基于智能視頻監(jiān)控的跟蹤算法研究也成為計(jì)算機(jī)視覺領(lǐng)域的熱門課題之一,由于其良好的應(yīng)用前景,國內(nèi)外眾多研究者也一直圍繞其進(jìn)行了廣泛深入的研究,并且取得了諸多成果。目前研究者已提出諸多目標(biāo)追蹤算法例如:Mean Shift算法[4]、Kalman濾波算法[5]、粒子濾波算法[6]等。

由于粒子濾波算法對(duì)背景噪聲沒有線性和高斯的限制[7],因此為能夠進(jìn)行多特征的融合[8]提供了先決條件。本文提出了一種改進(jìn)的粒子濾波算法。與目前幾種經(jīng)典的目標(biāo)跟蹤算法相比,所提出的算法解決了復(fù)雜環(huán)境下單一特征[9]突然消減或消失而造成的跟蹤目標(biāo)丟失的問題。該算法將基于多特征融合的觀測模型[10～11]結(jié)合到粒子濾波算法中,在某一特征突然變?nèi)鹾?通過模糊邏輯規(guī)則賦予另一個(gè)特征較高的權(quán)值,對(duì)另一個(gè)特征進(jìn)行繼續(xù)跟蹤,以實(shí)現(xiàn)對(duì)目標(biāo)的穩(wěn)定無間斷地跟蹤。

2 觀測模型

2.1 形狀信息

在目標(biāo)跟蹤中主要利用物體的形狀信息。例如,人臉一般用橢圓表示,因?yàn)槿四樈茷闄E圓,汽車一般用矩形表示等。在描述兩個(gè)物體相似程度的時(shí)候,使用模式識(shí)別中的Chamfer距離方法。假設(shè)目標(biāo)當(dāng)前幀圖像二值圖為It,距離圖像為DIt,形狀模板的二值圖為T,則這兩種形狀間的Chamfer距離計(jì)算公式為

(1)

T(Xt)表示形狀模板的中心位置和半徑。|T|代表圖像像素值為1的像素個(gè)數(shù)。k表示第k個(gè)像素為1的像素。DIt(k)表示將當(dāng)前圖像位于圖像T中第k個(gè)像素值的位置下DIt中的灰度值。得到Chamfer距離后,觀測似然函數(shù)的定義如下:

(2)

其中δs2為高斯方差,一般取0.5,式(2)反映了候選目標(biāo)與目標(biāo)形狀模型的相似程度,值越大則相似程度越高。

2.2 顏色信息

采用顏色直方圖的方法描述特征的顏色分布。假設(shè)目標(biāo)狀態(tài)為xt,其中目標(biāo)區(qū)域中心X=(x,y),區(qū)域半徑R=(rx,ry),各個(gè)像素的位置定義為Xi=(xi,yi),i=1,…,nr,nr為目標(biāo)區(qū)域內(nèi)像素總和。則目標(biāo)區(qū)域內(nèi)顏色分布概率密度函數(shù)為

u=1,…,m

(3)

其中,δ為狄拉克函數(shù),k(x)為權(quán)值函數(shù):

(4)

當(dāng)‖r‖≥1的時(shí)候,k(‖r‖)取0。

無論物體具有什么樣的特征,在進(jìn)行目標(biāo)跟蹤的過程中,可一般性地認(rèn)為離中心越遠(yuǎn)的地方,像素屬于目標(biāo)區(qū)域的可能性越小,所以在上面引入了k(x)這一權(quán)值函數(shù),降低遠(yuǎn)離中心區(qū)域像素的權(quán)值。再用Bhattacharyya系數(shù)來表示目標(biāo)區(qū)域和候選區(qū)域顏色分布的相似度,則有目標(biāo)p(u)與候選目標(biāo)p(u)(xt)的相似程度可表示為

(5)

(6)

顏色觀測似然函數(shù)定義為

(7)

3 基于模糊推理的多特征信息融合

3.1 多特征信息融合

給定目標(biāo)狀態(tài)xt,設(shè)計(jì)目標(biāo)觀測函數(shù)如下:

P(zt|xt)=aps(zt|xt)+bpc(zt|xt),a+b=1

(8)

該式在形式上融合了目標(biāo)形狀信息和顏色信息兩部分的觀測量,ps(zt|xt)是目標(biāo)形狀模型的觀測似然函數(shù),pc(zt|xt)是目標(biāo)顏色模型的觀測似然函數(shù)。a和b分別代表兩種模型在整個(gè)跟蹤過程中的權(quán)重并且有0≤a,b≤1。在跟蹤過程中,如果某一段時(shí)間內(nèi),顏色信息可靠,則這段時(shí)間中a值較大,否則b值較大。

3.2 模糊推理與權(quán)值調(diào)節(jié)

模糊規(guī)則定義如下:

其中,Rj為第j條模糊規(guī)則,i為模糊規(guī)則總數(shù),e為模糊輸入,u為模糊輸出。A和B為模糊集合。模糊推理的原理如圖1所示,即在論域中的模糊集用[0 1]上取值的隸屬函數(shù)u來說明隸屬程度。

圖1 模糊推理原理圖

在運(yùn)用到本文算法中的時(shí)候,模糊輸入e即為當(dāng)前幀目標(biāo)形狀和顏色的的似然函數(shù),分別用es和ec來表示,可由式(2)和式(7)求出。輸出u為形狀權(quán)值a和顏色權(quán)值b。根據(jù)式(8)中的a+b=1,所以只需要求出一個(gè)權(quán)值,則另一個(gè)權(quán)值也知道了。模糊推理對(duì)跟蹤期間不可靠的信息輸出較小的權(quán)值,相反輸出較大權(quán)值。

4 基于雙特征融合的粒子濾波算法

在運(yùn)用特征融合技術(shù)的時(shí)候,需要知道目標(biāo)模型的觀測似然函數(shù),而粒子濾波算法無論是對(duì)目標(biāo)狀態(tài)還是對(duì)目標(biāo)觀測模型、系統(tǒng)噪聲的分布都沒有限制,因此將雙特征融合同粒子濾波算法結(jié)合起來。

4.1 系統(tǒng)初始化

4.2 重要性采樣

求得t時(shí)刻目標(biāo)的真實(shí)位置,再根據(jù)目標(biāo)的特征信息計(jì)算似然函數(shù):

1) 由式(2)計(jì)算形狀觀測似然函數(shù)ps(zt|xt);

2) 由式(7)計(jì)算顏色觀測似然函數(shù)pc(zt|xt);

3) 由式(8)計(jì)算總的觀測似然函數(shù)P(zt|xt)。

(9)

并對(duì)其歸一化處理:

(10)

4.3 重采樣

(11)

(12)

再根據(jù)式(2)式(7)分別計(jì)算目標(biāo)形狀特征和顏色特征信息的模糊輸入es和ec。根據(jù)es和ec利用模糊推理來調(diào)節(jié)每個(gè)特征信息的權(quán)值a和b。

5 實(shí)驗(yàn)結(jié)果與分析

本文以Visual Studio 2012為開發(fā)工具和微機(jī)自帶的攝像頭在無光照變化、有遮擋和顏色發(fā)生變化的情況下實(shí)現(xiàn)了提出的目標(biāo)跟蹤算法(如圖2),并與經(jīng)典的粒子濾波目標(biāo)跟蹤算法進(jìn)行比較。其中圖2第一幅圖可知(a)經(jīng)典粒子濾波跟蹤算法在跟蹤目標(biāo)時(shí)當(dāng)顏色特征或形狀發(fā)生變化時(shí),跟蹤就會(huì)發(fā)生漂移而脫離目標(biāo)。而對(duì)(b)模糊推理的多特征融合粒子濾波跟蹤算法卻沒有因?yàn)槟骋惶卣鞯母淖兌鴣G失對(duì)目標(biāo)的跟蹤。

圖2(a) 經(jīng)典粒子濾波在跟蹤算法

圖2(b) 改進(jìn)的粒子濾波跟蹤算法

實(shí)驗(yàn)中利用顏色核函數(shù)直方圖和Chamfer距離的似然函數(shù)兩種信息來共同描述目標(biāo)的觀測方程,再引入模糊推理理論對(duì)兩種不同的特征信息賦權(quán)值a和b,當(dāng)某一個(gè)特征變化明顯時(shí),其權(quán)值變小而另一個(gè)特征的權(quán)值變大從而能持續(xù)無較大影響的跟蹤目標(biāo)。圖3所示為經(jīng)典粒子濾波和本文方法的跟蹤目標(biāo)曲線,可以看出,改進(jìn)的粒子濾波能穩(wěn)定且誤差較小的跟蹤上目標(biāo),通過仿真實(shí)驗(yàn)可看出雖然跟蹤時(shí)間略長,但在滿足實(shí)時(shí)性跟蹤處理的要求下能更穩(wěn)定更低誤差的跟蹤目標(biāo)。

表1 實(shí)驗(yàn)跟蹤誤差(標(biāo)準(zhǔn)誤差均值)和平均每幀跟蹤時(shí)間比較

圖3 跟蹤目標(biāo)曲線圖

圖4為經(jīng)典粒子濾波算法和本文提出的算法在該圖像序列上的跟蹤誤差,可以看出采樣次數(shù)的增加對(duì)本文算法的誤差影響并不大。由圖3和表1可以看出本文算法的穩(wěn)定跟蹤時(shí)間為43.18ms(略大于經(jīng)典粒子濾波(39.97ms)),但是能滿足實(shí)時(shí)性跟蹤處理要求。

圖2 經(jīng)典粒子濾波算法與本文算法跟蹤誤差比較

6 結(jié)語

基于經(jīng)典粒子濾波基礎(chǔ)上,提出一種利用模糊推理的多特征融合粒子濾波算法。該算法既能融合目標(biāo)形狀、顏色雙特征信息,還可以穩(wěn)定較小誤差的跟蹤目標(biāo)。本文算法優(yōu)于經(jīng)典的particle filter算法。

[1] 楊威,付耀文,潘曉剛,等.弱目標(biāo)檢測前跟蹤技術(shù)研究綜述[J].電子學(xué)報(bào),2014,42(9):1789-1792. YANG Wei, FU Yaowen, PAN Xiaogang, et al. Track-Before-Detect Technique for Dim Targets: An Overview[J]. ACTA Electronica Sinica,2014,42(9):1789-1792.

[2] 陳遠(yuǎn).復(fù)雜場景中視覺運(yùn)動(dòng)目標(biāo)檢測與跟蹤[D].武漢:華中科技大學(xué)博士論文,2008. CHEN Yuan. Research on Visual Object Detecting and Tracking in Complex Environment[D]. Wuhan: For the Degree of Doctor of Philosophy in Engineering of Huazhong University of Science and Technology,2008.

[3] 薛陳,朱明,劉春香.遮擋情況下目標(biāo)跟蹤算法綜述[J].中國光學(xué)與應(yīng)用光學(xué),2009,5(2):388-394. XUE Chen, ZHU Ming, LIU Chunxiang. Review of tracking algorithms under occlusions[J]. Chinese Optics and Applied Optics Abstracts,2009,5(2):388-394.

[4] 楊璐,李明,張鵬.一種新的改進(jìn)粒子濾波算法[J].西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,37(5):862-865. YANG Lu, LI Ming, ZHANG Peng. New improved particle filter algorithms[J]. Journal of Xidian University(Natural Science),2010,37(5):862-865.

[5] 顧幸方,茅耀斌,李秋潔.基于Mean Shift的視覺目標(biāo)跟蹤算法綜述[J].計(jì)算機(jī)科學(xué),2012,12(39):16-24. GU Xingfang, MAO Yaobin, LI Qiujie. Survey on Visual Tracking Algorithms Based on Mean Shift[J]. Computer Science,2012,12(39):16-24.

[6] Yilmaz A, Javed O, Shah M. Object tracking: A survey[J]. ACM Computing Surveys,2006,(4):1-45.

[7] 高秀斌,丁盼盼,蔣長帥,等.一種基于多特征融合的粒子濾波目標(biāo)跟蹤算法[J].揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,41(6):752-759. GAO Xiubin, DING Panpan, JIANG Changshuai, et al. A particle filter object tracking algorithm based on multi-feature fusion[J]. Journal of Yangzhou University(Natural Science Edition),2012,41(6):752-759.

[8] 袁廣林,薛模根,韓裕生,等.基于自適應(yīng)多特征融合的mean shift目標(biāo)跟蹤[J].計(jì)算機(jī)研究與發(fā)展,2010,47(9):1663-1671. YUAN Guanglin, XUE Mogen, HAN Yusheng, et al. Mean Shift Object Tracking Based on Adaptive Multi-Feature Fusion[J]. Journal of Computer Research and Development,2010,47(9):1663-1671.

[9] 趙敏.單目視覺多行人目標(biāo)檢測與跟蹤技術(shù)研究[D].重慶:重慶大學(xué)博士論文,2010. ZHAO Min. Study on Multi-pedestrian Detection and Tracking Technology with Monocular Vision[D]. Chongqing: A Thesis Submitted to Chongqing Unitersity in Partial Fulfillment of the Requirement for the Degree of Doctor of Engineering,2010.

[10] 安國成,高建坡,吳鎮(zhèn)揚(yáng).基于多觀測模型的粒子濾波頭部跟蹤算法[J].中國圖象圖形學(xué)報(bào),2009,14(1):106-111. AN Guocheng, GAO Jianbo, WU Zhenyang. Particle Filter Algorithm for Head Tracking Based on Multi-observation Models[J]. Journal of Image and Graphics,2009,14(1):106-111.

[11] 曹潔,李偉.基于多特征融合的目標(biāo)跟蹤算法[J].蘭州理工大學(xué)學(xué)報(bào),2011,37(2):80-84. CAO Jie, LI Wei. Object tracking based on multi-feature fusion[J]. Journal of Lanzhou University of Technology,2011,37(2):80-84.

[12] 郭瑛,艾渤,鐘章隊(duì).重要性采樣研究進(jìn)展[J].信息與電子工程,2011,5(9):604-609. GUO Ying, AI Bo, ZHONG Zhangdui. A review of importance sampling research[J]. Information and Electronic Engineering,2011,5(9):604-609.

Multi-Feature Fusion Particle Filter Algorithm Based on Fuzzy Reasoning

LU Jian PAN Feng LI Yang

(College of Electronic and Information, Xi’an Polytechnic University, Xi’an 710048)

This paper proposes a modified particle filter algorithm based on multi-feature fusion by using the fuzzy reasoning method. The method effectively follows fusion methods with the fixed weight, at the same time, the fuzzy inference based upon the reliability of tracking information to decide the weight. We seek the each tracking weight ratio according to the observation likelihood function of target model’s sharp and color feature. On the basis of fuzzy reasoning, when the feature information changed during the course of tracking, we can change its weight ratio, at the same time change another feature information weight ratio to continue tracking target without error. Compared with the existing classic algorithms, the proposed algorithm has a better tracking performance property and smaller positioning error. The experimental result shows the better effectiveness than the presented algorithm.

fuzzy reasoning, feature fusion, observation model, particle filter

2016年8月1日,

2016年9月17日

國家自然科學(xué)基金項(xiàng)目(編號(hào):61040055);陜西省教育廳科學(xué)研究項(xiàng)目(編號(hào):2013JK1109)資助。

盧健,男,博士,副教授,研究方向:AUV協(xié)同導(dǎo)航,目標(biāo)跟蹤,圖像處理與模式識(shí)別。潘峰,男,碩士研究生,研究方向:圖像分割與融合。李陽,男,碩士研究生,研究方向:圖像壓縮。

TP301

10.3969/j.issn.1672-9722.2017.02.028