基于粒子滤波和均值漂移的目标跟踪(3)

粒子滤波的一些文献

何文媛，韩斌，徐之，等：基于粒子滤波和均值漂移的目标跟踪ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

方向用核函数

ｇ

反复迭代使其最大化，只要满足核ｋ具有单调递减的凸轮廓，且ｇ（ｘ）＝－ｋ（′ｘ）。

ｉ

－１

２００８，４４（１１）６３

（３）状态预测：粒子集合｛ｓｔ－１，Ｎ｝经过动态方程（１）进行预

%，Ｎ｝。测，得到新的粒子集合｛ｓｔ

（４）通过系统观测得到该粒子集合以及相对应的权值

ｉ－１

３均值漂移算法（Ｍｅａｎ－ｓｈｉｆｔ）

均值漂移算法是一种基于核密度估计的无参快速模式匹

ｄ

%ｉ，ｗｉ｝。｛ｓｔ

（５）通过均值漂移算法对每个粒子进行迭代，将其聚集至各自的局部最大区域，获得新的粒子集合以及相对应的权值

配算法。假设样本集合｛ｘｉ｝ｉ＝１，…，ｎ，ｘｉ∈Ｒ，用核函数Ｋ（ｘ），窗宽为ｈ在ｘ的核密度估计可以表示为：

"（ｘ）＝１ｆ

ｎｈ

ｘ－ｘｉ（）"ｉＫｉ＝１

ｎ

ｎ

（１２）

｛ｓｔ，ｗ｝。

（６）对粒子状态量进行估计，目标状态的均值估计为（Ｓｔ）＝"ｓｔｗｔ。Ｅ

Ｎ

ｉ

ｉ

ｉｉ

若用核函数Ｋ（ｘ）的轮廓函数ｋ（ｘ）可以表示为：

"（ｘ）＝１ｆｈ，Ｋｄ

ｎｈ

２

（"ｋ

ｉ＝１

‖

ｘ－ｘｉ２

‖）（１３）

ｉ＝１

（７）进行目标模型的更新。当目标发生形状的较大变化以及出现一些导致目标模型无法准确描述目标物体的变化时，必须进行模型的更新。本文采用文献［９］的方法对模型进行更新，其中模型更新系数为０．９５。

为了计算核密度梯度的估计，定义ｇ（ｘ）＝－ｋ′（ｘ），令Ｇ（ｘ）＝（‖ｘ‖），Ｃ为常量：Ｃｇ

!ｆ（ｘ）＝$ｆ"（ｘ）＝２$ｈ，Ｋｈ，Ｋｎｈ

２ｎｈ２２ｃｈ

（"

ｉ＝１ｎｎ

（"

ｉ＝１

ｎ

ｘ－ｘｉ）ｋ（′‖ｘ－ｘｉ２

‖）＝２

ｘ－ｘｉ２

‖）＝５实验结果及其分析

本文算法开发环境为ＶＣ＋＋６．０，机器配置为ｐｅｎｔｉｕｍ４

（‖ｘ－ｘｉ）ｇ

ｉ

ｘ－ｘ（‖"ｘｇ

ｉ＝１ｎ

ｉ

‖）‖）

２

ｘ－ｘ（‖"ｇ

ｉ＝１

"（ｘ）＝ｆｈ，Ｇ

１．８ＧＨｚ，２５６ＭＢ内存，以下为实地采集的视频序列，为６４０×

４８０的点阵图像，共有３７６帧，帧速为１０帧／ｓ。

图１为均值漂移算法应用于本视频的跟踪结果，前面若干

帧较好地实现了跟踪，但是当物体出现短暂消失，就丢失了跟踪目标，无法恢复跟踪。

ｉ

２Ｍ（ｘ）ｆ"（ｘ）

ｈ，Ｇｈ，Ｇ２

ｃｈ

ｘ－ｘ（‖"ｘｇ

ｉ＝１ｉｎ

ｉ

‖）

称为ｍｅａｎ－ｓｈｉｆｔ向量，上式

２

其中Ｍｈ，Ｇ（ｘ）＝

ｘ－ｘｉ２

（‖ｇ‖）"ｉ＝１

表明使用核Ｇ计算的ｍｅａｎ－ｓｈｉｆｔ向量正比于使用核Ｋ得到的归一化的密度梯度估计。因此ｍｅａｎ－ｓｈｉｆｔ向量总是指向密度增大的最大方向。

此均值平移算法，就是连续不断地向加权后的采样均值移动位置，通过计算可以得到，核从当前位置ｙｉ移向下个位置

ｙｉ＋１：

ｙ－ｘ（‖"ｘｗｇ

ｉ

ｉ＝１ｉ

ｉ

Ｎ

ｉ

‖）

（ｉ＝０，１，…，ｎ）

（１４）

２

ｙｉ＋１＝

图２是本文的算法跟踪效果图，虽然在１７１帧以后，目标物体出现了短暂消失，再次出现时出现了旋转以及部分的遮

ｙ－ｘ（‖"ｗｇ

ｉ

ｉ＝１

ｉ

ｉ

‖）

２

当满足条件‖ｙｉ＋１－ｙｉ‖＜!时，迭代就停止了，在本实验中

!取为一个像素。

４粒子滤波器与均值漂移的融合算法

利用均值漂移算法将粒子滤波器产生的粒子反复迭代至

稳定，将其聚集至所在区域的局部最大值，从而提高了粒子的使用效率，大幅度地减少了对粒子数的需求，从而实现了两者优点的有效结合，具体的算法流程如下：

（１）粒子初始化，根据初始状态，生成一个粒子集合Ｓ，在本实验中粒子数Ｎ＝５０。

（２）粒子重采样，淘汰权值较小的粒子，解决粒子退化问题