姜道偉，袁 亮，巨 剛

(新疆大學(xué) 機械工程學(xué)院，烏魯木齊 830047)

基于圖像技術(shù)與粒子濾波融合新算法的機器人多目標(biāo)跟蹤*

姜道偉，袁 亮，巨 剛

(新疆大學(xué) 機械工程學(xué)院，烏魯木齊 830047)

機器人的目標(biāo)跟蹤技術(shù)是機器人定位導(dǎo)航技術(shù)中的重要一環(huán)。為了能夠精確的跟蹤機器人的位置和速度信息，文章提出了一種多方法融合的粒子濾波算法。該算法是采用圖像顏色直方圖結(jié)合高斯核函數(shù)挖掘特征數(shù)據(jù)，融合粒子濾波改進(jìn)算法自動追蹤機器人目標(biāo)。此外，為了解決粒子濾波中樣本貧化，即在粒子濾波計算中很大一部分粒子重疊到一個單獨的點上的情況，需要重采樣計算解決此問題，但在重采樣過程中容易造成一些粒子丟失各向異性導(dǎo)致跟蹤精度降低，甚至跟蹤目標(biāo)失敗，結(jié)合標(biāo)準(zhǔn)粒子濾波提出了一種新型重采樣約束方法。實驗結(jié)果表明，基于顏色分布改善后的粒子濾波算法能有效的減少樣本分化問題，并且可以高精度的識別出移動、急轉(zhuǎn)和相遇的機器人目標(biāo)。

機器人導(dǎo)航；目標(biāo)識別；圖像技術(shù)；核函數(shù)；重采樣約束法；顏色直方圖

0 引言

目標(biāo)跟蹤是機器人導(dǎo)航的核心問題之一[1]，是一種融合模式識別、圖像處理、人工智能等領(lǐng)域的高新技術(shù)，在軍事和民用領(lǐng)域都有廣泛使用[2]。

目前，自動跟蹤的算法有很多種類，比如卡爾曼濾波，擴展卡爾曼濾波[3]，標(biāo)準(zhǔn)粒子濾波算法等。Ke-jiaBAI和Wei-mingLIU[4]在標(biāo)準(zhǔn)粒子濾波中融合MeanShift算法，解決了粒子衰減問題;M.SanjeevArulamplam[5]提出了對復(fù)雜目標(biāo)的跟蹤方法；BingJU等人[6]在標(biāo)準(zhǔn)粒子濾波預(yù)測過程中對每一步粒子更新采用光滑狀態(tài)估計法，使得基于建議分布粒子濾波算法更精確。上述三種方法，均存在計算量較大，實時跟蹤效果較差等問題。孫同同等[7]通過空間激光通信對目標(biāo)進(jìn)行檢測與跟蹤，能夠精確地檢測出實時運動的物體并進(jìn)行瞬時跟蹤；高森等[8]基于距離加權(quán)的機器人運動目標(biāo)跟蹤，能夠滿足跟蹤任務(wù)要求。但上述兩種方法均不能對多目標(biāo)進(jìn)行良好的跟蹤，等等。

鑒于此，本文采用圖像技術(shù)與新型粒子濾波融合算法，在標(biāo)準(zhǔn)粒子濾波基礎(chǔ)對重采樣過程進(jìn)行區(qū)域約束，使得粒子在重采樣過程中不再喪失粒子各向異性。引進(jìn)高斯核函數(shù)，將每幀圖像用顏色直方圖進(jìn)行相似度比較，得出觀測修正信息，使新型粒子濾波在跟蹤目標(biāo)過程中更可靠，更有效率。

1 機器人圖像理論分析

機器人目標(biāo)跟蹤的狀態(tài)矢量是由運動學(xué)參數(shù)和橢圓特征參數(shù)組成，我們采用的狀態(tài)矢量為：

(1)

機器人樣本是通過運動狀態(tài)模型方程逐步更新粒子,更新方程為：

(2)

分析機器人的運動特性，是用圖像處理的方法對視頻進(jìn)行分幀處理，再通過圖像分割技術(shù)采用圖象顏色直方圖,從圖像中機器人運動領(lǐng)域提取特征數(shù)據(jù)，可以用顏色直方圖來描述。

圖像顏色分布采用高斯核函數(shù)[9-10]來表述。

(3)

(4)

(5)

(6)

機器人目標(biāo)跟蹤中，采用高斯密度函數(shù)作為顏色直方圖的候選目標(biāo)和參考目標(biāo)分布的似然函數(shù):

(7)

σ為顏色高斯方差。甄別度越小，實際采樣目標(biāo)越準(zhǔn)確，目標(biāo)觀測概率數(shù)值越大。

2 粒子濾波改進(jìn)算法

粒子濾波是基于一種MonteCarlo的近似貝葉斯濾波算法，采用數(shù)理統(tǒng)計思想即用一些離散型隨機粒子來近似系統(tǒng)分布的概率密度函數(shù)，常用在非線性和非高斯的系統(tǒng)環(huán)境中,對機器人的魯棒性實時跟蹤具有很高的效率與可靠性。粒子濾波算法原理框圖如圖1所示。

圖1 粒子濾波改進(jìn)算法原理框圖

2.1 粒子濾波方法

(1)初始化

(2)預(yù)測

(3)更新

①計算每個樣本的顏色直方圖,采用方程(4)；

②計算每個樣本的Bhattacharrya系數(shù)用方程(5)；

(8)

根據(jù)粒子權(quán)重值，可以估計出粒子的狀態(tài)：

(9)

(4)重采樣

(10)

Neff

(11)

如果公式(11)成立，粒子需要進(jìn)行重采樣，過程如下：

(12)

重采樣過程中Neff為有效粒子數(shù)量，用它來估計衰減粒子數(shù)量，當(dāng)Neff低于設(shè)置的閥值Ndegeneracy時，就會進(jìn)行重采樣來彌補衰減粒子數(shù)量，在機器人跟蹤實驗中設(shè)置Ndegeneracy為120。

重采樣過程可以減少有效粒子衰減現(xiàn)象，但是帶來的卻是喪失粒子各向異性，可能導(dǎo)致跟蹤精度降低，甚至跟蹤目標(biāo)失敗。因此提出了一種新的重采樣方法來解決這個問題。

2.2 粒子濾波新型重采樣方法

根據(jù)貝葉斯理論，先驗分布參數(shù)被作為統(tǒng)一的分布,但是它沒有跟蹤過程中的觀測信息，可能導(dǎo)致跟蹤不準(zhǔn)確。機器人跟蹤實驗中，我們采用的是在臨近區(qū)域內(nèi)的新粒子被假設(shè)作為統(tǒng)一的分布即采樣粒子區(qū)間給予約束區(qū)域。

(13)

(14)

3 實驗結(jié)果分析

機器人目標(biāo)跟蹤實驗所用圖像是實時跟蹤視頻。跟蹤方法包括新型重采樣粒子濾波和標(biāo)準(zhǔn)粒子濾波。在機器人目標(biāo)跟蹤中進(jìn)行了兩組實驗，第一組是機器人單目標(biāo)的跟蹤，第二組是雙目標(biāo)跟蹤，如圖2所示。

圖2 機器人跟蹤實驗設(shè)備及原理框圖

實驗中的Ture表示的是機器人通過自身的定位傳感器得到的數(shù)據(jù)(認(rèn)為是機器人移動的真實值)，ImprovedPF為改進(jìn)算法后測得的數(shù)據(jù)，StandardPF表示為標(biāo)準(zhǔn)粒子濾波算法跟蹤得到的數(shù)據(jù)(文章篇幅有限，只對單個機器人跟蹤實驗進(jìn)行了分析)。

圖3～圖8是在實驗用200個粒子條件下單個機器人跟蹤實驗的數(shù)值化分析。圖3是粒子濾波算法下機器人Y方向的位移，由圖分析得出標(biāo)準(zhǔn)粒子濾波算法和改進(jìn)后的粒子濾波算法在0～26幀范圍內(nèi)誤差分別為0～3.1%和0～0.5%；在27～55幀范圍內(nèi)標(biāo)準(zhǔn)粒子濾波算法完全丟失跟蹤目標(biāo)(機器人)，(在27幀時機器人Y方向的位移突然發(fā)生極度偏轉(zhuǎn))而改進(jìn)粒子濾波算法誤差為0～7.5%左右。實驗證明改進(jìn)后的粒子濾波具有較高的跟蹤精度。

圖4是粒子濾波算法下機器人X方向的位移,分析得出：SPF(標(biāo)準(zhǔn)粒子濾波算法)和IPF(改進(jìn)粒子濾波算法)機器人在0～5幀范圍都能被兩種算法穩(wěn)定的跟蹤；在6～55幀范圍，SPF跟蹤誤差為2.2%～32.1%，IPF跟蹤誤差為0～0.35%左右。由數(shù)據(jù)分析可以得出IPF的穩(wěn)定性及跟蹤精度遠(yuǎn)高于SPF。

圖5是粒子濾波的機器人目標(biāo)跟蹤兩幀之間距離圖，在0～28幀范圍內(nèi)SPF和IPF方法誤差基本保持在0～1.4%左右；在29～34幀范圍內(nèi)SPF的誤差基本接近于100%,IPF的誤差為0～0.44%左右；在35～42幀范圍內(nèi)SPF的誤差略小于IPF的誤差；在43～55幀范圍IPF誤差明顯小于SPF。由以上分析得出機器人目標(biāo)跟蹤兩幀之間距離的IPF誤差基本穩(wěn)定在0～1.4%左右，精度高于SPF。

同理，圖6、圖7可以得出IPF算法明顯優(yōu)于SPF算法，在跟蹤機器人時能保持較高的穩(wěn)定性(在突變時，相應(yīng)靈敏度較高)。

圖8是新型重采樣約束下的重采樣粒子分布直方圖，能明顯看出采樣粒子的分布較均勻，沒有喪失各向異性，對能準(zhǔn)確跟蹤機器人目標(biāo)起到?jīng)Q定性作用。這些結(jié)果充分表明標(biāo)準(zhǔn)粒子濾波算法在復(fù)雜干擾性中無法跟蹤視頻中的機器人目標(biāo)，新型粒子濾波算法能夠準(zhǔn)確甄別單、多目標(biāo)，具有高的可靠性。

圖3 粒子濾波的機器人Y方向位移

圖4 粒子濾波的機器人跟蹤X方向位移

圖5 粒子濾波的機器人目標(biāo)跟蹤兩幀之間距離

圖6 粒子濾波的機器人跟蹤兩幀之間角度

圖7 粒子濾波的機器人跟蹤兩幀之間速度

圖8 新型粒子濾波重采樣的粒子分配數(shù)量直方圖

4 結(jié)論

多方法融合的新型粒子濾波方法，在高斯核函數(shù)基礎(chǔ)上對各幀圖像的相似度進(jìn)行對比，使得機器人的跟蹤目標(biāo)及時獲得修正，同時為了保證粒子跟蹤目標(biāo)的準(zhǔn)確性，在重采樣過程中對需要采樣粒子進(jìn)行區(qū)域約束，確保粒子不會喪失各向異性。實驗結(jié)果表明，多方法融合的新型粒子濾波算法對于機器人多目標(biāo)跟蹤相比標(biāo)準(zhǔn)粒子濾波算法具有高精度和高可靠性。

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

[2] 黎萬義, 王鵬, 喬紅.引入視覺注意機制的目標(biāo)跟蹤方法 綜述[J].自動化學(xué)報,2014, 40(4):561-576.

[3] 李明鎖,井亮. 結(jié)合擴展卡爾曼濾波的CamShift移動目 標(biāo)跟蹤算法[J]. 電光與控制,2011, 18(4):1-5.

[4]Ke-jiaBAI,Wei-MingLIU.ImprovedObjectTrackingwithParticleFilterandMeanShift[J].IEEEInternationalConferenceonAutomationandLogistics. 2007,18(21): 431-435.

[5]MSanjeevArulampalam,SimonMaskell.ATutorialonParticleFiltersforOnlineNonlinear/NoN-GaussionBayesianTracking[J].IEEETransactionsonSignalImaging,2002, 50(2):174-188.

[6]BingJU,Zeng-huiZHANG.ANovelProposalDistributionforParticleFiller[J].IEEEInternalCongressonImageandSignalprocessing,2010(3):3120-3124.

[7] 孫同同，孫首群. 基于視覺檢測與跟蹤技術(shù)在機器人中 的應(yīng)用[J]. 組合機床與自動化加工技術(shù),2016(2):79-81.

[8] 高森, 叢明,劉冬,等. 一種基于距離加權(quán)的機器人運動目標(biāo)跟 蹤方法[J]. 組合機床與自動化加工技術(shù),2014 (12):65-69.

[9] 崔麗珍,李蕾.基于核函數(shù)法及粒子濾波的煤礦井下定位算法研究[J].計算機工程與科學(xué),2013,26(12):1729-1733.

[10] 袁廣林，薛模根,謝愷,等.基于核函數(shù)粒子濾波和多特征自適應(yīng)融合的目標(biāo)跟蹤[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2009,21(12):1774-1784.

(編輯 李秀敏)

Robots Automatic Tracking Based on the New Algorithm Integrating Graphic Technology and Particle Filter

JIANGDao-wei,YUANLiang,JUGang

(CollegeofMechanicalEngineering,XinjiangUniversity,Urumqi830047,China)

Therobottargettrackingtechnologyisanimportantpartofrobotnavigationandpositioningtechnology.Inordertoaccuratelytracktherobot'spositionandspeedinformation.Thispaperproposesafusionmethodofparticlefilteralgorithm.Thealgorithmusetheimagecolorhistogram,combinedwiththefeatureofGaussiankernelfunctionminingdata,italsofusionparticlefilteralgorithmtoautomatictargettrackingrobot.Inaddition,forthesampleimpoverishment,namely,thesituationthatthemajorityofparticlesoverlapononesinglepointinthecomputationofparticlefilter,resamplingisutilitied,butanisotropiesofsomeparticlesarepronetoloseduringthisprocess,whichmayleadstolowtracingprecision,orevenfailureoftrace,soanewbindingmethodofresampling,onthebasisofstandardfilter,isputforward.Theexperimentalresultsshowthattheimprovedparticlefilteralgorithmbasedoncolordistributioncaneffectivelyreducethesampledifferentiationproblem,andcanbehighprecisionidentifyrobotmove,turnandmeetgoals.

robotnavigation;targetrecognition;imagetechnology;kernelfunction;resamplingconstraintmethod;thecolorhistogram

1001-2265(2016)12-0031-04DOI:10.13462/j.cnki.mmtamt.2016.12.009

2016-03-11；

2016-03-18

國家自然基金(61262059，31460248);新疆研究生科研創(chuàng)新項目(XJGRI2014026)

姜道偉(1989—),男，山東泰安人，新疆大學(xué)碩士研究生，研究方向為機器人導(dǎo)航，(E-mail)602184752@qq.com。

TH166;TG

A