朱 敏，蘇 博

（貴州大學(xué)職業(yè)技術(shù)師范學(xué)院 貴陽 550003）

1 基于隱馬爾可夫的粒子濾波原理

粒子濾波（particle filter）的主要思路是通過描述一組粒子的權(quán)值來體現(xiàn)后驗(yàn)概率，通過一定的規(guī)則來計(jì)算粒子的權(quán)重，把粒子的權(quán)重通過線性求和來獲取新的位置，從而實(shí)現(xiàn)對(duì)目標(biāo)的智能追蹤。根據(jù)蒙特卡羅理論，粒子的權(quán)重與粒子所代表區(qū)域的目標(biāo)直方圖與目標(biāo)模板直方圖相似度成正比，當(dāng)粒子的數(shù)目足夠多，這組具有權(quán)值的粒子就能完全地描述后驗(yàn)概率分布，此時(shí)粒子濾波就是最優(yōu)的貝葉斯估計(jì)。因此，通過一定的算法計(jì)算粒子濾波的權(quán)重，就能夠?qū)δ繕?biāo)運(yùn)動(dòng)實(shí)現(xiàn)智能追蹤。

本文中筆者使用隱馬爾可夫模型（HMM）來對(duì)跟蹤進(jìn)行預(yù)測(cè)，以圖像數(shù)據(jù)為觀察值，目標(biāo)的位置和大小作為隱藏的狀態(tài)。

給定從開始到時(shí)間t的觀察值向量Yt={y1,y2,y3,…,yt}，這些可見的觀察值是從圖像數(shù)據(jù)中提取的，Xt={x1,x2,x3,…,xt}是目標(biāo)的隱藏狀態(tài)如大小、位置等，如圖1所示。每個(gè)粒子由狀態(tài)與相應(yīng)的權(quán)重（概率）組成，可表示為 ，其中i表示粒子的編號(hào)，而Nm表示粒子的數(shù)量，在每一個(gè)時(shí)刻， 表示第f個(gè)粒子所預(yù)測(cè)的目標(biāo)狀態(tài)，那么目標(biāo)跟蹤的目的在于使用貝葉斯濾波分布估計(jì)p（xt|Yt），見式（1）。

其中初始狀態(tài)p（x0）表示目標(biāo)初始的狀態(tài)（位置和大?。?，本章中運(yùn)動(dòng)分割的結(jié)果作為 p（x0）,p（xt|xt-1）表示轉(zhuǎn)移模型，描述了兩幀圖像之間目標(biāo)的移動(dòng)，一個(gè)簡(jiǎn)單的辦法就是通過對(duì)當(dāng)前狀態(tài)附近的高斯窗口進(jìn)行采樣得到，更好的辦法則是考慮前面狀態(tài)的速度和加速等信息。p（yt|xt）表示觀察模型，描述了目標(biāo)處于某種狀態(tài)（即位于某位置和大?。┑南嗨瞥潭?。

2 智能粒子濾波監(jiān)控算法

在攝像頭的視頻監(jiān)控中，由于觀察角度的問題，目標(biāo)之間發(fā)生遮擋是比較常見的現(xiàn)象，由于傳統(tǒng)跟蹤方法很少考慮遮擋等突變因素對(duì)目標(biāo)跟蹤的影響從而導(dǎo)致跟蹤失敗進(jìn)而影響跟蹤效果，因此如何解決遮擋目標(biāo)等突變的跟蹤是提高跟蹤效果的重要方面。

對(duì)于靜止攝像頭的視頻監(jiān)控，當(dāng)目標(biāo)之間發(fā)生遮擋等突變時(shí)，這些目標(biāo)重疊在一起，因此無法通過剪掉背景的方法來直接檢測(cè)到這些目標(biāo)，無法直接獲得這些目標(biāo)的狀態(tài)，需要處理遮擋目標(biāo)跟蹤等突變的算法來解決。下文設(shè)計(jì)了兩個(gè)分步的算法來實(shí)現(xiàn)對(duì)突變目標(biāo)的智能監(jiān)控。

2.1 目標(biāo)先驗(yàn)算法

遮擋目標(biāo)的先驗(yàn)概率分布為p(W(t)|W(t-1))，已知t-1時(shí)刻的遮擋目標(biāo)W(t-1)狀態(tài)預(yù)測(cè)遮擋目標(biāo)在t時(shí)刻的狀態(tài)W(t)。由于是t時(shí)刻所有遮擋目標(biāo)的先驗(yàn)概率分布，且遮擋目標(biāo)的先驗(yàn)概率分布之間是相互獨(dú)立的，因此其中Bit表示 t時(shí)刻i目標(biāo)的狀態(tài)，Bit-1表示t-1時(shí)刻i目標(biāo)的狀態(tài)，n(t)表示t時(shí)刻遮擋目標(biāo)的數(shù)量。由于目標(biāo)用直方圖表示，所以先驗(yàn)概率分布函數(shù)從R、G、B三個(gè)角度來預(yù)測(cè)目標(biāo)的狀態(tài)，所以有：

其中PR(Bit|Bit-1)表示直方圖中R（紅像素）的預(yù)測(cè)函數(shù)，PB(Bit|Bit-1)表示直方圖中B（藍(lán)像素）的預(yù)測(cè)函數(shù)，PG(Bit|Bit-1)表示直方圖中G（綠像素）的預(yù)測(cè)函數(shù)。

2.2 利用運(yùn)動(dòng)歷史圖像處理突變運(yùn)動(dòng)算法

通常在跳幀的情況下，目標(biāo)的運(yùn)動(dòng)變得突變而且不大好預(yù)測(cè)，那么結(jié)果會(huì)逐漸地遠(yuǎn)離目標(biāo)真實(shí)狀態(tài)的樣本集而最終導(dǎo)致跟蹤的失敗。為了解決跟蹤丟失的問題，本文設(shè)計(jì)了運(yùn)動(dòng)歷史圖像（motion history image，MHI）方法，它使用連續(xù)的、分層的輪廓線來代表運(yùn)動(dòng)而且從計(jì)算量來講完全是實(shí)時(shí)的。這種方法可被用于視頻場(chǎng)景中分割和測(cè)量運(yùn)動(dòng)，而且不局限于固定的場(chǎng)景。對(duì)于突變的運(yùn)動(dòng)來講，其輪廓線更加突出。這些分割出的區(qū)域不是“運(yùn)動(dòng)斑點(diǎn)”，而是一些自然連接到目標(biāo)移動(dòng)部分的感興趣區(qū)域。MHI主要用來描述圖像中物體運(yùn)動(dòng)的狀態(tài)，其每一個(gè)像素采用顏色深淺來表示最近變動(dòng)的情形。首先，通過背景RGB的平均值來區(qū)分和標(biāo)識(shí)前景和后景，然后通過膨脹和區(qū)域生長(zhǎng)的方法來去除噪聲點(diǎn)和提取輪廓線，最后MHI的表示按照式（2）進(jìn)行更新。

MHI的梯度（運(yùn)動(dòng)方向）可以通過Sobel算子在X和Y方向上產(chǎn)生的空間導(dǎo)數(shù)來有效地計(jì)算Fx(x,y)和Fy(x,y)。一個(gè)全局權(quán)重方向上的簡(jiǎn)單計(jì)算如式（3）所示：

3 程序設(shè)計(jì)

有了上文的算法作為基礎(chǔ)，本文在考慮突變運(yùn)動(dòng)的影響下，使用VC++語言設(shè)計(jì)了程序的算法思路，具體如下。

Input：初始分布P(x0)，描述了目標(biāo)狀態(tài)的初始分布以及以t+l時(shí)刻為截止的一系列圖像。

Output：xt，描述了目標(biāo)在時(shí)刻 t的狀態(tài)。

Begin:

（1）檢測(cè)：計(jì)算t+1時(shí)刻MHI梯度以及對(duì)應(yīng)的方向向量

（2）預(yù)測(cè)：for i=1，…，Nm。

（5）重采樣：根據(jù)粒子的權(quán)重進(jìn)行重采樣，保證粒子總個(gè)數(shù)N不變，采樣的結(jié)果是權(quán)重大的粒子被復(fù)制成多個(gè)新粒子，權(quán)重過小的粒子被忽略，偽代碼為：

int ire=0；

for(int j=0；j

{

rtmp=r+(double)(j)／(double)(N)；

while(rtmp>wa[ire])

支付寶IoT事業(yè)部總經(jīng)理鐘繇介紹，刷臉支付產(chǎn)品“蜻蜓”的體積只有原來自助刷臉機(jī)具的十分之一，即插即用，也不用改造商家ERP系統(tǒng)。但同時(shí)，它在刷臉技術(shù)上更為先進(jìn)：采用了3D結(jié)構(gòu)光攝像頭，更快更準(zhǔn)；升級(jí)了智能引擎，在常去、熟悉的環(huán)境下，用戶無需輸入手機(jī)號(hào)碼即可完成付款。

ire++

xReSample[j]=sTracking[goal].sParticle[ire].x；

yReSample[j]=sTracking[goal].sParticle[ire].y,

}

End

4 仿真測(cè)試

在VC++平臺(tái)上做跟蹤試驗(yàn)，輸入352×288大小、AVI格式的視頻。結(jié)合§3的算法流程完成算法編寫，對(duì)跟蹤結(jié)果截圖得到圖像序列，抽取其中的幾張圖片進(jìn)行效果顯示。對(duì)街道上的視頻用隱馬爾可夫模型粒子濾波方法進(jìn)行跟蹤，跟蹤結(jié)果的圖像序列如圖2所示，目標(biāo)被穩(wěn)定地跟蹤。

該圖像序列的目標(biāo)模板的B、G、R歸一化顏色直方圖為M_hist，候選框顏色直方圖Hist，如表1、2所示。

利用相似度公式：

表1 目標(biāo)模板顏色直方圖M_hist

表2 候選框顏色直方圖Hist

將表1、表2代入相似度公式進(jìn)行計(jì)算，最后算得cosθ≈9.9819，根據(jù)相似度原理，通過比較 M-hist與 Hist2的相似度即可判定追蹤效果?；诒疚姆椒▋?yōu)化后的粒子濾波算法在跟蹤時(shí)取得了較好的效果，能部分解決背景干擾、光照變化、遮擋等突變情況下的目標(biāo)追蹤的難點(diǎn)問題。

5 結(jié)束語

在對(duì)于運(yùn)動(dòng)目標(biāo)的智能視頻監(jiān)控中，突變智能跟蹤不但是其中難解決的問題之一，而且已經(jīng)成為制約視頻智能監(jiān)控性能的瓶頸。因此，本文重點(diǎn)研究智能視頻監(jiān)控中的智能突變跟蹤，應(yīng)用隱馬爾可夫粒子濾波理論為目標(biāo)跟蹤問題進(jìn)行算法分析，對(duì)突變的情況進(jìn)行智能監(jiān)控算法分析，然后結(jié)合算法，在VC++平臺(tái)上做跟蹤試驗(yàn)，證實(shí)在這種算法下，突變情況能夠被智能監(jiān)控系統(tǒng)穩(wěn)定地跟蹤。

1 梁艷春.群智能優(yōu)化算法理論與應(yīng)用.北京：科學(xué)出版社，2009

2 羅斯（Ross S M）（美）著，龔光魯譯.應(yīng)用隨機(jī)過程概率模型導(dǎo)論.北京：人民郵電出版社，2007

3 阿培丁（土）著，范明等譯.機(jī)器學(xué)習(xí)導(dǎo)論.北京：機(jī)械工業(yè)出版社，2009

4 吉奧克（Giarratano J）（美）等著，印鑒等譯.專家系統(tǒng)原理與編程.北京：機(jī)械工業(yè)出版社，2006

5 焦李成.智能SAR圖像牏與解譯.北京：科學(xué)出版社，2008

6 段淑敏，張濤.基于HMM的個(gè)性化智能推薦研究.平頂山學(xué)院學(xué)報(bào)，2007（5）：100～103

7 林亞平，劉云中.基于最大熵的隱馬爾可夫模型文本信息抽取.電子學(xué)報(bào)，2005（2）：236～240