第14卷第4期 智能系统学报 Vol.14 No.4 2019年7月 CAAI Transactions on Intelligent Systems Jul.2019 D0:10.11992/tis.201805049 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180709.1438.010html 用于目标跟踪的智能群体优化滤波算法 许奇，王华彬，周健，陶亮 (安徽大学计算智能与信号处理教育部重点实验室，安徽合肥230031) 摘要：针对目标跟踪中的状态估计，提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上，运用智 能群体优化的3种运动模型估计目标的后验状态，其中内聚运动在保持了粒子多样性的情况下增加了样本的 权值，分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明：与标准粒子 滤波相比，该算法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟 踪准确性。 关键词：目标跟踪；视觉跟踪；滤波算法；贝叶斯滤波：粒子滤波；运动模型；后验状态；智能群体优化 中图分类号：TP391.41文献标志码：A文章编号：1673-4785(2019)04-0697-11 中文引用格式：许奇，王华彬，周健，等.用于目标跟踪的智能群体优化滤波算法.智能系统学报，2019,14(4)：697-707. 英文引用格式：XUQi,WANG Huabin,.ZHOU Jian,et al.Swarm intelligence filtering for robust object tracking J.CAAI transac- tions on intelligent systems,2019,14(4):697-707. Swarm intelligence filtering for robust object tracking XU Qi,WANG Huabin,ZHOU Jian,TAO Liang (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education,Anhui University,Hefei 230031,China) Abstract:To estimate the state of target in object tracking,a novel algorithm named swarm intelligence filter(SIF)is proposed in this paper.Based on the Bayesian filter,the algorithm could estimate the posterior state using three move- ments of swarms.The cohesion movement could add the weight by maintaining the diversity of the sample,and the co- ordination of separation and permutation movements could more accurately predict the state of the next moment com- pared with the conventional algorithm.The experimental results show that compared with the conventional particle fil- ter,our algorithm could more accurately predict the posterior state in nonlinear systems and more accurately estimate the state of the object in complex environment. Keywords:object tracking;visual tracking;filtering algorithm;Bayesian filter;particle filter;motion model;posterior state;swarm intelligence optimization 滤波算法是一种能在非线性离散时间内估计 (particle filter,.PF)等。KF算法只能用来解决线性 后验状态的算法。在目标跟踪中，滤波算法是在 问题，而在目标跟踪中大多数情况下都是非线性 贝叶斯滤波(Bayesian filter)框架下，给定当前时 问题，因而适用度不高四。EKF算法将非线性系 刻的观测信息，估计目标的后验状态并预测下一 统局部线性化，对于较弱的非线性系统可以获得 时刻的先验状态。当前应用广泛且较为成熟的滤 很好的滤波效果，但对于较强非线性系统，效果并 波算法有卡尔曼滤波(Kalman filter,KF)、扩展卡 不理想。UKF算法采用无极变换和EKF算法框 尔曼滤波(extended Kalman filter,,EKF)、无迹卡尔 架，其思想是近似高斯分布比近似非线性方程要 曼滤波(unscented Kalman filter,.UKF)和粒子滤波 容易；UKF算法虽然能够得到三阶矩的后验均值 收稿日期：2018-05-31.网络出版日期：2018-07-10. 及协方差估计，但由于其与EKF一样，假设非线 基金项目：国家自然科学基金项目(61371217)：安徽省自然科 性系统的后验状态服从高斯分布，因而对一般的 学基金项目(1708085MF151). 通信作者：王华彬.E-mail:wanghuabin@ahu.edu.cn 模型仍不适用，因此并不适用于目标跟踪。DOI: 10.11992/tis.201805049 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180709.1438.010.html 用于目标跟踪的智能群体优化滤波算法 许奇，王华彬，周健，陶亮 （安徽大学 计算智能与信号处理教育部重点实验室，安徽 合肥 230031） 摘 要：针对目标跟踪中的状态估计，提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上，运用智 能群体优化的 3 种运动模型估计目标的后验状态，其中内聚运动在保持了粒子多样性的情况下增加了样本的 权值，分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明：与标准粒子 滤波相比，该算法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟 踪准确性。 关键词：目标跟踪；视觉跟踪；滤波算法；贝叶斯滤波；粒子滤波；运动模型；后验状态；智能群体优化 中图分类号：TP391.41 文献标志码：A 文章编号：1673−4785(2019)04−0697−11 中文引用格式：许奇, 王华彬, 周健, 等. 用于目标跟踪的智能群体优化滤波算法 [J]. 智能系统学报, 2019, 14(4): 697–707. 英文引用格式：XU Qi, WANG Huabin, ZHOU Jian, et al. Swarm intelligence filtering for robust object tracking[J]. CAAI transac￾tions on intelligent systems, 2019, 14(4): 697–707. Swarm intelligence filtering for robust object tracking XU Qi，WANG Huabin，ZHOU Jian，TAO Liang (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, Anhui University, Hefei 230031, China) Abstract: To estimate the state of target in object tracking, a novel algorithm named swarm intelligence filter (SIF) is proposed in this paper. Based on the Bayesian filter, the algorithm could estimate the posterior state using three move￾ments of swarms. The cohesion movement could add the weight by maintaining the diversity of the sample, and the co￾ordination of separation and permutation movements could more accurately predict the state of the next moment com￾pared with the conventional algorithm. The experimental results show that compared with the conventional particle fil￾ter, our algorithm could more accurately predict the posterior state in nonlinear systems and more accurately estimate the state of the object in complex environment. Keywords: object tracking; visual tracking; filtering algorithm; Bayesian filter; particle filter; motion model; posterior state; swarm intelligence optimization 滤波算法是一种能在非线性离散时间内估计 后验状态的算法。在目标跟踪中，滤波算法是在 贝叶斯滤波 (Bayesian filter) 框架下，给定当前时 刻的观测信息，估计目标的后验状态并预测下一 时刻的先验状态。当前应用广泛且较为成熟的滤 波算法有卡尔曼滤波 (Kalman filter，KF)、扩展卡 尔曼滤波 (extended Kalman filter，EKF)、无迹卡尔 曼滤波 (unscented Kalman filter，UKF) 和粒子滤波 (particle filter，PF) 等。KF 算法只能用来解决线性 问题，而在目标跟踪中大多数情况下都是非线性 问题，因而适用度不高[1]。EKF 算法将非线性系 统局部线性化，对于较弱的非线性系统可以获得 很好的滤波效果，但对于较强非线性系统，效果并 不理想。UKF 算法采用无极变换和 EKF 算法框 架，其思想是近似高斯分布比近似非线性方程要 容易；UKF 算法虽然能够得到三阶矩的后验均值 及协方差估计，但由于其与 EKF 一样，假设非线 性系统的后验状态服从高斯分布，因而对一般的 模型仍不适用[2] ，因此并不适用于目标跟踪。 收稿日期：2018−05−31. 网络出版日期：2018−07−10. 基金项目：国家自然科学基金项目 (61371217)；安徽省自然科 学基金项目 (1708085MF151). 通信作者：王华彬. E-mail：wanghuabin@ahu.edu.cn. 第 14 卷第 4 期 智 能 系 统 学 报 Vol.14 No.4 2019 年 7 月 CAAI Transactions on Intelligent Systems Jul. 2019