第2期 杨戈，等：视觉跟踪算法综述 ·101 对特定任务的跟踪算法，没有和特定任务的先验知 低了粒子滤波器的性能.权值退化问题主要原因是 识相结合。 重要性权值的方差随时间变化不断增加.因此增加 文献[49]提出了基于视觉特征的非刚性对象 粒子数目可以解决退化问题，但是又使计算量上升， 的实时跟踪算法，它适合各种颜色/纹理模型的对 影响算法的实时性.一般粒子的数量由状态方程的 象，对于部分遮挡，摄像机位置变化等都具有健壮 维数、先验概率密度函数和重要密度函数的相似度 性.Mean shift迭代被用来找到和给定目标模型最相 以及迭代次数决定 似的目标候选区，其中的相似程度由Bhattacharyya 再取样方法主要包括：Multinomial重取样方 系数来表示。 法s3s4]、Systematic重取样方法[3s]、Residual重取 文献[50]提出了一种在mean shif跟踪框架中 样方法534,6、采样一重要性重取样4,89和局 嵌入自适应特征选择的方法，根据贝叶斯错误率选 部蒙特卡洛重取样4).虽然再取样方法能够减少权 择最有决定性的特征，然后建立一个权重图像，使用 值退化问题，但再取样方法是在高权值的粒子区域 mean shift定位被跟踪的对象.但它假定每个被选择 取样，需不断复制大量相同的粒子.因此随着时间的 特征的贝叶斯错误率服从高斯分布，应用范围受到 改变，给粒子滤波器带来许多新的问题：再取样以 一定限制. 后，模拟的轨迹不再统计独立，因此收敛结果不再有 在基于核的对象跟踪中，模型不变和不佳的尺 效：再取样使得有较高权重的粒子在统计上被选择 度自适应性是2个主要的限制因素，文献[51]针对 很多次，这样算法会失去多样性4] 这2个因素，提出了新的基于核的跟踪方法，它把尺 基于扩展卡尔曼滤波的粒子滤波器算法称为扩 度估计和对象模型更新相结合，这种方法不受对象 展粒子滤波器(extended particle filter,EPF)【o,文 尺度和外表变化的影响.但是，它只是在手型跟踪中 献[60]用扩展粒子滤波器实现了对每个对象速度 验证了这个方法，缺乏一般性。 和位置概率估计的多模分布.基于unscented卡尔曼 2.2.2粒子滤波 滤波的粒子滤波器算法称为unscented粒子滤波器 为了实行递归的贝叶斯滤波器，文献[52]提出 (unscented particle filter,UPF)[6.文献[6l]将颜 了bootstrap滤波算法，状态向量的密度由一系列随 色分布，小波矩(wavelet moment)和UPP算法相结 机抽样表示，不需要假设系统是线性的或噪声服从 合，增加了跟踪算法的准确性，减少了计算的复杂 高斯分布.bootstrap滤波算法在重要性取样后复制 性，可以处理部分遮挡、尺度变化等.文献[62]利用 高权值的粒子，抛弃低权值的粒子，重新分配权值并 UPF框架对声音和视觉进行跟踪.文献[63]提出了 规范化，它克服了早期算法的退化问题，出现了第一 外表引导的粒子滤波，它结合外表和运动转换信息 个可操作的蒙特卡洛滤波器，即粒子滤波器 实现了概率传递模型，通过使用预收集的因子在高 粒子滤波器是一种基于贝叶斯递归推理和蒙特 维状态空间中引导跟踪，避免了粒子滤波漂移的影 卡洛方法的非线性系统分析工具.粒子滤波器主要 响.但是，贝叶斯网络的因子是根据经验或者在状态 包含重要性取样和选择（再取样）.它有2个重要的 空间中均匀分布来选择的，不能适应被跟踪的运动 成组成：动态模型和似然模型，动态模型决定粒子如 序列的变化. 何在状态空间中传播，似然模型赋予粒子权值，随后 文献[64]在粒子滤波器中结合了自适应外表 和噪声测量相关联， 模型，实现了基于自适应外表模型的观测模型和基 序贯列重要性取样其基本思想是使用大量具有 于自适应噪声变化的速度运动模型，粒子数目也是 权值的粒子（样本）近似（逼近）目标状态的后验概 自适应的.自适应的速度模型来源于一级线性预测， 率分布，但权值退化问题一直是序贯重要性取样技 这个预测基于观测和以前粒子配置之间的外表差 术的瓶颈问题.序贯重要性取样方法中存在的权值 异.这个方法可以对室内室外的视频序列进行有效 退化问题，即粒子经过几次迭代之后，会出现其中的 地跟踪， 一个粒子的规范化权值趋于1，而其他粒子的重要 文献[65]分析了传统粒子滤波算法计算上的 性可忽略不计的现象，导致许多状态更新的轨迹对 缺点，提出了新的实现方法，它使用独立主要哈希抽 估计不起任何作用，在浪费大量计算资源的同时降 样器(independent metropolis Hastings sampler),采用