基于顏色模型的KP濾波跟蹤算法在人體上肢運動中的應用研究

董英輝

(商洛學院，河南 商洛 726000)

基于顏色模型的KP濾波跟蹤算法在人體上肢運動中的應用研究

董英輝

(商洛學院，河南 商洛 726000)

針對傳統粒子濾波算法導致的更多粒子的估算后概率分布問題，提出了一種基于Kalman濾波的改進粒子濾波算法，使得采樣粒子大多集中在高概率分布區域，提高了運算效率；同時，針對在對人體上肢運動被大面積同色干擾或遭遇長時間遮擋的情況下，提出了一種聚類結果方法，從而實現了對人體上肢的跟蹤。

Kalman-Particle濾波；人體上肢；自適應

ApplicationofKPFilteringintheHumanUpperLimbMotion

復雜背景下實現對目標跟蹤成為當前目標識別領域研究的熱點，在醫學、軍事等領域具有廣泛的應用前景。在顏色模型下，傳統的粒子濾波算法中，測量值僅被應用在權值的計算階段，從而導致需要更多粒子來估算后概率分布,大大減少了運算效率。對此，針對視覺領域中目標跟蹤問題，提出了一種基于顏色目標模型的改進KP濾波算法，通過在采樣階段引入Kalman濾波的方式，使得粒子大多分布在集中在高概率分布的區域,從而減小了粒子的數目，提高了運算的效率[1-2]。

1 目標顏色模型建立

顏色模型作為粒子運算的第1步，是指在任意的三維顏色空間中，所包含的可見的顏色子集都被稱為顏色模型，通過該模型，可表示其中的任意的顏色。常見的顏色模型中包括RGB、HSV、CMY、LAB、CHL和HSI等。它們可以被應用在多個不同領域，特別是在計算機視覺領域當中，其中，用于圖像處理的模型通常有RGB、HSV和YUV等。

1.1 RGB顏色模型

該模型結合笛卡爾坐標機，其中任意的一種顏色都可以通過紅、藍、綠3種基色的分量對其進行表示，從而建立一個類似于立方體的彩色子空間。在該立方體當中，白色對應的是離原點最遠的點，黑色則為原點，從而形成顏色漸變的過程。在彩色空間當中，各點的RGB值分別對應了相應的顏色，從離原點最遠的白色到最近的黑色原點，形成了彩色空間的灰度值。為方便對其灰度值進行運算，定義其R∈[0,1],G∈[0,1],B∈[0,1]。

1.2 HSV顏色模型

該模型則以色度(Hue)、飽和度(Saturation)和亮度(Value)3個基本的基色來確定顏色。其中,色度表示色彩的基本屬性，取決于繞V軸的旋轉角，HSV中每種顏色和其對應的顏色的色差都在180°；飽和度是指顏色的純度，其取0～1的數值，顏色的飽和度越高則顏色越純，顏色飽和度越低，則表示飽和度越暗，所以在實際的運用中圓錐的頂面半徑通常為1；亮度表示明亮的程度，取值為0～1。在HSV顏色模型當中，建立了一個圓錐體的彩色的空間，圓錐體的中心軸和RGB空間中的黑色和白色點的連線相互對應。

1.3 RGB到HSV的顏色轉換

由于亮度對RGB顏色空間的影響非常大 ，因此本文在采用粒子濾波算法對目標進行跟蹤的時候，需要將RGB空間轉換到HSV顏色空間，從而減小因為亮度的問題而影響跟蹤的有效性，則有：

V=max(R,G,B)

if(H<0)then(H=H+360)

同時，為了更好地反映顏色之間的相似度，采用二次距離的方式對其進行客觀反映，具體的計算式為：

(1)

2 基于顏色的目標模型

本文研究的跟蹤目標的顏色被限定在一定矩形范圍之內，并且是由Hx,Hy共同決定，而矩形框的位置由lx,ly決定。假設在該直方圖的顏色分布當中存在m個離散的值，可以得到y位置的顏色分布：

(2)

對2種不同顏色P(u)和q(u)，通過Bhattacharyya距離測量公式可以得到2種不同顏色的相似性。假設2種顏色的距離等于0，則表示2種顏色分布相似，其距離計算公式為：

(3)

3 基于改進的KP濾波算法

在對運動場景的捕捉當中，對運動目標的跟蹤在很大的程度上是不確定和非線性的過程，因此，濾波算法已不再適用，對此，引入了粒子算法。該算法的核心在于通過一組帶有權值的樣本集合來逼近后概率，用級數求得近似數值的積分，從而得到次優貝葉斯解。如果選取的樣本足夠大，則這種估算可以將其等同于真實的后概率，換句話說就是如果能從樣本中抽取Ns個獨立的樣本，則可得到其近似的后概率的分布：

(4)

針對式4中存在著粒子很難獲得的問題，本文引入重要性采樣，從而可以將其描述為后驗概率可用一組粒子來對其進行表示，并且每個粒子中對應一個權重wki。因此，式4可以表示為：

(5)

從上述分析可以發現，通過重要采樣對粒子進行的采集主要取決于其中的權重，權重比較大的通常被經常采用，使得粒子多樣性缺乏；因此，引入Kalman濾波，在采樣階段讓粒子形成一個好的分布，從而減小這種重復計算所帶來的問題。

在改進算法中，St= (St(i),πt(i))|i= 1,2,…，N表示粒子組，ZPt={zp1,zp2,…zpt}表示測量值，其權值則為：

(6)

通過式6并結合粒子濾波的原理，可以得到其后驗概率分布：

(7)

因此，通過上述引入的卡爾曼濾波，使得每個粒子其可以采用單獨的卡爾曼濾波來產生新的概率分布，每個不同的粒子也隨著其均值和協方差的高斯推移而呈現出同步的進化，由此就很自然的獲取了當前幀獲得的測量信息，這些信息又可以有效地驅動新的粒子向后驗概率密度的狀態空間移動。具體過程可表示為：

(8)

(9)

(10)

式中，A表示狀態轉移矩陣。式8表示通過t-1時刻對t時刻狀態的預測，式9表示相應的協方差預測方程,式10為測量值的計算公式。

4 基于改進的KP濾波算法設計

KP濾波算法設計見表1。

5 遮擋處理

結合上述分析，過去采用的自適應方式對濾波器進行調整已經不再合適，因此，本文針對人體運動肢體被遮擋的問題，提出在對Kalman測量值計算過程中采用聚類結果，使得遮擋初步為再次出現。具體的實現過程如下。

表1 KP濾波算法設計

結合顏色聚類算法，可以得到在初始時刻和在t時刻的目標點的數目，分別為M0、Mt。定義：

通過計算可得到其中λ的值，因此，定義給定限制條件，當λ>0.3的時候，濾波算法中求算測量值的過程中相應的參數才被更新，否則則一直被顯示。

6 試驗驗證

本文采用CanonIXUS55相機,從而使得人體目標定位結果處于二維平面之中，通過試驗比較可得到如圖1所示的結果，雖然存在遮擋，但是采用改進算法后，其不受到影響。

在傳統的算法中，需要采用32粒子才能完成人體肢體的定位，在本算法中只選用了23粒子，從而提高了計算的效率。

7 結語

通過上述對人體肢體運動算法的構建，實現了在遮擋情況下對人體肢體目標的定位，從而更好地提高了當前視覺特征的目標定位，成果可被用于軍事偵察、醫學中風檢測等方面。

圖1 傳統粒子算法與KP算法結果

[1] 張兆楊，楊高波，劉志，等.視頻對象分割提取的原理與應用[M].北京：科學出版社，2009.

[2] 徐玉玲,李中偉,鐘凱,等.基于數學形態學光筆測量系統的特征點圖像識別算法[J].新技術新工藝， 2014(6)：65-71.

[3] 徐小龍，高錦宏，王殿君，等. 基于MATLAB的七自由度機器人運動學及工作空間仿真[J].新技術新工藝，2014(5)：21-24.

責任編輯李思文

TrackingAlgorithmbasedontheColorModel

DONG Yinghui

(Shangluo College, Shangluo 726000, China)

Aimed at the particle leads to more traditional particle filter algorithm to estimate the posterior probability distribution problems, proposed an improved particle filter algorithm based on Kalman filter, which makes the sampling particles are mostly concentrated in the region of high probability, improve operational efficiency. At the same time, according to the motion of the human upper limb was in large area with color interference or suffered a long time in case of occlusion, proposed a method of clustering results, the realization of the human upper limb tracking.

Kalman-Particle filter, human upper limb, adaptive

G 804.66

：A

董英輝(1980-)，男，碩士，講師，主要從事體育訓練等方面的研究。

2015-01-03