基于模糊推理的多特征融合粒子滤波算法

卢 健 潘 峰 李 阳

(西安工程大学电子信息学院 西安 710048)

基于模糊推理的多特征融合粒子滤波算法

卢 健 潘 峰 李 阳

(西安工程大学电子信息学院 西安 710048)

论文利用模糊推理方法提出了一种基于多特征融合的粒子滤波跟踪算法。该算法不但有效继承了传统的固定权值融合方法,并且依据模糊推理对跟踪期间信息的可靠性来输出权值的大小。根据目标模型的形状信息和颜色信息特征的观测似然函数获取各自在跟踪过程中的权值;依据模糊推理,对跟踪期间某一个变化明显而丢失目标的特征信息改变其权值,同时相应的改变另一个特征信息的权值继续无误差的来跟踪目标。与现有的经典的算法相比,提出的算法有更好的跟踪性能及较小的定位误差。实验结果表明了论文所提出算法的有效性。

模糊推理; 特征融合; 观测模型; 粒子滤波

Class Number TP301

1 引言

随着人们对目标跟踪的要求越来越高,目标跟踪任务也面临着越来越多的难点与挑战[1]。在实际场合中目标所处的环境比较复杂且运动轨迹随机,其外观和颜色还会发生变化。现有的大多数算法只能在某一方面解决问题,但不可能胜任变化的所有场景[2]。特别是在对目标进行跟踪时,光照的变化,外物的遮挡,目标本身形态的变化对目标跟踪提出了非常苛刻的要求[3]。由此引出的基于智能视频监控的跟踪算法研究也成为计算机视觉领域的热门课题之一,由于其良好的应用前景,国内外众多研究者也一直围绕其进行了广泛深入的研究,并且取得了诸多成果。目前研究者已提出诸多目标追踪算法例如:Mean Shift算法[4]、Kalman滤波算法[5]、粒子滤波算法[6]等。

由于粒子滤波算法对背景噪声没有线性和高斯的限制[7],因此为能够进行多特征的融合[8]提供了先决条件。本文提出了一种改进的粒子滤波算法。与目前几种经典的目标跟踪算法相比,所提出的算法解决了复杂环境下单一特征[9]突然消减或消失而造成的跟踪目标丢失的问题。该算法将基于多特征融合的观测模型[10～11]结合到粒子滤波算法中,在某一特征突然变弱后,通过模糊逻辑规则赋予另一个特征较高的权值,对另一个特征进行继续跟踪,以实现对目标的稳定无间断地跟踪。

2 观测模型

2.1 形状信息

在目标跟踪中主要利用物体的形状信息。例如,人脸一般用椭圆表示,因为人脸近似为椭圆,汽车一般用矩形表示等。在描述两个物体相似程度的时候,使用模式识别中的Chamfer距离方法。假设目标当前帧图像二值图为It,距离图像为DIt,形状模板的二值图为T,则这两种形状间的Chamfer距离计算公式为

(1)

T(Xt)表示形状模板的中心位置和半径。|T|代表图像像素值为1的像素个数。k表示第k个像素为1的像素。DIt(k)表示将当前图像位于图像T中第k个像素值的位置下DIt中的灰度值。得到Chamfer距离后,观测似然函数的定义如下:

(2)

其中δs2为高斯方差,一般取0.5,式(2)反映了候选目标与目标形状模型的相似程度,值越大则相似程度越高。

2.2 颜色信息

采用颜色直方图的方法描述特征的颜色分布。假设目标状态为xt,其中目标区域中心X=(x,y),区域半径R=(rx,ry),各个像素的位置定义为Xi=(xi,yi),i=1,…,nr,nr为目标区域内像素总和。则目标区域内颜色分布概率密度函数为

u=1,…,m

(3)

其中,δ为狄拉克函数,k(x)为权值函数:

(4)

当‖r‖≥1的时候,k(‖r‖)取0。

无论物体具有什么样的特征,在进行目标跟踪的过程中,可一般性地认为离中心越远的地方,像素属于目标区域的可能性越小,所以在上面引入了k(x)这一权值函数,降低远离中心区域像素的权值。再用Bhattacharyya系数来表示目标区域和候选区域颜色分布的相似度,则有目标p(u)与候选目标p(u)(xt)的相似程度可表示为

(5)

(6)

颜色观测似然函数定义为

(7)

3 基于模糊推理的多特征信息融合

3.1 多特征信息融合

给定目标状态xt,设计目标观测函数如下:

P(zt|xt)=aps(zt|xt)+bpc(zt|xt),a+b=1

(8)

该式在形式上融合了目标形状信息和颜色信息两部分的观测量,ps(zt|xt)是目标形状模型的观测似然函数,pc(zt|xt)是目标颜色模型的观测似然函数。a和b分别代表两种模型在整个跟踪过程中的权重并且有0≤a,b≤1。在跟踪过程中,如果某一段时间内,颜色信息可靠,则这段时间中a值较大,否则b值较大。

3.2 模糊推理与权值调节

模糊规则定义如下:

其中,Rj为第j条模糊规则,i为模糊规则总数,e为模糊输入,u为模糊输出。A和B为模糊集合。模糊推理的原理如图1所示,即在论域中的模糊集用[0 1]上取值的隶属函数u来说明隶属程度。

图1 模糊推理原理图

在运用到本文算法中的时候,模糊输入e即为当前帧目标形状和颜色的的似然函数,分别用es和ec来表示,可由式(2)和式(7)求出。输出u为形状权值a和颜色权值b。根据式(8)中的a+b=1,所以只需要求出一个权值,则另一个权值也知道了。模糊推理对跟踪期间不可靠的信息输出较小的权值,相反输出较大权值。

4 基于双特征融合的粒子滤波算法

在运用特征融合技术的时候,需要知道目标模型的观测似然函数,而粒子滤波算法无论是对目标状态还是对目标观测模型、系统噪声的分布都没有限制,因此将双特征融合同粒子滤波算法结合起来。

4.1 系统初始化

4.2 重要性采样

求得t时刻目标的真实位置,再根据目标的特征信息计算似然函数:

1) 由式(2)计算形状观测似然函数ps(zt|xt);

2) 由式(7)计算颜色观测似然函数pc(zt|xt);

3) 由式(8)计算总的观测似然函数P(zt|xt)。

(9)

并对其归一化处理:

(10)

4.3 重采样

(11)

(12)

再根据式(2)式(7)分别计算目标形状特征和颜色特征信息的模糊输入es和ec。根据es和ec利用模糊推理来调节每个特征信息的权值a和b。

5 实验结果与分析

本文以Visual Studio 2012为开发工具和微机自带的摄像头在无光照变化、有遮挡和颜色发生变化的情况下实现了提出的目标跟踪算法(如图2),并与经典的粒子滤波目标跟踪算法进行比较。其中图2第一幅图可知(a)经典粒子滤波跟踪算法在跟踪目标时当颜色特征或形状发生变化时,跟踪就会发生漂移而脱离目标。而对(b)模糊推理的多特征融合粒子滤波跟踪算法却没有因为某一特征的改变而丢失对目标的跟踪。

图2(a) 经典粒子滤波在跟踪算法

图2(b) 改进的粒子滤波跟踪算法

实验中利用颜色核函数直方图和Chamfer距离的似然函数两种信息来共同描述目标的观测方程,再引入模糊推理理论对两种不同的特征信息赋权值a和b,当某一个特征变化明显时,其权值变小而另一个特征的权值变大从而能持续无较大影响的跟踪目标。图3所示为经典粒子滤波和本文方法的跟踪目标曲线,可以看出,改进的粒子滤波能稳定且误差较小的跟踪上目标,通过仿真实验可看出虽然跟踪时间略长,但在满足实时性跟踪处理的要求下能更稳定更低误差的跟踪目标。

表1 实验跟踪误差(标准误差均值)和平均每帧跟踪时间比较

图3 跟踪目标曲线图

图4为经典粒子滤波算法和本文提出的算法在该图像序列上的跟踪误差,可以看出采样次数的增加对本文算法的误差影响并不大。由图3和表1可以看出本文算法的稳定跟踪时间为43.18ms(略大于经典粒子滤波(39.97ms)),但是能满足实时性跟踪处理要求。

图2 经典粒子滤波算法与本文算法跟踪误差比较

6 结语

基于经典粒子滤波基础上,提出一种利用模糊推理的多特征融合粒子滤波算法。该算法既能融合目标形状、颜色双特征信息,还可以稳定较小误差的跟踪目标。本文算法优于经典的particle filter算法。

[1] 杨威,付耀文,潘晓刚,等.弱目标检测前跟踪技术研究综述[J].电子学报,2014,42(9):1789-1792. YANG Wei, FU Yaowen, PAN Xiaogang, et al. Track-Before-Detect Technique for Dim Targets: An Overview[J]. ACTA Electronica Sinica,2014,42(9):1789-1792.

[2] 陈远.复杂场景中视觉运动目标检测与跟踪[D].武汉:华中科技大学博士论文,2008. CHEN Yuan. Research on Visual Object Detecting and Tracking in Complex Environment[D]. Wuhan: For the Degree of Doctor of Philosophy in Engineering of Huazhong University of Science and Technology,2008.

[3] 薛陈,朱明,刘春香.遮挡情况下目标跟踪算法综述[J].中国光学与应用光学,2009,5(2):388-394. XUE Chen, ZHU Ming, LIU Chunxiang. Review of tracking algorithms under occlusions[J]. Chinese Optics and Applied Optics Abstracts,2009,5(2):388-394.

[4] 杨璐,李明,张鹏.一种新的改进粒子滤波算法[J].西安电子科技大学学报(自然科学版),2010,37(5):862-865. YANG Lu, LI Ming, ZHANG Peng. New improved particle filter algorithms[J]. Journal of Xidian University(Natural Science),2010,37(5):862-865.

[5] 顾幸方,茅耀斌,李秋洁.基于Mean Shift的视觉目标跟踪算法综述[J].计算机科学,2012,12(39):16-24. GU Xingfang, MAO Yaobin, LI Qiujie. Survey on Visual Tracking Algorithms Based on Mean Shift[J]. Computer Science,2012,12(39):16-24.

[6] Yilmaz A, Javed O, Shah M. Object tracking: A survey[J]. ACM Computing Surveys,2006,(4):1-45.

[7] 高秀斌,丁盼盼,蒋长帅,等.一种基于多特征融合的粒子滤波目标跟踪算法[J].扬州大学学报(自然科学版),2012,41(6):752-759. GAO Xiubin, DING Panpan, JIANG Changshuai, et al. A particle filter object tracking algorithm based on multi-feature fusion[J]. Journal of Yangzhou University(Natural Science Edition),2012,41(6):752-759.

[8] 袁广林,薛模根,韩裕生,等.基于自适应多特征融合的mean shift目标跟踪[J].计算机研究与发展,2010,47(9):1663-1671. YUAN Guanglin, XUE Mogen, HAN Yusheng, et al. Mean Shift Object Tracking Based on Adaptive Multi-Feature Fusion[J]. Journal of Computer Research and Development,2010,47(9):1663-1671.

[9] 赵敏.单目视觉多行人目标检测与跟踪技术研究[D].重庆:重庆大学博士论文,2010. ZHAO Min. Study on Multi-pedestrian Detection and Tracking Technology with Monocular Vision[D]. Chongqing: A Thesis Submitted to Chongqing Unitersity in Partial Fulfillment of the Requirement for the Degree of Doctor of Engineering,2010.

[10] 安国成,高建坡,吴镇扬.基于多观测模型的粒子滤波头部跟踪算法[J].中国图象图形学报,2009,14(1):106-111. AN Guocheng, GAO Jianbo, WU Zhenyang. Particle Filter Algorithm for Head Tracking Based on Multi-observation Models[J]. Journal of Image and Graphics,2009,14(1):106-111.

[11] 曹洁,李伟.基于多特征融合的目标跟踪算法[J].兰州理工大学学报,2011,37(2):80-84. CAO Jie, LI Wei. Object tracking based on multi-feature fusion[J]. Journal of Lanzhou University of Technology,2011,37(2):80-84.

[12] 郭瑛,艾渤,钟章队.重要性采样研究进展[J].信息与电子工程,2011,5(9):604-609. GUO Ying, AI Bo, ZHONG Zhangdui. A review of importance sampling research[J]. Information and Electronic Engineering,2011,5(9):604-609.

Multi-Feature Fusion Particle Filter Algorithm Based on Fuzzy Reasoning

LU Jian PAN Feng LI Yang

(College of Electronic and Information, Xi’an Polytechnic University, Xi’an 710048)

This paper proposes a modified particle filter algorithm based on multi-feature fusion by using the fuzzy reasoning method. The method effectively follows fusion methods with the fixed weight, at the same time, the fuzzy inference based upon the reliability of tracking information to decide the weight. We seek the each tracking weight ratio according to the observation likelihood function of target model’s sharp and color feature. On the basis of fuzzy reasoning, when the feature information changed during the course of tracking, we can change its weight ratio, at the same time change another feature information weight ratio to continue tracking target without error. Compared with the existing classic algorithms, the proposed algorithm has a better tracking performance property and smaller positioning error. The experimental result shows the better effectiveness than the presented algorithm.

fuzzy reasoning, feature fusion, observation model, particle filter

2016年8月1日,

2016年9月17日

国家自然科学基金项目(编号:61040055);陕西省教育厅科学研究项目(编号:2013JK1109)资助。

卢健,男,博士,副教授,研究方向:AUV协同导航,目标跟踪,图像处理与模式识别。潘峰,男,硕士研究生,研究方向:图像分割与融合。李阳,男,硕士研究生,研究方向:图像压缩。

TP301

10.3969/j.issn.1672-9722.2017.02.028