第3卷第3期 智能系统学报 Vol 3 Na 3 2008年6月 CAA I Transactions on Intelligent Systems Jun 2008 改进的粒子滤波器目标跟踪方法 王绍钰，蔡自兴陈爱斌 (中南大学信息科学与工程学院，湖南长沙410083)》 摘要：针对现有的粒子滤波跟踪方法存在的不足，提出了一种改进的粒子滤波器方法用于运动目标跟踪.将颜色 直方图和边缘直方图结合起来建立目标的参考模型，有效地克服了使用单一特征建模的缺点，提高了跟踪的准确 性.分别计算目标颜色模型和目标边缘模型与粒子的欧几里德距离，使用这2个距离作为粒子权值计算的重要依 据.实验结果表明该算法具有较高的实时性、准确性和鲁棒性. 关键词：目标跟踪：粒子滤波：欧几里德距离；直方图 中图分类号：TP242文献标识码：A文章编号：1673-4785(2008)03-0189-06 I proved object tracking method for particle filters WANG Shao-yu,CA I Zi-xing,CHEN A i-bin (School of Infomation Science and Engineering,Central South University,Changsha 410083,China) Abstract:An mproved moving object trackingmethod based on a particle filter is proposed to overcome the disad- vantages of existing particle filter object tracking methods A color histogram and an edge histogram were combined to build the object's reference model,effectively elm inating the disadvantages posed by modeling with a single fea- ture and mproving the accuracy of object tracking The Euclidian distances between particles and the object color model,and that between particles and the object edge modelwere calculated The to distances were used as basic infomation for computation of a particle's weights Expermental results demonstrate that the proposed method is highly effective,yields real-tme results,and is robust Keywords:object tracking particle filtering Euclidian distance;hispgram 目标跟踪在视频监控、交通流量控制、行人异常及4个基本的方面：目标表示、系统观测、产生假设、 行为检测、智能车辆、机器人技术、医学图像处理、智 评估假设，每个物体都有其自身的特征，在跟踪 能武器等领域有着非常重要的应用)，由于现实图 问题中，通常被用来表示目标的颜色特征、边界特 像中存在噪声、遮挡、多目标聚集，以及背景动态变征、纹理特征以及运动特征.引入更多的特征来描述 化等现象，并不仅仅只有单纯的目标运动，这些问题目标，就能提高跟踪的准确性，但这样会增加计算复 给目标跟踪研究带来了巨大的挑战，如何解决这些 杂度，无法满足跟踪的实时性.因此，许多算法是实 难题也成为了研究人员的研究热点.已经有许多方 时性与准确性的折衷.文献[56采用颜色特征表示 法被提出用于解决目标跟踪领域的各种难题，总的目标，具有计算量少的优点，且能适应多数跟踪场 可以分为确定性方法和随机方法).目标跟踪的难 景，在目标聚集，部分遮挡的情况下能够较好地完成 点在于物体的突然运动、目标或背景突然改变其外 跟踪任务.但是，当光照变化，或者背景具有和目标 部表现形式、目标的非刚性结构、目标和目标之间的 相似的颜色信息时跟踪的准确性大为降低.与目标 遮挡、目标和背景之间的遮挡、以及摄像头的运 表示紧密相关的是系统观测，它是系统观测到的图 动等方面.基于粒子滤波的目标跟踪技术通常涉 像特征 产生假设实际上是一个预测的过程，是从当前 收稿日期：2007-12-10 基金项目：国家基础科学研究基金资助项目(A1420060159). 时刻的状态推测下一时刻系统可能的状态的过程， 通讯作者：王绍钰.Emai让andrew120@163.cm 通常在当前状态的过程上叠加一个噪声来估计下一 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
第 3卷第 3期 智 能 系 统 学 报 Vol. 3 №. 3 2008年 6月 CAA I Transactions on Intelligent System s Jun. 2008 改进的粒子滤波器目标跟踪方法 王绍钰 ,蔡自兴 ,陈爱斌 (中南大学 信息科学与工程学院 ,湖南 长沙 410083) 摘 要 :针对现有的粒子滤波跟踪方法存在的不足 ,提出了一种改进的粒子滤波器方法用于运动目标跟踪. 将颜色 直方图和边缘直方图结合起来建立目标的参考模型 ,有效地克服了使用单一特征建模的缺点 ,提高了跟踪的准确 性. 分别计算目标颜色模型和目标边缘模型与粒子的欧几里德距离 ,使用这 2个距离作为粒子权值计算的重要依 据. 实验结果表明该算法具有较高的实时性、准确性和鲁棒性. 关键词 :目标跟踪 ;粒子滤波 ;欧几里德距离 ;直方图 中图分类号 : TP242 文献标识码 : A 文章编号 : 167324785 (2008) 0320189206 Improved object tracking method for particle filters WANG Shao2yu, CA I Zi2xing, CHEN A i2bin ( School of Information Science and Engineering, Central South University, Changsha 410083, China) Abstract: An imp roved moving object tracking method based on a particle filter is p roposed to overcome the disad2 vantages of existing particle filter object tracking methods. A color histogram and an edge histogram were combined to build the object’s reference model, effectively elim inating the disadvantages posed bymodelingwith a single fea2 ture and imp roving the accuracy of object tracking. The Euclidian distances between particles and the object color model, and that between particles and the object edge modelwere calculated. The two distanceswere used as basic information for computation of a particle’s weights. Experimental results demonstrate that the p roposed method is highly effective, yields real2time results, and is robust. Keywords:object tracking; particle filtering; Euclidian distance; histogram 收稿日期 : 2007212210. 基金项目 :国家基础科学研究基金资助项目 (A1420060159). 通讯作者 :王绍钰. E2mail: andrew120@163. com. 目标跟踪在视频监控、交通流量控制、行人异常 行为检测、智能车辆、机器人技术、医学图像处理、智 能武器等领域有着非常重要的应用 [ 1 ] . 由于现实图 像中存在噪声、遮挡、多目标聚集 ,以及背景动态变 化等现象 ,并不仅仅只有单纯的目标运动 ,这些问题 给目标跟踪研究带来了巨大的挑战 ,如何解决这些 难题也成为了研究人员的研究热点. 已经有许多方 法被提出用于解决目标跟踪领域的各种难题 ,总的 可以分为确定性方法和随机方法 [ 2 ] . 目标跟踪的难 点在于物体的突然运动、目标或背景突然改变其外 部表现形式、目标的非刚性结构、目标和目标之间的 遮挡、目标和背景之间的遮挡、以及摄像头的运 动 [ 3 ]等方面. 基于粒子滤波的目标跟踪技术通常涉 及 4个基本的方面 :目标表示、系统观测、产生假设、 评估假设 [ 4 ] . 每个物体都有其自身的特征 ,在跟踪 问题中 ,通常被用来表示目标的颜色特征、边界特 征、纹理特征以及运动特征. 引入更多的特征来描述 目标 ,就能提高跟踪的准确性 ,但这样会增加计算复 杂度 ,无法满足跟踪的实时性. 因此 ,许多算法是实 时性与准确性的折衷. 文献 [ 526 ]采用颜色特征表示 目标 ,具有计算量少的优点 ,且能适应多数跟踪场 景 ,在目标聚集 ,部分遮挡的情况下能够较好地完成 跟踪任务. 但是 ,当光照变化 ,或者背景具有和目标 相似的颜色信息时 ,跟踪的准确性大为降低. 与目标 表示紧密相关的是系统观测 ,它是系统观测到的图 像特征. 产生假设实际上是一个预测的过程 ,是从当前 时刻的状态推测下一时刻系统可能的状态的过程. 通常在当前状态的过程上叠加一个噪声来估计下一 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·190· 智能系统学报 第3卷 时刻系统的状态).高斯噪声服从正态分布，被广 的样本上，因此，需要通过重采样技术来避免这一问 泛地用来产生叠加噪声.评估假设就是根据系统观 题.通常，整个系统具有马尔可夫性质，重要性分布 测计算目标与预测值的相似度，相似度有多种度量 可以通过式(5)化简： 方法，可以用巴特查理亚距离度量s1,也可以用欧 q(X|为1，a)=p(x|X1). (5) 几里德距离度量.相似度用权值来表示，权值越大， 此时，权重就是观测概率p(zx 相似度就越高，文献[7]采用颜色信息和边缘信息 2观测模型 描述日标，但却没有将他们有效地用于更新权值.产 生假设和评估假设对应于粒子滤波器一个迭代过程 对目标实施准确跟踪的前提是获得被跟踪目标 中的2个重要的步骤：预测和更新 的准确信息，并充分利用这些信息建立目标的模型 根据粒子滤波算法在目标跟踪中的特定应用及 选择目标合适的视觉特征使其能在特征空间上与其 其存在的不足，对其进行了改进.采用自适应帧差分 他物体容易的区分是建立观测模型的首要任务 技术检测运动目标，对目标实施在线建模，针对颜色 已经有研究人员针对粒子滤波器提出多种观测模 信息在光照变化和相似背景条件下存在的缺点，加 型，有基于颜色的观测模型、基于轮廓的观测模型、 入目标边缘信息来表示目标.分别计算目标的颜色 基于运动特征的观测模型、基于纹理的观测模型) 直方图和边缘直方图与粒子的欧几里德距离，使用 等.基于颜色的目标表示方法具有计算量少、适合部 这2个距离作为更新权值的重要依据，增加了权值 分遮挡和非刚性物体的跟踪，缺点是它忽略了空间 的有效性，有效地克服了颜色信息在目标表示中的 层次信息，在光照变化，以及背景具有和目标相似的 不足，极大地增加了跟踪的准确性 颜色时，跟踪会失效；基于轮廓的目标表示方法提供 了目标更为详细的信息，但目标存在形变或被遮挡 1粒子滤波器 时，跟踪不准确：基于运动特征的观测模型涉及到运 粒子滤波器是一种贝叶斯序列重要的采样技 动姿态的理解，需要大量先验知识，计算复杂：与颜 术，它使用有限的带权重的粒子集近似当前分布.粒 色建模相比，物体表面亮度变化对纹理模型的影响 子滤波技术包括2个基本步骤：预测和更新.给定所 要小一些.为了更准确地表示目标，观测模型可以是 有1-1时刻的可用观测： 几种特征的组合.本文采用颜色特征和边缘特征对 目标建模 石.1={☑，”，Z.1} (1》 21颜色直方图 式中：z表示时刻的系统观测. 为了减少计算量，降低光照影响，将RGB颜色 预测阶段使用式(2)的概率系统转换模型来预 空间离散化成888的大小，得到256个颜色区 测当前时刻的状态： 域，即新的颜色空间中下g、b的取值范围为0~7，统 P(x|a.1)=px,|x.1)p(x.1|a1)d.r 计目标区域中像素的颜色向量落在相应子区域中的 2) 像素的个数，得到相应的颜色直方图.点(x,以处新 式中：x,表示时刻的系统状态.当时刻到来时， 的八gb值按式(6)计算，R表示目标区域. 观测z可用，状态可以根据贝叶斯规则进行更新： (5gb=Lr(xy以，g(x以，b(x以)/32， px1石)=D6xpxZ (x,y以∈R. (6) 3 p(z) 归一化新的颜色直方图，即在新的颜色直方图 式中：p(z|x,由观测方程所描述 中，计算落在每一颜色向量上的像素点的个数占整 粒子滤波器中，当前时刻的状态p(x,|)是 个像素点的比重 由N个权值为w的样本(x}-1x表示的.候选样 假设人={（编，名，）k-a表示目标颜色 本是从重要性分布qx|x.1,石)中抽取的，其 参考模型，k={(住，g,)}ua表示时刻粒 权重为 子x所表示区域的颜色模型，则两者的相似度可以 w;=w,DapI飞型 用欧几里德距离表示： (4) 777 q(8|X1,石 经过几次迭代后，很多样本的权值变得很小，出 k.=EF·)+ 现样本退化现象，计算会大量浪费在更新这些退化 (g-8)2+(-2)产 (7) 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved. hD,/hp11.C1.7e1
时刻系统的状态 [ 7 ] . 高斯噪声服从正态分布 ,被广 泛地用来产生叠加噪声. 评估假设就是根据系统观 测计算目标与预测值的相似度 ,相似度有多种度量 方法 ,可以用巴特查理亚距离度量 [ 8 ] ,也可以用欧 几里德距离度量. 相似度用权值来表示 ,权值越大 , 相似度就越高 ,文献 [ 7 ]采用颜色信息和边缘信息 描述目标 ,但却没有将他们有效地用于更新权值. 产 生假设和评估假设对应于粒子滤波器一个迭代过程 中的 2个重要的步骤 :预测和更新. 根据粒子滤波算法在目标跟踪中的特定应用及 其存在的不足 ,对其进行了改进. 采用自适应帧差分 技术检测运动目标 ,对目标实施在线建模 ,针对颜色 信息在光照变化和相似背景条件下存在的缺点 ,加 入目标边缘信息来表示目标. 分别计算目标的颜色 直方图和边缘直方图与粒子的欧几里德距离 ,使用 这 2个距离作为更新权值的重要依据 ,增加了权值 的有效性 ,有效地克服了颜色信息在目标表示中的 不足 ,极大地增加了跟踪的准确性. 1 粒子滤波器 粒子滤波器是一种贝叶斯序列重要的采样技 术 ,它使用有限的带权重的粒子集近似当前分布. 粒 子滤波技术包括 2个基本步骤 :预测和更新. 给定所 有 t - 1时刻的可用观测 : z1∶t- 1 = { z1 , …, zt- 1 }. (1) 式中 : zt 表示 t时刻的系统观测. 预测阶段使用式 (2)的概率系统转换模型来预 测当前时刻的状态 : P ( xt | z1∶t- 1 ) = ∫p ( xt | xt- 1 ) p ( xt- 1 | z1∶t- 1 ) dx t- 1 . (2) 式中 : xt 表示 t时刻的系统状态. 当 t时刻到来时 , 观测 zt 可用 ,状态可以根据贝叶斯规则进行更新 : p ( xt | z1∶t ) = p ( zt | xt ) p ( xt | z1∶t- 1 ) p ( zt | z1∶t- 1 ) . (3) 式中 : p ( zt | xt )由观测方程所描述. 粒子滤波器中 ,当前时刻的状态 p ( xt | z1∶t ) 是 由 N 个权值为 w i t 的样本 { x i t }i = 1, …, N表示的. 候选样 本 x^ i t 是从重要性分布 q ( xt | xi∶t- 1 , z1∶t ) 中抽取的 ,其 权重为 w i t = w i t- 1 p ( zt | x^ i t ) p ( x^ i t | x i t- 1 ) q ( x^t | x1∶t- 1 , z1∶t ) . (4) 经过几次迭代后 ,很多样本的权值变得很小 ,出 现样本退化现象 ,计算会大量浪费在更新这些退化 的样本上 ,因此 ,需要通过重采样技术来避免这一问 题. 通常 ,整个系统具有马尔可夫性质 ,重要性分布 可以通过式 (5)化简 : q ( xt | x1∶t- 1 , z1∶t ) = p ( xt | xt- 1 ) . (5) 此时 ,权重就是观测概率 p ( zt | xt ). 2 观测模型 对目标实施准确跟踪的前提是获得被跟踪目标 的准确信息 ,并充分利用这些信息建立目标的模型 , 选择目标合适的视觉特征使其能在特征空间上与其 他物体容易的区分是建立观测模型的首要任务 [ 1 ] . 已经有研究人员针对粒子滤波器提出多种观测模 型 ,有基于颜色的观测模型、基于轮廓的观测模型、 基于运动特征的观测模型、基于纹理的观测模型 [ 1 ] 等. 基于颜色的目标表示方法具有计算量少、适合部 分遮挡和非刚性物体的跟踪 ,缺点是它忽略了空间 层次信息 ,在光照变化 ,以及背景具有和目标相似的 颜色时 ,跟踪会失效;基于轮廓的目标表示方法提供 了目标更为详细的信息 ,但目标存在形变或被遮挡 时 ,跟踪不准确;基于运动特征的观测模型涉及到运 动姿态的理解 ,需要大量先验知识 ,计算复杂;与颜 色建模相比 ,物体表面亮度变化对纹理模型的影响 要小一些. 为了更准确地表示目标 ,观测模型可以是 几种特征的组合. 本文采用颜色特征和边缘特征对 目标建模. 2. 1 颜色直方图 为了减少计算量 ,降低光照影响 ,将 RGB颜色 空间离散化成 8 ×8 ×8的大小 ,得到 256个颜色区 域 ,即新的颜色空间中 r、g、b的取值范围为 0～7,统 计目标区域中像素的颜色向量落在相应子区域中的 像素的个数 ,得到相应的颜色直方图. 点 ( x, y)处新 的 r、g、b值按式 (6)计算 , R表示目标区域. ( r, g, b) = õ( r( x, y) , g ( x, y) , b ( x, y) ) /32」, ( x, y) ∈ R . (6) 归一化新的颜色直方图 ,即在新的颜色直方图 中 ,计算落在每一颜色向量上的像素点的个数占整 个像素点的比重. 假设 km = { ( r i m , g j m , b k m ) } i, j, k = 0, …, 7表示目标颜色 参考模型 , kt = { ( r i x t , g j x t , b k x t ) }i, j, k = 0, …, 7表示 t时刻粒 子 x所表示区域的颜色模型 ,则两者的相似度可以 用欧几里德距离表示 : ρ( km , kx t ) = [ ∑ 7 i =0 ∑ 7 j=0 ∑ 7 k =0 ( ( r i m - r i x t ) 2 + ( g i m - g j x t ) 2 + ( b k m - b k x t ) 2 ) ] 1 2 . (7) · 091 · 智 能 系 统 学 报 第 3卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第3期 王绍钰，等：改进的粒子滤波器目标跟踪方法 ·191· 欧几里德距离P(化，k,)的值越小，说明两者相 方图的权值计算公式： 似性越大，反之，两者相似性越小.相似性大的应该 2 , -e9 被赋予较大的权值，得到时刻粒子基于颜色直方 20 图的权值计算公式： e▣ (15) J/2r0 202 3 粒子滤波跟踪器设计 ·e (8) /2I0 20 跟踪器设计的目标是提供目标在每一帧中的准 22边缘直方图 确位置.实时的粒子滤波跟踪器包括2个重要的部 颜色特征能够胜任多数跟踪任务，在部分遮挡 分：目标模型的初始化和贝叶斯滤波的序列蒙特卡 和聚集的情况下也有较好的表现.然而，当背景具有 罗随机跟踪系统.目标模型是进行相似度计算的重 和目标相似的颜色特征时，背景颜色信息会干扰目 要依据，对目标的真实刻画是实现准确跟踪的前提 标跟踪，误把背景当作目标.为了克服此种缺陷，可 31目标模型初始化 以将目标的其他特征与颜色特征结合起来建立观测 目标初始化可以有2种方法，包括离线初始化 模型.采用面向边缘的直方图来统计特定区域的边 和在线初始化，如果事前明确知道需要跟踪的目标， 界信息 则可以提前建立目标模型，在跟踪器运行时，只需找 为了检测边界信息，现将彩色图像转换成灰度 到与此模型相匹配的区域即可，在线的初始化则通 图像.然后，用水平Sobel算子K和垂直Sobel算子 常需要事先检测运动目标，对检测到的运动区域建 K,来检测边缘 立模型，然后才能实施跟踪，在线初始化通常用于只 G(x以=KIxy以， (9) 要出现运动目标就跟踪的情况.本文采用在线的目 G(x以=K1(x,y以. 10) 标模型初始化策略。 则梯度的大小S(xy为 图像的自适应差分运算是检测场景中是否出现 S(x以=NJG(x,以+G(x,以 (11) 运动目标的最简单有效的方法，经过差分计算后的 为了滤除噪声，为S(x,y)设置了阈值T,当 图像能够清晰地表示出目标的轮廓信息，这就确定 S(x以低于T时，令S(xy等于零.将水平分量和 了目标区域.目标的轮廓通常是无规则的曲线，在计 垂直分量归一化： 算机中很难表示，因此，通常使用有规则的图形来标 &=G(x,y以/S(x,y以， (12) 识目标的大致区域，通常使用的有圆形和多边形 8=G(x,以S(x,y以 (13) 事实上，当得到差分结果后，采用数学形态学中 式中：g、g,表示归一化后的水平分量和垂直分量， 腐蚀的方法滤除噪声.对于一个给定的图像B和结 取值范围为0,1)，将其分成k等分，实验中发现， 构元素S,所有与B具有最大相关的结构元素S的 k=时，能够达到很好的跟踪效果.计算落在每一区 当前位置像素的集合称之为S对B的腐蚀，运算符 间上的像素点的个数占整个候选区域像素点个数的 为⊙.表现为数学形式： 比重，一共有个区间.这样，可以很容易得到类似 E=B©S={(x,y以|S∈B}.(16) 于颜色直方图的边缘直方图 在实验中，采用的结构元素为相邻的4个像素点. 假设k={A}-心…2.表示目标边缘直方图参 图1为原始差分图像和经过腐蚀运算滤除噪声后的图 考模型，4，={A,}-a…2.表示时刻粒子x所表示 像的对比，其中右边的图像为滤除噪声后的图像.从图 区域的边缘直方图模型，、A表示落在区间上的 中可以看出，经过腐蚀运算滤除噪声后的图像中的目 像素点的个数占整个候选区域像素点个数的比重」 标边界要比原始差分图像的目标边界精细. 两者的相似度可以用欧几里德距离表示： 知道目标轮廓后，就可以用一个方形来确定目 2.1 标区域)，然后按照第3节中的方法计算此区域内 P,=【∑A-A2产 (14) 的颜色直方图和边缘直方图.这样，目标模型初始化 欧几里德距离P(k,4,)的值越小，说明两者相 工作就完成了 似性越大，反之，两者相似性越小.相似性大的应该 32粒子滤波算法 被赋予较大的权值，得到时刻粒子x基于边缘直 粒子滤波方法是蒙特卡罗方法和贝叶斯方法的 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.htp://www.cnki.net
欧几里德距离 ρ( km , kx t )的值越小 ,说明两者相 似性越大 ,反之 ,两者相似性越小. 相似性大的应该 被赋予较大的权值 ,得到 t时刻粒子基于颜色直方 图的权值计算公式 : px t = 1 2πσ exp d 2 2σ2 = 1 2πσ exp ρ2 ( km , kx t ) 2σ2 . (8) 2. 2 边缘直方图 颜色特征能够胜任多数跟踪任务 ,在部分遮挡 和聚集的情况下也有较好的表现. 然而 ,当背景具有 和目标相似的颜色特征时 ,背景颜色信息会干扰目 标跟踪 ,误把背景当作目标. 为了克服此种缺陷 ,可 以将目标的其他特征与颜色特征结合起来建立观测 模型. 采用面向边缘的直方图来统计特定区域的边 界信息. 为了检测边界信息 ,现将彩色图像转换成灰度 图像. 然后 ,用水平 Sobel算子 Kx 和垂直 Sobel算子 Ky 来检测边缘. Gx ( x, y) = Kx I( x, y) , (9) Gy ( x, y) = Ky I( x, y). (10) 则梯度的大小 S ( x, y)为 S ( x, y) = G 2 x ( x, y) + G 2 y ( x, y) . (11) 为了滤除噪声 , 为 S ( x, y )设置了阈值 T, 当 S ( x, y)低于 T时 ,令 S ( x, y)等于零. 将水平分量和 垂直分量归一化 : gx = Gx ( x, y) /S ( x, y) , (12) gy = Gy ( x, y) /S ( x, y). (13) 式中 : gx、gy 表示归一化后的水平分量和垂直分量 , 取值范围为 [ 0, 1 ],将其分成 k等分 ,实验中发现 , k = 5时 ,能够达到很好的跟踪效果. 计算落在每一区 间上的像素点的个数占整个候选区域像素点个数的 比重 ,一共有 k 2 个区间. 这样 ,可以很容易得到类似 于颜色直方图的边缘直方图. 假设 lm = {A i m } i = 0, …, k 2 - 1表示目标边缘直方图参 考模型 , lx t = {A i x t }i = 0, …, k 2 - 1表示 t时刻粒子 x所表示 区域的边缘直方图模型 , A i m 、A i x t表示落在区间 i上的 像素点的个数占整个候选区域像素点个数的比重. 两者的相似度可以用欧几里德距离表示 : ρ( lm , lx t ) = [ ∑ k 2 - 1 i =0 (A i m - A t x t ) 2 ] 1 2 . (14) 欧几里德距离 ρ( lm , lx t )的值越小 ,说明两者相 似性越大 ,反之 ,两者相似性越小. 相似性大的应该 被赋予较大的权值 ,得到 t时刻粒子 x基于边缘直 方图的权值计算公式 : qx t = 1 2πσ exp d 2 2σ2 = 1 2πσ exp ρ2 ( lm , lx t ) 2σ2 . (15) 3 粒子滤波跟踪器设计 跟踪器设计的目标是提供目标在每一帧中的准 确位置. 实时的粒子滤波跟踪器包括 2个重要的部 分 :目标模型的初始化和贝叶斯滤波的序列蒙特卡 罗随机跟踪系统. 目标模型是进行相似度计算的重 要依据 ,对目标的真实刻画是实现准确跟踪的前提. 3. 1 目标模型初始化 目标初始化可以有 2种方法 ,包括离线初始化 和在线初始化 ,如果事前明确知道需要跟踪的目标 , 则可以提前建立目标模型 ,在跟踪器运行时 ,只需找 到与此模型相匹配的区域即可;在线的初始化则通 常需要事先检测运动目标 ,对检测到的运动区域建 立模型 ,然后才能实施跟踪 ,在线初始化通常用于只 要出现运动目标就跟踪的情况. 本文采用在线的目 标模型初始化策略. 图像的自适应差分运算是检测场景中是否出现 运动目标的最简单有效的方法 ,经过差分计算后的 图像能够清晰地表示出目标的轮廓信息 ,这就确定 了目标区域. 目标的轮廓通常是无规则的曲线 ,在计 算机中很难表示 ,因此 ,通常使用有规则的图形来标 识目标的大致区域 ,通常使用的有圆形和多边形. 事实上 ,当得到差分结果后 ,采用数学形态学中 腐蚀的方法滤除噪声. 对于一个给定的图像 B 和结 构元素 S,所有与 B 具有最大相关的结构元素 S 的 当前位置像素的集合称之为 S对 B 的腐蚀 ,运算符 为 ª. 表现为数学形式 : E = B ª S = { ( x, y) | Sxy Α B } . (16) 在实验中,采用的结构元素为相邻的 4个像素点. 图 1为原始差分图像和经过腐蚀运算滤除噪声后的图 像的对比,其中右边的图像为滤除噪声后的图像. 从图 中可以看出,经过腐蚀运算滤除噪声后的图像中的目 标边界要比原始差分图像的目标边界精细. 知道目标轮廓后 ,就可以用一个方形来确定目 标区域 [ 1 ] ,然后按照第 3节中的方法计算此区域内 的颜色直方图和边缘直方图. 这样 ,目标模型初始化 工作就完成了. 3. 2 粒子滤波算法 粒子滤波方法是蒙特卡罗方法和贝叶斯方法的 第 3期 王绍钰 ,等 :改进的粒子滤波器目标跟踪方法 · 191 · © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·192· 智能系统学报 第3卷 ①汁算标准累加概率c g1=04.1=+w. 19) ②班成一组服从均匀分布的随机数u~U01: ③找到最小的使得4.，≥4 ④冷x1=X.1. 2)状态预测.粒子通过一个动态模型进行传 图1原始差分图像和经过腐蚀运算滤除噪声后的图像的 播，本文中使用的动态模型如式20) 对比 x=x1+'.l (20) Fig 1 The contrast beteen original difference mage and m- 式中：V.,是一个多维高斯随机变量 age filtered noise 3)权值更新.根据式(17)进行权值更新.归一 N.I 结合，也是求解贝叶斯问题的一种实用方法，它通过 化新的权值，w=w:/∑w 非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤 4)输出.目标的后验估计为 波，其思想是利用一系列随机抽取的样本以及样本 N.1 的权重来计算状态的后验概率.粒子滤波不用满足 E() 系统为线性、噪声为高斯分布、后验概率是高斯型的 事实上，步骤1)并不是在每一个迭代过程中都 限制条件 需要的，它的作用是当大量的粒子权值很小时，采用 利用目标的颜色直方图和边缘直方图作为前景 增加权值大的粒子的数目来避免计算浪费在权值较 观测信息来更新粒子权值，颜色直方图和边缘直方 小的粒子上.设置阈值M和阈值Z,当权值低于Z 图在粒子权值更新中所占的比重由环境信息决定， 的粒子的个数超过M时，才执行1)，进行重采样。 当背景与目标具有相似的颜色信息时，增加边缘直 4实验结果 方图在权值更新中的比重，采用式(17)来计算综合 权重，为了便于计算机表示，综合权重用w表示， 实验的运行的环境是24 GHz CPU,256@M内 即时刻第个粒子的权重 存的计算机，摄像头型号为长城GWS-1306本次实 w=GR:+kk (17) 验中图像的分辨率为320240，粒子数为100个， 式中：G+Q=1G、G的取值根据场景情况确定.当 即N的取值为100 光照条件剧烈变化，或者背景颜色与目标颜色及其 41光照变化时的旋转物体跟踪 相似时，G取较小的值，当目标为非刚性物体时，9 实验拍摄的是室内光照条件不断变化的场景 取较小的值 跟踪的目标为天花板上正在旋转的电风扇，且具有 由于基于颜色的跟踪能够满足大部分的跟踪情 与背景相似的颜色特征.图2是采用本文中的方法 况，通常情况下，可以令9=0但是当背景中的某 进行跟踪的结果，利用颜色信息和边界信息作为粒 些区域的颜色模型和目标颜色参考模型相似时，极 子权值更新的依据，式(17)中，取G=G=05.在光 易将目标与背景混淆起来，此时，合理选择9、Q的 照剧烈变化时，不会丢失目标，如图2所示，白色矩 值很重要。 形框表示运动目标.图3仅仅采用了颜色信息对目 粒子x由一组向量表示，通常包括物体的中心 标建模，即9=1、6=0，可以从实验结果中看出， 位置，以及物体的宽和高等属性： 当光照条件变化时，跟踪失效，而当光照条件又恢复 x=(0,8,3,号 (18) 到模型建立时的水平，跟踪器又能跟踪到目标，这可 式中：Q、9,表示目标中心位置，s、S表示目标的宽 以从图3的第4幅图中反映出来 和高 42PF与MPF的比较 假设在1-1时刻，目标的后验估计为E(x.1) 从室内环境获取视频，并截取100帧视频来进 粒子集fxX./-aN,对应的权值为w,N表示 行目标跟踪实验，室内环境的特点为目标与背景具 粒子个数.那么，粒子滤波跟踪方法的一个迭代过程 有相似的颜色特征.目标及其初始位置假设己知，通 有以下4个步骤： 过粒子滤波算法，能实现目标的跟踪，甚至目标被遮 1)重采样，生成一组新的粒子{x.1}-N 挡了也能找到目标位置，但是遮挡的时间不能太长， 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved htp://www.cnki.net
图 1 原始差分图像和经过腐蚀运算滤除噪声后的图像的 对比 Fig. 1 The contrast between original difference image and im2 age filtered noise 结合 ,也是求解贝叶斯问题的一种实用方法 ,它通过 非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤 波 ,其思想是利用一系列随机抽取的样本以及样本 的权重来计算状态的后验概率. 粒子滤波不用满足 系统为线性、噪声为高斯分布、后验概率是高斯型的 限制条件. 利用目标的颜色直方图和边缘直方图作为前景 观测信息来更新粒子权值 ,颜色直方图和边缘直方 图在粒子权值更新中所占的比重由环境信息决定 , 当背景与目标具有相似的颜色信息时 ,增加边缘直 方图在权值更新中的比重 ,采用式 ( 17)来计算综合 权重 ,为了便于计算机表示 ,综合权重用 w′ i t 表示 , 即 t时刻第 i个粒子的权重. w′ i t = c1 px i t + c2 qx i t . (17) 式中 : c1 + c2 = 1. c1、c2的取值根据场景情况确定. 当 光照条件剧烈变化 ,或者背景颜色与目标颜色及其 相似时 , c1取较小的值;当目标为非刚性物体时 , c2 取较小的值. 由于基于颜色的跟踪能够满足大部分的跟踪情 况 ,通常情况下 ,可以令 c2 = 0. 但是当背景中的某 些区域的颜色模型和目标颜色参考模型相似时 ,极 易将目标与背景混淆起来 ,此时 ,合理选择 c1、c2 的 值很重要. 粒子 x由一组向量表示 ,通常包括物体的中心 位置 ,以及物体的宽和高等属性 : x = ( ox , oy , sx , sy ). (18) 式中 : ox、oy 表示目标中心位置 , sx、sy 表示目标的宽 和高. 假设在 t - 1时刻 ,目标的后验估计为 E ( xt - 1 ) 粒子集 { x i t - 1 }i = 0, …, N - 1 ,对应的权值为 w i t - 1 , N 表示 粒子个数. 那么 ,粒子滤波跟踪方法的一个迭代过程 有以下 4个步骤 : 1)重采样 ,生成一组新的粒子 { x′ i t - 1 } i = 0, …, N - 1 . ①计算标准累加概率 c′t - 1 c 0 t- 1 = 0, …, c j t- 1 = c i- 1 t- 1 +w i k - 1 . (19) ②生成一组服从均匀分布的随机数 u～U (0, 1); ③找到最小的 j,使得 c j t - 1 ≥u; ④令 x′ i t - 1 = x j t - 1 . 2)状态预测. 粒子通过一个动态模型进行传 播 ,本文中使用的动态模型如式 (20). xt = x′t- 1 +Vt- 1 (20) 式中 : Vt - 1是一个多维高斯随机变量. 3)权值更新. 根据式 ( 17)进行权值更新. 归一 化新的权值 , w i t = w′ i t /∑ N - 1 j=0 w′ j t . 4)输出. 目标的后验估计为 E ( xt ) = ∑ N - 1 i =0 w i t x i t . 事实上 ,步骤 1)并不是在每一个迭代过程中都 需要的 ,它的作用是当大量的粒子权值很小时 ,采用 增加权值大的粒子的数目来避免计算浪费在权值较 小的粒子上. 设置阈值 M 和阈值 Z,当权值低于 Z 的粒子的个数超过 M 时 ,才执行 1) ,进行重采样. 4 实验结果 实验的运行的环境是 2. 4 GHz CPU, 256M 内 存的计算机 ,摄像头型号为长城 GW S21306. 本次实 验中图像的分辨率为 320 ×240,粒子数为 100个 , 即 N 的取值为 100. 4. 1 光照变化时的旋转物体跟踪 实验拍摄的是室内光照条件不断变化的场景 , 跟踪的目标为天花板上正在旋转的电风扇 ,且具有 与背景相似的颜色特征. 图 2是采用本文中的方法 进行跟踪的结果 ,利用颜色信息和边界信息作为粒 子权值更新的依据 ,式 (17)中 ,取 c1 = c2 = 0. 5,在光 照剧烈变化时 ,不会丢失目标 ,如图 2所示 ,白色矩 形框表示运动目标. 图 3仅仅采用了颜色信息对目 标建模 ,即 c1 = 1、c2 = 0,可以从实验结果中看出 , 当光照条件变化时 ,跟踪失效 ,而当光照条件又恢复 到模型建立时的水平 ,跟踪器又能跟踪到目标 ,这可 以从图 3的第 4幅图中反映出来. 4. 2 PF与 MPF的比较 从室内环境获取视频 ,并截取 100帧视频来进 行目标跟踪实验 ,室内环境的特点为目标与背景具 有相似的颜色特征. 目标及其初始位置假设已知 ,通 过粒子滤波算法 ,能实现目标的跟踪 ,甚至目标被遮 挡了也能找到目标位置 ,但是遮挡的时间不能太长 , · 291 · 智 能 系 统 学 报 第 3卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第3期 王绍钰，等：改进的粒子滤波器目标跟踪方法 ·193· P℉和本文中改进的粒子滤波跟踪算法MPF的跟踪 结果.实验中，目标是被白色纸张遮挡住头部的人 体，并以此为依据建立目标模型，目标初始时刻的位 置是给定的.图4中给出了MPF和PF的跟踪效果 开始时，两者均能很好地跟踪目标，err值都小于5 在第63帧中，头部遮挡的白色纸张被撤销，MPF的 er=5,PF的er3=l0在其后的跟踪中，PF的表 现越来越差，而MP℉则仍然有较好的跟踪效果.这 图2光照条件变化下基于颜色和边缘直方图的粒 表示在目标和背景具有相似颜色特征，存在部分遮 子滤波跟踪 挡时，MPF仍然能够较精确地跟踪目标，而PF在这 Fig 2 Particle filter object tracking based on cobr 种情况下跟踪不如MPF稳定.图5中的实线和虚线 and edge histogram under illum ination chan- ging circumn stance 分别表示MPF和PF在I00帧中的em,计算得到 MPF的平均偏差ave-3,PF的平均偏差ave=7. 图3光照条件变化下基于颜色直方图的粒子滤波 跟踪 Fig 3 Particle filter object tracking based on color 图4PF与MPF的跟踪效果 histogram under illum inaton changing circum- Fig 4 Particle filter object tracking and modified parti- cle filter object tracking stance 20 一IPF ---PE 否则目标将会丢失，当目标又重新出现时，为了更准 15 确更直观地比较跟踪效果，实验中使用： 10 er =a-s)2+(o-s) (21) 来计算第帧跟踪的偏差.a、g表示跟踪的第帧 的目标中心位置，s、s表示准确的第帧目标中心 0 20 4060 80100 位置，er表示第帧中目标偏离准确位置的偏差， Frame 可用来衡量跟踪定位方法的准确性.另外用下式来 图5PF与MPF跟踪的偏差 衡量目标跟踪的平均偏差： Fig 5 The eror of particle filter object tracking and ave=∑erN (22) modified particle filter object tracking i0 实验中分别用式21)、(22)来计算各帧中目标 5结束语 位置的偏差和平均偏差.准确第帧目标中心位置 提出了一种有效的、鲁棒性强的运动目标跟踪 的值是通过手工方法获的，虽然这种方法对单帧中 方法.采用颜色信息和边界信息对运动目标建立模 目标精确定位带有很强的主观性，会带来一些误差， 型，在光照条件变化，目标与背景具有相似的颜色信 但从整体上来看对比较结果不会有太大影响，特别 息时仍然能够达到很好的跟踪效果.对颜色直方图 是对计算的平均偏差几乎不会有影响 和边缘直方图分级量化，然后分别计算目标与粒子 图4和图5给出了标准的粒子滤波跟踪算法 的欧几里德距离，这2个距离作为粒子权值更新的 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved http://www.cnki.net
图 2 光照条件变化下基于颜色和边缘直方图的粒 子滤波跟踪 Fig. 2 Particle filter object tracking based on color and edge histogram under illum ination chan2 ging circumstance 图 3 光照条件变化下基于颜色直方图的粒子滤波 跟踪 Fig. 3 Particle filter object tracking based on color histogram under illum ination changing circum2 stance 否则目标将会丢失 ,当目标又重新出现时 ,为了更准 确更直观地比较跟踪效果 ,实验中使用 : erri = ( ox - sx ) 2 + ( oy - sy ) 2 (21) 来计算第 i帧跟踪的偏差. ox、oy表示跟踪的第 i帧 的目标中心位置 , sx、sy表示准确的第 i帧目标中心 位置 , erri 表示第 i帧中目标偏离准确位置的偏差 , 可用来衡量跟踪定位方法的准确性. 另外用下式来 衡量目标跟踪的平均偏差 : ave = ∑ N i =0 erri /N. (22) 实验中分别用式 (21) 、(22)来计算各帧中目标 位置的偏差和平均偏差. 准确第 i帧目标中心位置 的值是通过手工方法获的 ,虽然这种方法对单帧中 目标精确定位带有很强的主观性 ,会带来一些误差 , 但从整体上来看对比较结果不会有太大影响 ,特别 是对计算的平均偏差几乎不会有影响. 图 4和图 5给出了标准的粒子滤波跟踪算法 PF和本文中改进的粒子滤波跟踪算法 MPF的跟踪 结果. 实验中 ,目标是被白色纸张遮挡住头部的人 体 ,并以此为依据建立目标模型 ,目标初始时刻的位 置是给定的. 图 4中给出了 MPF和 PF的跟踪效果. 开始时 ,两者均能很好地跟踪目标 , err值都小于 5. 在第 63帧中 ,头部遮挡的白色纸张被撤销 ,MPF的 err63 = 5 , PF的 err63 = 10. 在其后的跟踪中 , PF的表 现越来越差 ,而 MPF则仍然有较好的跟踪效果. 这 表示在目标和背景具有相似颜色特征 ,存在部分遮 挡时 ,MPF仍然能够较精确地跟踪目标 ,而 PF在这 种情况下跟踪不如 MPF稳定. 图 5中的实线和虚线 分别表示 MPF和 PF在 100帧中的 err,计算得到 MPF的平均偏差 ave = 3, PF的平均偏差 ave = 7. 图 4 PF与 MPF的跟踪效果 Fig. 4 Particle filter object tracking and modified parti2 cle filter object tracking 图 5 PF与 MPF跟踪的偏差 Fig. 5 The error of particle filter object tracking and modified particle filter object tracking 5 结束语 提出了一种有效的、鲁棒性强的运动目标跟踪 方法. 采用颜色信息和边界信息对运动目标建立模 型 ,在光照条件变化 ,目标与背景具有相似的颜色信 息时 ,仍然能够达到很好的跟踪效果. 对颜色直方图 和边缘直方图分级量化 ,然后分别计算目标与粒子 的欧几里德距离 ,这 2个距离作为粒子权值更新的 第 3期 王绍钰 ,等 :改进的粒子滤波器目标跟踪方法 · 391 · © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·194· 智能系统学报 第3卷 重要依据，增加了粒子权值的可靠度，减少了干扰噪 cobr hispgram based particle filter or visual target tracking 声对系统的影响.下一步要做的工作是，进一步优化 [J ]Control and Decision,2006,21(8):868-872 目标模型，改进在线初始化策略，并且在机器人系统 [7]VDLA P,JONES M J.Robust real-tme face detection 中实现目标跟踪的任务， [J].Intemational Joumal of Computer Vision,2004,52 (2):137-154 参考文献： [8 ]NUMM AROK,KOLLER M E,VAN GL.Object tracking with an adaptive cobr-based particle filter[C]//Proc of the [1 ]YIMAZA,JAVED O,SHAH M.Object tracking a sur Symposium for Pattem Recognition of the DACM.Switzer vey[J].ACM Computing Surveys,2006,38(4):1-45 and,2002:353-360 [2]YANG C J,DURA ISWAMIR,DAV ISL.Fastmultiple ob- 作者简介： ject tracking via a hierarchical particle filter[C]//Poceed- 王绍钰，男，1982年生，硕士研究 ings of the Tenth IEEE Intemational Conference on Comput- 生，主要研究方向为视频图像处理、目 er V ision Beijing.China,2005:212-219 标跟踪 [3候志强，韩崇昭.视觉跟踪技术综述[J]自动化学报， 2006,32(4):603-617. HOU Zhiqiang.HAN Chonghaa A survey of visual track- ing[J ]Acta Autmatica Sinica,2006,32 (4):603-617 [4 WU Y.Robust visual tracking by integrating multiple cues 蔡自兴，男，1938年生，教授，博 based on co-inference leaming[J]temational Joumal of 士生导师，主要研究方向为人工智能、 Computer Vision,2004,58(1):55-71. 机器人等.获科技奖励30多项，其中 [5]常发亮，马丽，刘增晓.复杂环境下基于自适应粒子 国家级奖励2项，省部级奖励20多项， 滤波器的目标跟踪[J]电子学报，2006,34(12)：2150- 已在国内外发表论文550余篇，出版专 2153 著和材料共26部. CHANG Faliang.MA Li,LU Zengxiaa Target tracking based on adap tive particle filter under comp lex background [J ]Acta Electronica Sinica,2006,34(12):2150-2153. 陈爱斌，男，1971年生，博士研究 [6庄严，战洪斌，王伟.基于加权颜色直方图和粒子 生，主要研究方向为多机器人目标跟 滤波的彩色物体跟踪[J]控制与决策，2006,21(8)： 路1 868-872 ZHUANG Yan,ZHAN Hongbin,WANGWei Weighted 2008国际计算智能与信息安全会议 2008 Intemational Conference on Computational Intelligence and Security Intemational Conference on Computational Intelligence and Security (CIS)is a major annual intemational conference to bring together researchers,engineers,developers and practitioners from academ ia and industry working in all areas of two crucial fields in infomation processing:computational intelligence (CD)and infomation security IS),to share the experience,and exchange and cross-fertilize ideas In particular,the series of C IS conference provides an ideal platfom to explore the potential applications of CImodels,algorithms and technologies to IS Following the great success of C IS2005,CIS2006,and C IS2007,CIS2008 serves as a form for the dissem ination of state-of-the-art research,development,and mplementations of systems,technobgies and applications in these two broad fields CIS2008 is coorganized by Southeast University and Soochow University.Also,it is co-sponsored by Guangdong University of Technology,Xidian University,and Harbin Institute of Technobgy,and in cooperation with IEEE Nanjing Section and IEEE (HongKong)Computational Intelligence Chapter 联系人：姚楚君TeL13560407508 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
重要依据 ,增加了粒子权值的可靠度 ,减少了干扰噪 声对系统的影响. 下一步要做的工作是 ,进一步优化 目标模型 ,改进在线初始化策略 ,并且在机器人系统 中实现目标跟踪的任务. 参考文献 : [ 1 ] YILMAZ A, JAVED O, SHAH M. Object tracking: a sur2 vey[J ]. ACM Computing Surveys, 2006, 38 (4) : 1245. [ 2 ] YANG C J, DURA ISWAM IR, DAV ISL. Fastmultip le ob2 ject tracking via a hierarchical particle filter[C ] / / Proceed2 ings of the Tenth IEEE International Conference on Comput2 er V ision. Beijing, China, 2005: 2122219. [ 3 ]侯志强 , 韩崇昭. 视觉跟踪技术综述 [J ]. 自动化学报 , 2006, 32 (4) : 6032617. HOU Zhiqiang, HAN Chongzhao. A survey of visual track2 ing[J ]. Acta Automatica Sinica, 2006, 32 (4) : 6032617. [ 4 ]WU Y. Robust visual tracking by integrating multip le cues based on co2inference learning[J ]. International Journal of Computer V ision, 2004, 58 (1) : 55271. [ 5 ]常发亮 , 马 丽 , 刘增晓. 复杂环境下基于自适应粒子 滤波器的目标跟踪 [J ]. 电子学报 , 2006, 34 (12) : 21502 2153. CHANG Faliang, MA L i, L IU Zengxiao. Target tracking based on adap tive particle filter under comp lex background [J ]. Acta Electronica Sinica, 2006, 34 (12) : 215022153. [ 6 ]庄 严 , 战洪斌 , 王 伟. 基于加权颜色直方图和粒子 滤波的彩色物体跟踪 [J ]. 控制与决策 , 2006, 21 (8) : 8682872. ZHUANG Yan, ZHAN Hongbin, WANGW ei. W eighted color histogram based particle filter for visual target tracking [J ]. Control and Decision, 2006, 21 (8) : 8682872. [ 7 ] V IOLA P, JONES M J. Robust real2time face detection [J ]. International Journal of Computer V ision, 2004, 52 (2) : 1372154. [ 8 ]NUMM IAROK, KOLLER M E, VAN G L. Object tracking with an adap tive color2based particle filter[C ] / /Proc of the Symposium for Pattern Recognition of the DAGM. Switzer2 land, 2002: 3532360. 作者简介 : 王绍钰 , 男 , 1982年生 , 硕士研究 生 , 主要研究方向为视频图像处理、目 标跟踪. 蔡自兴 , 男 , 1938年生 , 教授 , 博 士生导师 , 主要研究方向为人工智能、 机器人等. 获科技奖励 30多项 , 其中 国家级奖励 2项 , 省部级奖励 20多项 , 已在国内外发表论文 550余篇 , 出版专 著和材料共 26部. 陈爱斌 , 男 , 1971年生 ,博士研究 生 , 主要研究方向为多机器人目标跟 踪. 2008国际计算智能与信息安全会议 2008 International Conference on Computational Intelligence and Security International Conference on Computational Intelligence and Security (CIS) is a major annual international conference to bring together researchers, engineers, developers and p ractitioners from academia and industry working in all areas of two crucial fields in information p rocessing: computational intelligence (CI) and information security ( IS) , to share the experience, and exchange and cross2fertilize ideas. In particular, the series of CIS conference p rovides an ideal p latform to exp lore the potential app lications of CImodels, algorithms and technologies to IS. Following the great success of CIS’2005, CIS’2006, and CIS’2007, CIS’2008 serves as a forum for the dissemination of state2of2the2art research, development, and imp lementations of systems, technologies and app lications in these two broad fields. CIS’2008 is co2organized by Southeast University and Soochow University. Also, it is co2sponsored by Guangdong University of Technology, Xidian University, and Harbin Institute of Technology, and in cooperation with IEEE Nanjing Section and IEEE (HongKong) Computational Intelligence Chap ter. 联系人 :姚楚君 Tel: 13560407508 · 491 · 智 能 系 统 学 报 第 3卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net