楊永超 周昊

摘要：針對標(biāo)準(zhǔn)粒子濾波重采樣階段導(dǎo)致粒子多樣性降低進(jìn)而影響跟蹤精度的問題，在原重采樣階段使用螢火蟲算法優(yōu)化，利用螢火蟲的移動機(jī)制進(jìn)化粒子，促使粒子向最優(yōu)解區(qū)域移動。最后將改進(jìn)的算法應(yīng)用于使用HSV（Hue，Saturation.Value）顏色特征建模目標(biāo)的視頻目標(biāo)跟蹤中，實驗結(jié)果表明：與標(biāo)準(zhǔn)粒子濾波相比，改進(jìn)算法的跟蹤精度有了一定提高。

關(guān)鍵詞：粒子濾波;重采樣;螢火蟲算法;HSV;視頻目標(biāo)跟蹤

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）19-0001-02

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

對視頻序列中的目標(biāo)進(jìn)行跟蹤是計算機(jī)視覺的熱門研究領(lǐng)域之一，其主要過程是首先在視頻序列的第一幀圖像中選定跟蹤目標(biāo)，之后運行跟蹤算法，實現(xiàn)在后續(xù)幀中預(yù)測跟蹤目標(biāo)的位置[1，2]。濾波算法是常用的跟蹤算法，其中的粒子濾波[3，4]（ Particle Filter，PF）突破了其他傳統(tǒng)濾波算法要求跟蹤目標(biāo)的運動模型必須為線性且噪聲服從高斯分布的局限，理論上可以處理任意非線性非高斯的問題，應(yīng)用領(lǐng)域最為廣泛。粒子濾波采用蒙特卡洛隨機(jī)采樣的方法，用對一組帶權(quán)重粒子的求和來替代后驗概率密度復(fù)雜的積分運算，但其重采樣階段會產(chǎn)生粒子貧化問題，直接對大權(quán)重粒子復(fù)制舍棄小權(quán)重粒子的做法導(dǎo)致估計精確度的降低[3，4]。研究表明，在重采樣階段使用群智能算法優(yōu)化的粒子濾波算法可改善粒子貧化問題：將粒子看做生物集群中的個體，通過模擬生物個體的運動規(guī)律使得粒子分布趨于合理。文獻(xiàn)[5，6，7，8，9]分別通過引入粒子群算法、蟻群算法、果蠅算法、蝙蝠算法及人工魚群算法來改善粒子貧化問題，進(jìn)而提高估計精度。螢火蟲算法（Firefly Algorithm，F(xiàn)A）根據(jù)生物學(xué)中螢火蟲的發(fā)光行為發(fā)展而來：螢火蟲的光亮度不一，亮度低的螢火蟲會被亮度高的吸引[10]。本文根據(jù)這一特性，在粒子濾波中將粒子比擬成螢火蟲，在重采樣階段利用螢火蟲的移動機(jī)制來進(jìn)化粒子，使得粒子的分布更加合理，以提高跟蹤精度。

1 標(biāo)準(zhǔn)粒子濾波算法

標(biāo)準(zhǔn)粒子濾波算法是基于貝葉斯濾波框架下預(yù)測目標(biāo)后驗概率密度的遞推迭代過程，引入蒙特卡洛方法，用一組粒子權(quán)值求和運算替代復(fù)雜的概率密度積分運算，以期獲得最小方差估計。

2 FA優(yōu)化的粒子濾波算法（PF-FA）

螢火蟲算法（FA）由自然界中螢火蟲的發(fā)光行為啟發(fā)而來，生物學(xué)家發(fā)現(xiàn)，螢火蟲之間的吸引力與性別、大小無關(guān)，而與其熒光的亮度成正比：亮度高的螢火蟲可以吸引亮度低的螢火蟲向自身移動。另外，亮度隨距離增加而降低，如果一個螢火蟲周圍沒有比它更亮的螢火蟲，那么它將隨機(jī)移動。FA算法的數(shù)學(xué)模型描述為：

可在粒子濾波的重采樣階段融合螢火蟲算法，將“粒子”看作“螢火蟲”，執(zhí)行螢火蟲算法迭代尋優(yōu)，驅(qū)使粒子向高似然區(qū)域移動，使粒子分布與真實情況更接近。具體的算法流程如下：

step3：融合螢火蟲算法進(jìn)行重采樣。

step3.1：比較當(dāng)前所有粒子的權(quán)值，選取權(quán)值最大的粒子作為亮度最大的“螢火蟲”;

step3.2：其他粒子根據(jù)位置更新公式（9），向權(quán)值最大粒子移動;權(quán)值最大粒子在當(dāng)前位置隨機(jī)移動;

step3.3：重新計算位置移動后各粒子的權(quán)值，轉(zhuǎn)到step 3.1。當(dāng)?shù)螖?shù)達(dá)到50次后，轉(zhuǎn)到step4。

step4：根據(jù)公式（6）輸出目標(biāo)狀態(tài)估計值，令k=k+1，轉(zhuǎn)到step2，開始下一時刻的預(yù)測。

3 PF-FA算法在視頻目標(biāo)跟蹤中的應(yīng)用

在視頻目標(biāo)跟蹤中，一般采用顏色、紋理或輪廓特征對目標(biāo)進(jìn)行建模。本文采用HSV（ Hue Saturation，Value）顏色特征（H通道量化為16個量級，S通道量化為4個量級，V通道量化為1個量級）對跟蹤目標(biāo)進(jìn)行建模，并將螢火蟲算法引入到粒子濾波的重采樣階段，應(yīng)用于復(fù)雜的視頻目標(biāo)跟蹤場景。設(shè)計目標(biāo)的似然函數(shù)為：

將優(yōu)化后的算法應(yīng)用于測試視頻，如圖1所示，測試目標(biāo)為走廊女子，參與跟蹤粒子數(shù)為20。圖1為從視頻第180幀開始的跟蹤過程截圖。

為測試螢火蟲算法優(yōu)化后的粒子濾波性能，圖2給出FA優(yōu)化的PF算法與標(biāo)準(zhǔn)的PF算法中在視頻跟蹤時，預(yù)測目標(biāo)中心點與實際目標(biāo)中心點間在x軸及v軸方向的誤差絕對值的對比，雖然對比標(biāo)準(zhǔn)粒子濾波算法，本文算法誤差降低，但隨時間遞增，粒子有發(fā)散現(xiàn)象，且誤差有遞增趨勢。

4 結(jié)論

為提高粒子多樣性，本文采用螢火蟲算法在粒子濾波原重采樣階段進(jìn)行優(yōu)化。實驗表明，與傳統(tǒng)粒子濾波對比，優(yōu)化后的算法跟蹤精度有了一定的提高，但是由于標(biāo)準(zhǔn)螢火蟲算法存在收斂速度慢，易于陷于局部最優(yōu)值等缺點，當(dāng)直接用于優(yōu)化粒子濾波時，存在運算速度慢、仍有一定誤差等問題，后續(xù)將考慮對標(biāo)準(zhǔn)螢火蟲算法進(jìn)行優(yōu)化。

參考文獻(xiàn)：

[1]侯志強(qiáng)，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]蔡榮太，吳元昊，王明佳，等，視頻目標(biāo)跟蹤算法綜述[J].電視技術(shù)，2010，34（12）：135-138，142.

[3]王法勝，魯明羽，趙清杰，袁澤劍.粒子濾波算法[J].計算機(jī)學(xué)報，2014，37（8）：1679-1694.

[4]胡士強(qiáng)，敬忠良.粒子濾波算法綜述[J].控制與決策，2005（4）：本欄目責(zé)任編輯：王力361-365，371.

[5]張琳，李明，苑柳青.基于智能優(yōu)化粒子濾波算法的人體運動目標(biāo)跟蹤[J].科學(xué)技術(shù)與工程，2010，10（16）：4013-4016，4020.

[6]張婷婷，于明，閻剛，運動目標(biāo)追蹤的人工魚群優(yōu)化粒子濾波算法[J].河北工業(yè)大學(xué)學(xué)報，2016，45（04）：12-19.

[7]韓錕，張赫.基于果蠅優(yōu)化算法改進(jìn)的粒子濾波及其在目標(biāo)跟蹤中的應(yīng)用[J].湖南大學(xué)學(xué)報f自然科學(xué)版），2018，45（10）：130-138.

[8]曹義親，鐘濤，黃曉生，一種改進(jìn)的基于蟻群優(yōu)化的粒子濾波算法[J].計算機(jī)應(yīng)用研究，2013，30（8）：2402-2404.

[9]陳志敏，吳盤龍，薄煜明，等，基于自控蝙蝠算法智能優(yōu)化粒子濾波的機(jī)動目標(biāo)跟蹤方法[J].電子學(xué)報，2018，46（4）：886-894.

[10] Yang X S.Firefly algorithm，stochastic test functions and de-sign optimisation[Jl.lnternational Journal of Bio-Inspired Com-putation， 2010，2（2）：78.

【通聯(lián)編輯：唐一東】

基金項目：安徽高校自然科學(xué)研究重點項目：人工細(xì)菌菌落算法研究及其在人群異常行為檢測中的應(yīng)用（KJ2019A0864）;安徽省池州學(xué)院自然科學(xué)研究項目（2016ZR011）;池州學(xué)院質(zhì)量工程項目“線下精品課程——計算機(jī)網(wǎng)絡(luò)”（2018XJPKC15）

作者簡介：楊永超（1985-），女，山東聊城人，講師，碩士，主要研究方向為模式識別、人工智能;周昊，講師，碩士。