苗 彬,侯 燕

(1. 山東警察學院人事處,山東 濟南 250014;2. 山東警察學院計算機系,山東 濟南 250014)

視覺跟蹤是計算機視覺領域的熱點及難點研究內(nèi)容,是實現(xiàn)高層次視覺行為分析的基礎. 它是指對圖像或視頻序列中的運動目標進行檢測、提取、識別和跟蹤,來獲得運動目標的運動參數(shù)信息,以做進一步的分析,實現(xiàn)對運動目標的行為理解等更高一級的視覺任務[1]. 目前,在粒子濾波算法[2-4]的框架內(nèi)實現(xiàn)魯棒、快速、準確的人體跟蹤成為研究者關注的主要問題,這主要是由于粒子濾波算法可以有效處理復雜場景中的目標遮擋、交互等難題,從而為目標交互行為分析提供基礎. 粒子濾波算法中的2個關鍵步驟是建議分布的設計和再采樣方法的選擇. 在解決不同的跟蹤難題時,研究者根據(jù)目標的外觀特征和動力學模型融合粒子濾波算法框架來設計不同的跟蹤算法. Isard等[2]首次使用粒子濾波算法(Condensation算法)解決視覺跟蹤問題,許多研究者以Condensation算法的工作為基礎,提出了多種有效地處理視覺跟蹤難題的改進算法. Kwon等[3]針對單目標跟蹤問題,提出一種基于仿射群的粒子濾波跟蹤方法. 在建立目標狀態(tài)空間模型時,該算法使用仿射群作為狀態(tài),狀態(tài)轉移模型定義為一種幾何自回歸過程. 在設計建議分布時,通過將建議分布近似為高斯分布,采用局部線性化觀測方程的方式,得到觀測方程的一階泰勒展開式,其思想類似于擴展卡爾曼濾波器(Extended Kalman Filter,EKF),在計算雅可比矩陣的時候,非常耗費時間. 文中提出的算法在單目標跟蹤中比Condensation算法效果要好. Duffne等[4]針對考慮多種目標特征而引起的狀態(tài)空間維數(shù)過高的問題,提出一種基于動態(tài)分治采樣策略(DPS)的粒子濾波算法. DPS策略將高維狀態(tài)空間切分成若干個子空間,每一個子空間對應一種目標特征,采樣粒子時使用分層方式在各子空間中進行采樣. 在子空間中采樣的順序則是根據(jù)各目標特征的可靠性來進行排序,可靠性高的先采樣,以此類推. 目標特征的可靠性依據(jù)該特征從背景中區(qū)別出目標的能力進行度量. DPS-PF算法能夠在復雜的場景中準確地跟蹤目標,具有較好的魯棒性. Li等[5]提出一種漸進自調(diào)整粒子濾波算法,應用于仿射群上的視覺目標跟蹤. 在該算法框架中,使用尺度不變變換特征來描述目標特征,采用漸進主成分分析方法學習自適應外觀子空間以產(chǎn)生相似性度量,實驗結果證明該算法能夠以較少的粒子數(shù)獲得較好的魯棒性和高精確度的跟蹤結果. 文獻[6]針對目標外觀及姿態(tài)變化較大的目標跟蹤問題,提出了基于記憶的粒子濾波算法,該算法在粒子濾波算法的框架內(nèi)引入基于記憶的機制來預測先驗分布,即:使用歷史目標狀態(tài)序列實現(xiàn)目標位姿和外觀的同時估計. 李培華[7]提出了一種基于自適應剖分顏色空間的概率模型和推廣積分圖像的粒子濾波跟蹤算法,旨在處理短時遮擋等難題,并取得了較好的跟蹤效果. Khan等[8]基于粒子濾波算法框架,采用馬爾科夫隨機場運動先驗模型,并結合馬氏鏈蒙特卡羅方法,實現(xiàn)靜態(tài)背景下的可變數(shù)目的多交互目標跟蹤問題,但Khan所提出的方法僅能適用于靜態(tài)背景下的跟蹤問題,其實驗的場景是跟蹤托盤上的數(shù)只螞蟻,具有較大的局限性.

為了解決傳統(tǒng)的粒子濾波跟蹤算法中再采樣方法引起的粒子貧乏問題,提高跟蹤的準確性,本文提出了蟻群優(yōu)化粒子濾波跟蹤算法.該算法采用蟻群優(yōu)化的思想改進傳統(tǒng)粒子濾波算法的再采樣過程,從而避免樣本貧乏現(xiàn)象引起的失跟問題,提高算法的跟蹤成功率.

1 粒子濾波算法

假設k時刻系統(tǒng)的狀態(tài)為xk,觀測值序列為y1:k={y1,y2,…，yk},粒子濾波算法的基本思想是用一組由N個帶權粒子構成的集合近似后驗概率密度p(xk-1|y1:k-1),即:

(1)

(2)

粒子濾波算法中的一個關鍵步驟是再采樣步驟,將權值較小的粒子剔除,保留并復制權值較大的粒子,可以抑制退化現(xiàn)象的影響. 但是,當粒子集合中只有少數(shù)粒子權值較大時,再采樣過程將僅集中到少數(shù)的粒子上,使得粒子多樣性缺失,出現(xiàn)樣本貧乏現(xiàn)象. 目前的解決方法是在再采樣之后引入一個馬氏鏈蒙特卡羅采樣步驟,來恢復粒子多樣性,但計算復雜性非常高. 本文將引入蟻群優(yōu)化算法[9]的思想來取代再采樣,通過模擬螞蟻覓食路徑的構建過程,來模擬粒子在狀態(tài)空間中傳遞的過程,這樣就可以避免樣本貧乏現(xiàn)象的出現(xiàn).

2 基于蟻群優(yōu)化的粒子濾波算法

圖1 基于蟻群優(yōu)化的粒子濾波算法

(3)

每一只螞蟻都以一定的概率訪問搜索空間中的粒子,并最終確定在下一個時刻的位置. 搜索空間中共N個粒子,但最終能吸引螞蟻的粒子總數(shù)不一定為N,粒子的權值越大,吸引的螞蟻就越多.

步驟3:當所有的螞蟻全部訪問搜索空間后,重新對已經(jīng)聚集了螞蟻的粒子的權值進行歸一化,移除沒能吸引螞蟻的粒子.

步驟4:根據(jù)蟻群優(yōu)化算法中的更新步驟,更新信息素,信息素為螞蟻的協(xié)方差.

步驟5:根據(jù)相應的粒子生成策略得到N個k-1時刻的最終粒子,并計算系統(tǒng)狀態(tài)估計值.

經(jīng)過以上步驟之后,得到了當前時刻的粒子集合,基于該粒子集合近似后驗概率密度p(xk-1|y1:k-1),然后估計當前時刻目標的位置信息.

3 實驗結果及分析

本節(jié)采用5個視頻序列來評價本文提出算法的性能,如表1所示. 將本文算法與基本粒子濾波算法(PF)[2]、MCMC-PF算法[8]進行對比,從定性和定量2個方面進行分析.

表1 實驗視頻序列

3.1 定性分析

在其中的Face序列上的跟蹤結果如圖2所示,從上到下依次為本文算法、PF、MCMC-PF. 結果顯示本文算法能夠持續(xù)準確的跟蹤人臉,而其他2種算法則頻繁失去人臉,MCMC-PF算法比PF稍好. 在Marry序列上的跟蹤結果如圖3所示,從上到下依次為本文算法、PF、MCMC-PF. 從該圖可以看出,本文算法在目標發(fā)生旋轉、遮擋時仍然能準確的跟蹤目標,表現(xiàn)出較好的魯棒性. 在其他3個序列上的跟蹤結果分別如圖4～6所示.

分別為第3，19，28，30幀

分別為第33，107，173，250幀

分別為第16，19，26，28，31幀

分別為第17，18，24，26幀

分別為第69，303，458，512幀

3.2 定量分析

在定量分析實驗中,考察算法在5個視頻序列上的跟蹤成功率. 首先定義跟蹤成功為:算法估計的目標區(qū)域中心與目標真實區(qū)域位置中心距離小于目標真實區(qū)域寬度的二分之一. 跟蹤成功率定義為算法成功跟蹤到目標的幀數(shù)與視頻序列總幀數(shù)之比. 實驗結果如表2所示. 本文算法在2個視頻序列上的跟蹤成功率為91.53%,明顯高于其他2種算法.

表2 算法跟蹤成功率對比

4 結 論

本文提出一種基于蟻群優(yōu)化方法的粒子濾波算法. 在粒子濾波算法框架內(nèi),取代傳統(tǒng)的再采樣方法,避免了樣本貧乏現(xiàn)象的出現(xiàn),在跟蹤過程中可以提高算法的跟蹤準確性和魯棒性,有效處理遮擋、交互等跟蹤難題. 實驗結果表明本文提出的算法與傳統(tǒng)的粒子濾波算法相比,表現(xiàn)出出色的跟蹤性能.

參考文獻:

[1] 侯志強,韓崇昭. 視覺跟蹤技術綜述[J]. 自動化學報,2006,32(4):603-617.

[2] Isard M,Blake A. Condensation-conditional density propagation for visual tracking[J]. International Journal of Computer Vision,1998,28(1):5-28.

[3] Kwon J,Lee K,Park F. Visual Tracking via Geometric Particle Filtering on the Affine Group with Optimal Importance Functions[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition. Miami: IEEE,2009:991-998.

[4] Duffner S,Odobez J. Dynamic Partitioned Sampling for Tracking with Discriminative Features[C]//Proceedings of British Machine Vision Conference. London: BMVA,2009:710-718.

[5] Li Min,Chen Wei,Huang Kaiqi,et al. Visual Tracking via Incremental Self-tuning Particle Filtering on the Affine Group[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition. San Francisco: IEEE,2010:1315-1322.

[6] Mikami D,Otsuka K,Yamato J.Memory-based particle filter for tracking objects with large variation in pose and appearance[C]//Proceedings of European Conference on Computer Vision. Greece: Springer,2010:215-228.

[7] 李培華. 一種新穎的基于顏色信息的粒子濾波器跟蹤算法[J]. 計算機學報,2009,32(12):2454-2463.

[8] Khan Z,Balch T,Dellaert F. MCMC-based particle filtering for tracking a variable number of interacting targets[J]. Pattern Analysis and Machine Intelligence,2005,27(11):1805-1819.

[9] Dorigo M,Stutzle T. 蟻群優(yōu)化[M]. 北京:清華大學出版社,2007.