劉天鍵

（閩江學(xué)院物理學(xué)與電子信息工程系，福建 福州 350108）

0 引言

近年來(lái)，在動(dòng)態(tài)環(huán)境中跟蹤運(yùn)動(dòng)目標(biāo)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)熱門研究。當(dāng)具有相似外表的目標(biāo)相互靠近時(shí)，要讓跟蹤器準(zhǔn)確地把目標(biāo)區(qū)分開來(lái)是一件十分困難的事。大多情況是，由于特征相似度高，導(dǎo)致跟蹤算法的失敗，發(fā)生諸如錯(cuò)標(biāo)或者混標(biāo)的現(xiàn)象[1-2]。為了解決以上問(wèn)題， Qu等采用粒子濾波器算法進(jìn)行單目標(biāo)的跟蹤。他們提出了一種磁慣性勢(shì)能模型來(lái)處理遮擋問(wèn)題。磁慣性勢(shì)能模型用于粒子濾波過(guò)程中權(quán)值的更新。磁模型表示目標(biāo)之間排斥力，目標(biāo)越靠近權(quán)值越低。慣性模型表示目標(biāo)之間吸引力，目標(biāo)越靠近權(quán)值越高。該方法對(duì)解決遮擋問(wèn)題效果較好，但由于模型較復(fù)雜無(wú)法解決實(shí)時(shí)性問(wèn)題。李等利用顏色和紋理特征表示目標(biāo)，通過(guò)均值遷移和粒子濾波算法進(jìn)行特征融合，有效地避免了單一顏色特征在光照變化和背景相似情況下的不穩(wěn)定問(wèn)題。但該方法對(duì)遮擋場(chǎng)景，應(yīng)用具有一定的局限性。Zhou等[3]把壓縮傳感引入粒子濾波以解決分類器退化和特征退化引起的跟蹤漂移。雖然該算法能解決部分遮擋的情況，但在目標(biāo)運(yùn)動(dòng)呈現(xiàn)非線性，并且缺乏有效的顏色特征進(jìn)行目標(biāo)辨別的場(chǎng)景中，算法常常跟蹤失敗?？偟膩?lái)說(shuō)，動(dòng)態(tài)場(chǎng)景中目標(biāo)的跟蹤，即要考慮在遮擋發(fā)生時(shí)，及時(shí)進(jìn)行特征更新[4]；又要考慮算法的簡(jiǎn)單，以保證實(shí)時(shí)性的要求。本文提出了一種層疊式粒子濾波算法（HPF），在跟蹤過(guò)程中根據(jù)不同的情況選擇不同的特征進(jìn)行權(quán)值更新，保持了跟蹤的連續(xù)性。在MATLAB平臺(tái)上，把本文提出算法與基于顏色粒子濾波算法（PF）進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，HPF的魯棒性能優(yōu)于PF算法，尤其在發(fā)生大面積遮擋場(chǎng)景。

1 層疊式粒子濾波

層疊式濾波是把具有低計(jì)算復(fù)雜度并且高辨別能力的特征選為每層濾波器的輸入，并在每一層計(jì)算候選目標(biāo)與目標(biāo)模型特征的似然值，通過(guò)多級(jí)篩選得到優(yōu)質(zhì)的候選樣本，加權(quán)平均獲得樣本濾波值[5]。傳統(tǒng)的粒子濾波算法，當(dāng)粒子的權(quán)值過(guò)于分散時(shí)會(huì)導(dǎo)致跟蹤失敗，層疊式濾波器能在分層結(jié)構(gòu)中將不可能的候選樣本刪除，從而有效地解決粒子權(quán)值分散問(wèn)題。當(dāng)動(dòng)態(tài)場(chǎng)景中發(fā)生遮擋時(shí)，目標(biāo)的外表特征削弱，目標(biāo)的歷史運(yùn)動(dòng)信息成為更能準(zhǔn)確描述目標(biāo)的特征，在此時(shí)應(yīng)進(jìn)行權(quán)值更新才能保證跟蹤的連續(xù)性[6]?；谶@種考慮，如果遮擋發(fā)生時(shí)，增加運(yùn)動(dòng)特征的權(quán)系數(shù)，就能從過(guò)去的運(yùn)動(dòng)信息中預(yù)測(cè)目標(biāo)的狀態(tài)，當(dāng)遮擋消失后，保持跟蹤順利進(jìn)行。HPF采用顏色特征作為第一層分類器的輸入，邊緣特征作為第二層分類器的輸入，運(yùn)動(dòng)特征作為第三層分類器的輸入，總輸出為各層輸出的加權(quán)和。在直方圖中采用巴氏系數(shù)來(lái)進(jìn)行相似度測(cè)量。在沒(méi)有遮擋時(shí)，通過(guò)三層層疊篩選出候選樣本，更新粒子權(quán)值，保證跟蹤結(jié)果的正確。當(dāng)發(fā)生遮擋時(shí)，降低層中表觀特征的權(quán)系數(shù)、增加運(yùn)動(dòng)特征權(quán)系數(shù)來(lái)增強(qiáng)目標(biāo)的區(qū)分能力，以保證跟蹤結(jié)果的連續(xù)。同時(shí)，系統(tǒng)建立一個(gè)遮擋時(shí)刻圖，以保證歷史運(yùn)動(dòng)信息的準(zhǔn)確。

1.1 運(yùn)動(dòng)模型

在進(jìn)行跟蹤操作之前，首先必須標(biāo)定感興趣的目標(biāo)。目標(biāo)的特征，例如：位置，假定是已知的，目標(biāo)由橢圓標(biāo)定。假設(shè)目標(biāo)的狀態(tài)變量由表示，即：

1.2 相似度測(cè)量

在定義了運(yùn)動(dòng)模型后，系統(tǒng)產(chǎn)生候選粒子，需要根據(jù)目標(biāo)模型進(jìn)行相似度的測(cè)量。測(cè)量是在候選目標(biāo)和目標(biāo)模型之間進(jìn)行。本文選擇巴氏系數(shù)來(lái)測(cè)量離散概率密度函數(shù)的相似度。巴氏系數(shù)定義為：

這里p(x) 和 q(x)分別是候選目標(biāo)和目標(biāo)模型中第x個(gè)特征值。當(dāng)候選目標(biāo)和目標(biāo)模型非常相似時(shí)，巴氏系數(shù)值很大。如果巴氏系數(shù)值較小，表示候選目標(biāo)和目標(biāo)模型是不同的目標(biāo)。

2 遮擋處理

遮擋處理是目標(biāo)跟蹤需要面對(duì)的主要問(wèn)題。遮擋時(shí)，例如，建筑物和人，這時(shí)只有部分目標(biāo)是可視的且分辨率很低，描述目標(biāo)的特征缺失，容易導(dǎo)致跟蹤的失敗。當(dāng)遮擋發(fā)生在兩個(gè)相似目標(biāo)之間時(shí)，顏色信息變得不再可靠。這時(shí)目標(biāo)的位置和運(yùn)動(dòng)方向顯得特別重要，要比外表特征更準(zhǔn)確。為此HPF采用更新各層的加權(quán)值的方法，自適應(yīng)目標(biāo)的遮擋變化,從而保持跟蹤的連續(xù)性[7]。為了保證歷史運(yùn)動(dòng)信息的準(zhǔn)確性，算法需要維護(hù)一個(gè)遮擋時(shí)刻圖以選出未遮擋幀的目標(biāo)運(yùn)動(dòng)信息。通過(guò)前兩層分類器的輸出對(duì)遮擋進(jìn)行判斷，并記錄到遮擋時(shí)刻圖中。在跟蹤過(guò)程中，系統(tǒng)檢測(cè)是否發(fā)生遮擋。如果系統(tǒng)檢測(cè)到在兩個(gè)目標(biāo)間發(fā)生了遮擋，即前兩層輸出概率低于門限值，則降低外表特征權(quán)值，提高運(yùn)動(dòng)特征的權(quán)值。

為了保持跟蹤的連續(xù)性，采用一個(gè)緩存來(lái)記錄歷史幀中感興趣目標(biāo)的中心位置。如果在某一幀中失去了感興趣目標(biāo)，算法使用遮擋時(shí)刻圖選出最近時(shí)刻未發(fā)生遮擋的二十幀中目標(biāo)中心位置，并定義一個(gè)距離來(lái)刪除某些幀，以提高準(zhǔn)確度。HPF算法刪除了二十幀中距離最大的四幀，保留的十六幀作為位置特征提取的基礎(chǔ)。系統(tǒng)把前二十幀分成兩類。被刪除的四幀屬于A類，而沒(méi)有被刪除的十六幀屬于B類。

那么，可以計(jì)算十六幀的平均中心位置和平均距離。十六幀的中心位置和平均移動(dòng)距離是：

3 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文算法的有效性，在MATLAT R2008平臺(tái)上把本文提出HPF與PF算法進(jìn)行比較。在奔騰IV2.8GHz，內(nèi)存1024MB的PC機(jī)上，粒子數(shù)為300的條件下，通過(guò)測(cè)試目標(biāo)中心坐標(biāo)來(lái)評(píng)估算法的跟蹤性能。我們選取一段直升飛機(jī)視頻作為測(cè)試序列。序列包括各種不同類型的運(yùn)動(dòng)，并且部分時(shí)段發(fā)生遮擋現(xiàn)象。視頻序列的大小是320*240，這個(gè)序列共有400幀，且直升飛機(jī)的運(yùn)動(dòng)范圍很大。在開始階段，直升飛機(jī)在藍(lán)色天空翱翔，背景比較簡(jiǎn)單且顏色和直升飛機(jī)相差比較大。從66幀到245幀，直升飛機(jī)飛躍電線桿。在此之后直升飛機(jī)進(jìn)入樹林，此時(shí)背景的顏色和直升飛機(jī)的顏色非常相似。從280幀到284幀，一個(gè)操作員手持遙控器橫向走動(dòng)，直升飛機(jī)被操作員的身體完全遮擋。300幀之后，直升飛機(jī)飛離樹林。圖1和圖2為兩種算法得到的直升飛機(jī)中心位置。在280幀之前，兩種算法都工作得很好，能跟蹤目標(biāo)，這是因?yàn)樵谶@個(gè)階段目標(biāo)顏色與背景的顏色區(qū)別比較大。從280幀到284幀，目標(biāo)被完全遮擋。284幀之后，外表特征不能把目標(biāo)和背景區(qū)分開來(lái)，PF算法粒子分別呈發(fā)散狀態(tài)，跟蹤窗與目標(biāo)脫離聯(lián)系，導(dǎo)致跟蹤失??；而HPF算法卻能很好地跟蹤目標(biāo)，原因是我們?cè)诟欉^(guò)程中引入了遮擋時(shí)刻圖能正確地更新權(quán)值[8]。圖3給出了兩種算法跟蹤效果的對(duì)比。從275幀的效果可以看出，HPF算法的粒子分布半徑小于基于顏色的粒子濾波算法。第284幀發(fā)生完全地遮擋現(xiàn)象后，PF算法在此過(guò)程中粒子逐漸分散，到了288幀，算法跟蹤失敗。而本文提出的HPF算法收斂，粒子呈聚集狀態(tài)，可以很好地跟蹤目標(biāo)。

圖1 直升飛機(jī)運(yùn)動(dòng)的x軸坐標(biāo)Fig 1. x coordinate of the helicopter motion

圖2. 直升飛機(jī)運(yùn)動(dòng)的y軸坐標(biāo)Fig 2. y coordinate of the helicopter motion

圖3. 在完全遮擋情況下PF（左）與HPF（右）的跟蹤效果比較Fig 3. Tracking the helicopter in heavy occlusions by particle filter (left)and Hierarchical Particle Filter (right)

4 結(jié)論

我們提出了一種新型的自適應(yīng)層疊式粒子濾波器算法，設(shè)計(jì)算法的目的是解決遮擋條件下，目標(biāo)跟蹤的連續(xù)性問(wèn)題。為此，引入遮擋時(shí)刻圖標(biāo)記遮擋的發(fā)生；當(dāng)遮擋發(fā)生時(shí)通過(guò)歷史運(yùn)動(dòng)信息進(jìn)行子分類器加權(quán)系數(shù)的更新，給出候選樣本的似然值，從而估計(jì)目標(biāo)的狀態(tài)。由于采用層疊式結(jié)構(gòu)對(duì)目標(biāo)模型進(jìn)行設(shè)計(jì)，系統(tǒng)能在上面幾層很快地拒絕了大部分的負(fù)樣本。因此，算法速度并沒(méi)有太大的降低。另一方面，引入了權(quán)值更新機(jī)制，大大提高跟蹤算法的魯棒性，甚至在完全遮擋的情況下，也能很好地跟蹤目標(biāo)。

[1]Qu W, Dan S, Mohamed M. Real-Time Distributed Multi-Object Tracking Using Multiple Interactive Trackers and a Magnetic-Inertia Potential Model[J]. IEEE Transactions on Multimedia, 2007, 9(3):511-519.

[2]孫巧,張勝修,曹立佳,李小鋒,劉毅男.自適應(yīng)模型更新的粒子濾波視覺(jué)跟蹤[J].電光與控制,2017,24(02):1-5. SUN Qiao, ZHANG Sheng-xiu, CAO Li-jia, LI Xiao-feng, LIU Yi-nan. Adaptive Model Updated Particle Filter Visual Tracking [J]. Electro-optic and Control, 2017,24 (02): 1-5.

[3]Zhou T, Ouyang Y, Wang R, et al. Particle filter based on real-time Compressive Tracking[C]// International Conference on Audio, Language and Image Processing. IEEE, 2017.

[4]李遠(yuǎn)征 , 盧朝陽(yáng) , 高全學(xué) ,等 . 基于多特征融合的均值遷移粒子濾波跟蹤算法 [J]. 電子與信息學(xué)報(bào) , 2010, 32(2):411-415. LI Yuan-zheng, LU Zhao-yang, GAO Quan-xue, etc. Mean Migration Particle Filter Tracking Algorithm Based on Multiple Features Fusion[J]. Journal of Electronics and Information, 2010, 32 (2): 411-415.

[5]Lu W L, Okuma K, Little J J. Tracking and recognizing actions of multiple hockey players using the boosted particle filter[J]. Image & Vision Computing, 2009, 27(1–2):189-205.

[6]孔凡輝. 基于粒子濾波的磁共振擴(kuò)散成像人體心肌纖維重建方法研究[D].哈爾濱工業(yè)大學(xué),2016. KONG Fan-hui. Research on Human Myocardial Fiber Reconstruction Based on Magnetic Resonance Diffusion Imaging of Particle Filter [D]. Harbin Institute of Technology, 2016.

[7]李天成,范紅旗,孫樹棟.粒子濾波理論、方法及其在多目標(biāo)跟蹤中的應(yīng)用[J].自動(dòng)化學(xué)報(bào),2015,41(12):1981-2002. LI Tian-cheng, FAN Hong-qi, SUN Shu-dong. Particle Filter Theory, Method and Its Application in Multi Target Tracking [J]. Automation Journal, 2015,41 (12): 1981-2002.

[8]陳志敏,田夢(mèng)楚,吳盤龍,薄煜明,顧福飛,岳聰.基于蝙蝠算法的粒子濾波法研究[J].物理學(xué)報(bào),2017,66(05):47-56. CHEN Zhi-min, TIAN Meng-chu, WU Pan-long, Bo Yu-ming, GU Fu-fei, YUE Cong. Research on Particle Filtering Method Based on Bat Algorithm [J]. Physics Journal, 2017,66 (05): 47-56.