·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