徐 勝，黃 晁，孫 松

(1.寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波 315211；2.寧波中國科學(xué)院信息技術(shù)應(yīng)用研究院，浙江 寧波 315040；3.寧波中科集成電路設(shè)計(jì)中心有限公司，浙江 寧波 315040)

10.3969/j.issn.1003-3114.2018.01.14

徐勝，黃晁，孫松.改進(jìn)的粒子濾波人體目標(biāo)跟蹤算法[J].無線電通信技術(shù),2018,44(1):69-72.

[XU Sheng,HUANG Chao,SUN Song.Improved Particle Filtering Human Target Tracking Algorithm[J].Radio Communications Technology,2018,44(1):69-72.]

改進(jìn)的粒子濾波人體目標(biāo)跟蹤算法

徐 勝1，黃 晁2,3，孫 松1

(1.寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波 315211；2.寧波中國科學(xué)院信息技術(shù)應(yīng)用研究院，浙江 寧波 315040；3.寧波中科集成電路設(shè)計(jì)中心有限公司，浙江 寧波 315040)

針對(duì)現(xiàn)有基于粒子濾波(PF)的行人目標(biāo)跟蹤算法跟蹤精度不高、速度慢以及遮擋魯棒性不好的問題，提出一種結(jié)合支持向量機(jī)(SVM)檢測(cè)的改進(jìn)跟蹤算法。在跟蹤的置信度小于閾值時(shí)進(jìn)行行人跟蹤目標(biāo)的再檢測(cè)，以校正跟蹤位置。對(duì)粒子群優(yōu)化(PSO)算法在優(yōu)化時(shí)可能陷入局部解的現(xiàn)狀，進(jìn)行混沌粒子優(yōu)化(CPSO)尋優(yōu)全局解。實(shí)驗(yàn)結(jié)果表明，提出的算法在一定的粒子數(shù)目前提下精度優(yōu)于其他基于粒子濾波的行人目標(biāo)跟蹤算法，有效降低PF所需粒子數(shù)，算法可實(shí)時(shí)跟蹤。

粒子濾波；行人跟蹤；混沌優(yōu)化；支持向量機(jī)；遮擋

TN911.73

A

1003-3114(2018)01-69-4

2017-10-16

ImprovedParticleFilteringHumanTargetTrackingAlgorithm

XU Sheng1,HUANG Chao2,3,SUN Song1

(1.College of Information and Engineering,Ningbo University,Ningbo 315211,China; 2.Ningbo Institute of Information Technology Application,Ningbo 315040,China; 3.Ningbo Zhongke Integrated Circuit Design Center Co.,Ltd.,Ningbo 315040,China)

To solve the problem that the pedestrian target tracking algorithm based on Particle Filter (PF) is not accurate,slow and poorly shielded,a new tracking algorithm based on Support Vector Machine (SVM) is proposed.The pedestrian tracking target is re-detected to correct the tracking position,when the tracking confidence is not enough.For particle swarm optimization algorithm may fall into the local solution in the optimization,the chaotic particle optimization algorithm is adopted.The experimental results show that the proposed algorithm is better than other particle filter based algorithms on a certain number of particles,and effectively reduces the number of particles required for PF.The algorithm can realize real-time tracking.

particle filtering；pedestrian tracking；chaotic particle swarm optimization；support vector machines;shelter

0 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要分支課題，其中人體目標(biāo)跟蹤應(yīng)用廣泛，如涉及到的有智能交通、監(jiān)控安防、人機(jī)交互系統(tǒng)等。近年來隨著新的算法的提出和深度學(xué)習(xí)的引入使得視覺目標(biāo)跟蹤技術(shù)迅速提升，但實(shí)際應(yīng)用中仍有問題待解決，例如多變環(huán)境、多目標(biāo)、快速移動(dòng)尺度變化等難題。行人跟蹤方法和其他視覺目標(biāo)跟蹤基本一致，可分為基于模板和基于檢測(cè)的方法。基于模板的方法需要先對(duì)目標(biāo)進(jìn)行建模，跟蹤過程中比較候選區(qū)域與模板的相似度來判斷是否是目標(biāo)；基于檢測(cè)目標(biāo)跟蹤則需要相應(yīng)的檢測(cè)器，近年來發(fā)展的相關(guān)濾波算法和深度學(xué)習(xí)模型在跟蹤效果上表現(xiàn)優(yōu)秀。

粒子濾波跟蹤(Partial Filter,PF)[1]作為較經(jīng)典的跟蹤算法，具有非線性、非高斯的特點(diǎn)，在行人、車輛人臉等目標(biāo)跟蹤中應(yīng)用廣泛。在實(shí)際應(yīng)用中由于粒子濾波本身的局限性以及應(yīng)用中的不同需求，涌現(xiàn)了許多改進(jìn)的粒子濾波跟蹤方法。如為解決單一特征的弱魯棒性進(jìn)行了多特征的融合[2]、針對(duì)粒子退化問題的粒子優(yōu)化[3-5]等，以及對(duì)跟蹤目標(biāo)框的自適應(yīng)改進(jìn)等。針對(duì)特定問題的相應(yīng)改進(jìn)分別解決了實(shí)際中的特定問題[6-9]，但無論是較經(jīng)典的粒子濾波跟蹤算法合適近來新興的相關(guān)濾波和神經(jīng)網(wǎng)絡(luò)跟蹤模型都會(huì)存在目標(biāo)在遮擋和丟失時(shí)不能夠在繼續(xù)跟蹤的情況。

針對(duì)這一問題提出在粒子濾波跟蹤框架中結(jié)合檢測(cè)的辦法來實(shí)現(xiàn)魯棒跟蹤，實(shí)驗(yàn)選擇的跟蹤框架為粒子濾波跟蹤算法。行人目標(biāo)檢測(cè)器使用的是支持向量機(jī)(Support Vector Machine,SVM)，訓(xùn)練簡單時(shí)間短、檢測(cè)率高。

1 改進(jìn)粒子濾波跟蹤算法

1.1 PF粒子濾波算法概述

1.2 混沌優(yōu)化粒子濾波

1.2.1 粒子群優(yōu)化算法

粒子群優(yōu)化算法源于對(duì)鳥群捕食行為的研究，基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解，有簡單易實(shí)現(xiàn)，需調(diào)節(jié)參數(shù)少的優(yōu)點(diǎn)，可應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制等領(lǐng)域。

算法抽象粒子i在N維空間的位置表示為一個(gè)矢量Xi=(x1,x2,…xN)，飛行速度矢量為Vi=(v1,v2,…vN)。每個(gè)粒子都有一個(gè)由目標(biāo)函數(shù)決定的適應(yīng)函數(shù)(fitness value),并且知道自己的飛行經(jīng)驗(yàn)以及到目前為止自己的最好位置(pbest)的整個(gè)群體中所有粒子發(fā)現(xiàn)的最好位置(gbest)。粒子在尋優(yōu)中按照式(1)、式(2)進(jìn)行速度和位置的更新,其中c1、c2為學(xué)習(xí)因子通常取值為2，rand()隨機(jī)函數(shù)值在(0,1)范圍內(nèi)。

vi=vi+c1×rand()×(pbesti-xi)+c2×

rand()×(gbesti-xi)，

(1)

xi=vi+xi。

(2)

1.2.2 改進(jìn)粒子群優(yōu)化粒子濾波

文獻(xiàn)[10]使用的是高斯粒子群優(yōu)化算法(Gaussian Particle Swarm Optimization,PSO)提出了GPSOPF跟蹤算法。對(duì)粒子群有虎算法中的粒子速度量使用高斯分布產(chǎn)生，相較于標(biāo)準(zhǔn)粒子群優(yōu)化算法的速度更新方程如下；

vi=vi+c1×|gaus()|×(pbesti-xi)+c2×

|gaus()|×(gbesti-xi)。

(3)

式(3)是對(duì)式(1)進(jìn)行了高斯函數(shù)干擾，gaus()為符合(0,1)的高斯分布。粒子的位置更新公式不變與式相同。

高斯粒子群優(yōu)化算法盡管對(duì)粒子的更新速度添加了高斯變異，但與標(biāo)準(zhǔn)的例子群優(yōu)化算法一樣，在尋優(yōu)時(shí)仍容易陷入局部最優(yōu)解，錯(cuò)過全局最優(yōu)解。文獻(xiàn)[11]對(duì)粒子群優(yōu)化算法進(jìn)行了混沌優(yōu)化，對(duì)粒子的位置進(jìn)行了混沌優(yōu)化操作。式(4)可以看作一個(gè)動(dòng)力學(xué)系統(tǒng)，其中u為控制參量，u確定后由任意初始值z(mì)0∈(0,1)可迭代出一個(gè)確定的任意序列。對(duì)粒子的位置進(jìn)行公式所示的尋優(yōu)。

zn+1=uzn(1-zn)n=0,1,2,...。

(4)

2 結(jié)合SVM檢測(cè)的粒子濾波跟蹤

2.1 支持向量機(jī)

支持向量機(jī)是定義在特征空間上間隔最大化的二分類模型[12-13]。其主要算法思想是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。SVM在機(jī)器學(xué)習(xí)任務(wù)中經(jīng)常被用來做分類和識(shí)別，通過提取訓(xùn)練樣本得到特征向量，使用特征向量來表示樣本。對(duì)于給定的個(gè)樣本，xi∈Rd和類標(biāo)簽ti∈{-1,1},?i∈{1,N}，SVM找到滿足式(5)和式(6)的超平面。其中w、b分別表示超平面的法線和偏置，εi為松弛變量，C>0為懲罰系數(shù)，針對(duì)不同問題設(shè)置不同懲罰程度。

(5)

(6)

2.2 支持向量機(jī)訓(xùn)練

訓(xùn)練和測(cè)試樣本庫選擇為INRIA行人庫，其中正樣本規(guī)格為64×128共2 416個(gè)，負(fù)樣本尺寸由340×240到640×480不等共1 218個(gè)。選擇梯度向量直方圖(Histogram of Oriented Gradient,HOG)作為樣本的描述特征，并進(jìn)行主成分分析(Principal Component Analysis，PCA)降維以提高訓(xùn)練和檢測(cè)的速度，根據(jù)文獻(xiàn)[14]實(shí)驗(yàn)中將3 780維HOG特征降到50維，其中訓(xùn)練樣本中正樣本如圖1所示。

圖1 訓(xùn)練正樣本

2.3 結(jié)合檢測(cè)的粒子跟蹤算法

將訓(xùn)練好的檢測(cè)器結(jié)合到跟蹤算法中，通過對(duì)比預(yù)測(cè)位置區(qū)域的置信度來決定是否需要進(jìn)行目標(biāo)檢測(cè)，實(shí)驗(yàn)中設(shè)置的閾值(threshold)為0.4,小于閾值時(shí)進(jìn)行目標(biāo)檢測(cè)，即是否進(jìn)行目標(biāo)檢測(cè)步驟跟在目標(biāo)預(yù)測(cè)之后，完整的優(yōu)化跟蹤檢測(cè)算法流程如下：

1．參數(shù)初始化2．讀取i幀圖像序列3．初始化跟蹤目標(biāo)，跟蹤標(biāo)記track4．讀取i+1幀圖像5．iftrack=true ①重要性采樣 ②預(yù)測(cè)估計(jì)，根據(jù)上一幀目標(biāo)位置(xt-1，yt-1)及目標(biāo)框大小獲取候patch，提取HOG特征，給出當(dāng)前目標(biāo)位置預(yù)測(cè)(xt，yt)，計(jì)算置信度f if f

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)分析指標(biāo)和環(huán)境

為驗(yàn)證算法的有效性，選擇了VOT(Visual Object Tracking)測(cè)試序列中的含有行人目標(biāo)的序列和室內(nèi)監(jiān)控視頻序列進(jìn)行跟蹤測(cè)試。主要遇到的困難有目標(biāo)速度快、多目標(biāo)、近景目標(biāo)、遮擋以及尺度環(huán)境光照變化等。

對(duì)算法的衡量指標(biāo)采用文獻(xiàn)[15]中提到的，中心位置誤差(Center location error,CLE)、重疊精度(Overlap precision,OP)和距離精度(Distance precision,DP)是CLE小于閾值的幀數(shù)占總的視頻序列幀數(shù)的百分比、幀率(Frames per Second,FPS)和粒子數(shù)Num，其中重疊精度閾值選擇常用的0.5。

實(shí)驗(yàn)所基于的硬件為i5-4200CPU,主頻2.5 GHz，8 G內(nèi)存。Visual Studio2013環(huán)境C++編程以及Opencv2.4庫。

3.2 實(shí)驗(yàn)結(jié)果及分析

選擇的測(cè)試視頻序列信息和在跟蹤中存在的挑戰(zhàn)如表1所示，表2為所有測(cè)試視頻指標(biāo)的平均值。

表1 測(cè)試序列信息

視頻幀數(shù)存在困難Basketball326遮擋、多目標(biāo)、快速移動(dòng)Graduate434遮擋、多尺度Girl500遮擋Crossing131鏡頭晃動(dòng)，尺度變化Indoor115近景目標(biāo)

表2 實(shí)驗(yàn)記錄

指標(biāo)PFPSOPFGPSOPFCPSOPFCPSOPF+SVM粒子數(shù)/個(gè)505050505040CLE/pixel25．714．911．410．69．710．2DP/%71．57576．4798280OP/%6370．373．6757774．6FPS19．520．419．918．817．422．3

從表2測(cè)試結(jié)果可以看出混沌優(yōu)化粒子濾波在使用的粒子數(shù)相同時(shí)，CLE、DP、OP項(xiàng)指標(biāo)均好于標(biāo)準(zhǔn)粒子群優(yōu)化濾波和高斯粒子群優(yōu)化濾波；對(duì)于標(biāo)準(zhǔn)粒子濾波提升效果明顯，CLE比標(biāo)準(zhǔn)粒子群優(yōu)化提高約5像素，DP提高4%，OP提高5%，說明混沌粒子群優(yōu)化算法相較于其他優(yōu)化算法尋優(yōu)效果更好。優(yōu)于優(yōu)化算法在一定程度上增加了整體計(jì)算時(shí)間，F(xiàn)PS指標(biāo)要低于標(biāo)準(zhǔn)PF和其他粒子優(yōu)化濾波。

表中可看出結(jié)合了SVM檢測(cè)后除了FPS指標(biāo)外，其他指標(biāo)均優(yōu)于未結(jié)合檢測(cè)的混沌優(yōu)化粒子濾波跟蹤。實(shí)驗(yàn)中采用了PCA降維對(duì)檢測(cè)時(shí)的特征進(jìn)行降維處理以提高檢測(cè)速度，HOG特征降維到50維后檢測(cè)73×130大小圖像約為40 ms。算法中對(duì)所需監(jiān)測(cè)區(qū)域進(jìn)行了縮放處理保證檢測(cè)速度。

粒子群優(yōu)化使得粒子相跟好的個(gè)體靠近，從而可以減少粒子濾波框架中所需的粒子數(shù)，而粒子數(shù)越多理論上跟蹤就越精確，但這是以效率為代價(jià)。實(shí)驗(yàn)測(cè)試了減少粒子數(shù)(以50每次減少5個(gè))，粒子數(shù)減少到40時(shí)可達(dá)到實(shí)時(shí)效果且其他指標(biāo)基本仍優(yōu)于其他粒子優(yōu)化濾波。圖2為提出的算法在basketball和girl兩個(gè)序列的跟蹤效果，個(gè)序列存在目標(biāo)遮擋的困難且basketball存在顏色相似和目標(biāo)快速運(yùn)動(dòng)的困難，粗框?yàn)楦櫩颍?xì)框?yàn)闃?biāo)記框。

(a)basketball

(b)girl圖2 部分序列跟蹤效果(粗框?yàn)楦櫩?，?xì)框?yàn)闃?biāo)記框)

4 結(jié)束語

對(duì)現(xiàn)有的粒子濾波方法進(jìn)行分析，對(duì)于粒子濾波中的采樣環(huán)節(jié)中常用的粒子群優(yōu)化進(jìn)行改進(jìn)，使用混沌優(yōu)化進(jìn)行粒子位置全局優(yōu)化，實(shí)驗(yàn)結(jié)果表明優(yōu)化方法有效。將支持向量機(jī)融合到跟蹤算法中進(jìn)行再檢測(cè)，實(shí)現(xiàn)了在跟蹤目標(biāo)被遮擋后還能夠再次檢測(cè)出目標(biāo)并進(jìn)行跟蹤，提高了算法的魯棒性。下一步工作可進(jìn)一步優(yōu)化算法降低復(fù)雜度提高效率和跟蹤性能。

[1] Arulampalam M S,Maskell S,Gordon N,et al.A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking[J].IEEE Transactions on Signal Processing,2002,50(2)：174-188.

[2] 劉婕.復(fù)雜場(chǎng)景多特征融合粒子濾波目標(biāo)跟蹤[D].重慶：重慶理工大學(xué),2015.

[3] 李東年,周以齊.采用改進(jìn)粒子群優(yōu)化粒子濾波的三維人手跟蹤[J].光學(xué)精密工程,2014(10):2870-2878.

[4] 孟軍英.基于粒子濾波框架目標(biāo)跟蹤優(yōu)化算法的研究[D].秦皇島：燕山大學(xué),2014.

[5] 陳志敏,薄煜明,吳盤龍.基于自適應(yīng)粒子群優(yōu)化的新型粒子濾波在目標(biāo)跟蹤中的應(yīng)用[J].控制與決策,2013(2):193-200.

[6] 明新勇.基于均值漂移和粒子濾波的目標(biāo)跟蹤算法研究[D].南京：南京理工大學(xué),2008.

[7] 曹潔,李偉.一種改進(jìn)的粒子濾波算法及其性能分析[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(8):144-147.

[8] 吳桐,王玲,李鐘敏,等.基于混合觀測(cè)模型的粒子濾波跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(6):172-177.

[9] 楊向波,朱虹,鄧穎娜,等.基于粒子濾波的人臉跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(23):209-211.

[10] 方正,佟國峰,徐心和.粒子群優(yōu)化粒子濾波方法[J].控制與決策,2007(3):273-277.

[11] 高鷹,謝勝利.混沌粒子群優(yōu)化算法[J].計(jì)算機(jī)科學(xué),2004(8):13-15.

[12] Smola A J,Sch?lkopf B.A Tutorial on Support Vector Regression[J].Statistics and Computing,2004,14(3)：199-222.

[13] Chen P H,Lin C J,Sch?lkopf B.A Tutorial on ν-Support Vector Machines[J].Applied Stochastic Models in Business and Industry,2005,21(2)：111-136.

[14] 陳銳,王敏,陳肖.基于PCA降維的HOG與LBP融合的行人檢測(cè)[J].信息技術(shù),2015(2):101-105.

[15] Wu Y, Lim J,Yang M H.Object Tracking Benchmark[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,37(9)：1834-1848.

徐勝(1991—)，男，碩士研究生，主要研究方向：目標(biāo)檢測(cè)與跟蹤、機(jī)器學(xué)習(xí)等；

黃晁(1971—)，男，博士，研究員，主要研究方向：網(wǎng)絡(luò)傳感、智能感知技術(shù)等;

孫松(1992—)，男，碩士研究生，主要研究方向：目標(biāo)檢測(cè)與跟蹤、機(jī)器學(xué)習(xí)、信息隱藏等。