基于几何主动轮廓模型的粒子滤波跟踪算法

基于几何主动轮廓模型的粒子滤波跟踪算法

第31卷第5期2011年5月

文章编号：1001－9081（2011）05－01205－04

计算机应用

JournalofComputerApplicationsVol．31No．5May2011

doi：10．3724/SP．J．1087．2011．01205

基于几何主动轮廓模型的粒子滤波跟踪算法

曹

洁，曾庆红，王进花

（兰州理工大学计算机与通信学院，兰州730050）

(zengqinghong_2008@126．com)

要：标准粒子滤波（SPF）是解决非线性、非高斯模型系统跟踪问题的典型方法，然而粒子更新过程严格依赖

于参数的选取，且不能处理曲线拓扑结构的变化。鉴于此，提出基于几何主动轮廓模型的粒子滤波（PF）算法。利用

摘

水平集技术处理轮廓曲线拓扑结构变化，改进重采样技术，增加粒子多样性。实验结果表明，该算法是有效可行的，并

具有更强的适应性。提高了非线性系统状态的估计精度，

关键词：几何主动轮廓模型；粒子滤波；目标跟踪；重采样

中图分类号：TP751．1；TP391．41文献标志码：A

Particlefiltertrackingalgorithmbasedongeometricactivecontours

CAOJie，ZENGQing-hong，WANGJin-hua

(SchoolofComputerandCommunication，LanzhouUniversityofTechnology，LanzhouGansu730050，China)

Abstract:TheStandardParticleFilter(SPF)isatypicalmethodofsolvingthetrackingproblemofnon-linear/non-Gaussianmodelsystem．However，updatingprocessstrictlydependsonparametersselection，anditcannothandlethechangesincurvetopology．Inregardtothis，anewparticlefiltertargettrackingalgorithmbasedongeometricactivecontourswasproposed，whichmadeagooddealwiththechangesofcurvetopologyusinglevelsettheory．Thealgorithmimprovedtheresamplingtechniquesandincreasedthediversityofparticles．Thesimulationresultsindicatethattheproposedmethodcaneffectivelyimprovethestateestimationprecisionwithmoreflexibility．

Keywords:geometricactivecontourmodel;ParticleFilter(PF);targettracking;resampling

0引言

［l－2］

粒子滤波（ParticleFilter，PF）是一种基于Monte

采样过程中不再依赖参数选取，并用水平集思想处理图

［9］

像拓扑结构变化，为目标状态更新增加新信息，从而实现对目标的鲁棒跟踪。

［7－8］

Carlo仿真的递推贝叶斯估计，能有效地处理非线性、非高斯噪声环境下的状态估计问题。其基本原理是用一组加权粒子集来表示解决实际问题的后验概率密度函数

［3］

1标准粒子滤波算法

假设系统的动态空间模型为：

xt=ft（xt－1）+utyt=ht（yt）+vt

（1）（2）

，然后用这一

近似的表示来计算系统的状态估计。

近年来，粒子滤波算法的研究与应用取得很大进展，出现了多种改进算法

［4］

，如扩展卡尔曼粒子滤波器（Extended

KalmanParticleFilter，EKPF）、Unscented粒子滤波器（UnscentedParticleFilter，UPF）、辅助粒子滤波器（AuxiliaryParticleFilter，APF）、高斯粒子滤波器（GaussianParticleFilter，GPF）、高斯加和粒子滤波器（GaussianSumParticleFilter，GSPF），以及李良群提出的迭代扩展卡尔曼粒子滤波器（IteratedExtendedKalmanParticleFilter，IEKPF）等，使粒子滤波得到更加广泛的应用

［5］

yt为观测向量，ft和ht为状态向量的非其中：xt为状态向量，

ut和vt为独立同分布的过程噪声和量测噪声。线性方程，设系统满足：1）系统服从一阶马尔可夫过程；2）系统观测独立；

3）初始先验密度为p（x0）。

SPF算法步骤［10］如下：1）初始化。当时间t=0时，从先验密度函数p（x0）中采

并设初始权重为：样N个样本点，

。然而，上述粒子滤波器都是在

｛μ

（i）

=1/N|i=1，2，…，N。

｝

标准粒子滤波算法（StandardParticleFilter，SPF）基础上作的

改进，粒子更新都依赖于参数选择，在目标存在遮挡等复杂背跟踪效果存在很大缺陷，容易跟踪虚假目标或者跟丢目景下，标。

本文以目标遮挡、目标颜色与背景颜色相似等干扰明显的交通视频场景为跟踪背景，提出基于几何主动轮廓模型

［6］

（i）

2）重要性采样。y1：t）中提取从建议密度函数q（xt|xt－1，

N个样本点x（ti），通过式（3）计算新的权重：

μ

（i）t

=μ（i）t－1

p（yt|x（ti））p（x（ti）|x（t－i）1）

q（xt|xt－1，y1：t）

（3）

由式（4）对权重进行归一化：珘μ

（i）

t

的粒子滤波跟踪（GeometricActiveContourParticleFilter，GAC-PF）算法。从更新的目标轮廓线中采样新的粒子，使得

=

μt

j=1

（i）

；i=1，2，…，N

（j）

t

（4）

∑μ

收稿日期：2010－10－29；修回日期：2011－03－01。基金项目：甘肃省自然科学基金资助项目（1010RJZA046）；甘肃省教育厅硕导基金资助项目（0914ZTB003）；甘肃省高校基本科研业务费专项资金资助项目（0914ZTB148）。

作者简介：曹洁（1966－），女，安徽宿州人，教授，主要研究方向：智能交通系统、多传感器信息融合；曾庆红（1984－），女，湖北恩施人，硕士研究生，主要研究方向：智能信息处理；王进花（1978－），女，甘肃天水人，讲师，硕士，主要研究方向：信息融合。