改進的粒子濾波人體目標跟蹤算法

徐 勝，黃 晁，孫 松

(1.寧波大學 信息科學與工程學院，浙江 寧波 315211；2.寧波中國科學院信息技術應用研究院，浙江 寧波 315040；3.寧波中科集成電路設計中心有限公司，浙江 寧波 315040)

10.3969/j.issn.1003-3114.2018.01.14

徐勝，黃晁，孫松.改進的粒子濾波人體目標跟蹤算法[J].無線電通信技術,2018,44(1):69-72.

[XU Sheng,HUANG Chao,SUN Song.Improved Particle Filtering Human Target Tracking Algorithm[J].Radio Communications Technology,2018,44(1):69-72.]

改進的粒子濾波人體目標跟蹤算法

徐 勝1，黃 晁2,3，孫 松1

(1.寧波大學 信息科學與工程學院，浙江 寧波 315211；2.寧波中國科學院信息技術應用研究院，浙江 寧波 315040；3.寧波中科集成電路設計中心有限公司，浙江 寧波 315040)

針對現有基于粒子濾波(PF)的行人目標跟蹤算法跟蹤精度不高、速度慢以及遮擋魯棒性不好的問題，提出一種結合支持向量機(SVM)檢測的改進跟蹤算法。在跟蹤的置信度小于閾值時進行行人跟蹤目標的再檢測，以校正跟蹤位置。對粒子群優化(PSO)算法在優化時可能陷入局部解的現狀，進行混沌粒子優化(CPSO)尋優全局解。實驗結果表明，提出的算法在一定的粒子數目前提下精度優于其他基于粒子濾波的行人目標跟蹤算法，有效降低PF所需粒子數，算法可實時跟蹤。

粒子濾波；行人跟蹤；混沌優化；支持向量機；遮擋

TN911.73

A

1003-3114(2018)01-69-4

2017-10-16

ImprovedParticleFilteringHumanTargetTrackingAlgorithm

XU Sheng1,HUANG Chao2,3,SUN Song1

(1.College of Information and Engineering,Ningbo University,Ningbo 315211,China; 2.Ningbo Institute of Information Technology Application,Ningbo 315040,China; 3.Ningbo Zhongke Integrated Circuit Design Center Co.,Ltd.,Ningbo 315040,China)

To solve the problem that the pedestrian target tracking algorithm based on Particle Filter (PF) is not accurate,slow and poorly shielded,a new tracking algorithm based on Support Vector Machine (SVM) is proposed.The pedestrian tracking target is re-detected to correct the tracking position,when the tracking confidence is not enough.For particle swarm optimization algorithm may fall into the local solution in the optimization,the chaotic particle optimization algorithm is adopted.The experimental results show that the proposed algorithm is better than other particle filter based algorithms on a certain number of particles,and effectively reduces the number of particles required for PF.The algorithm can realize real-time tracking.

particle filtering；pedestrian tracking；chaotic particle swarm optimization；support vector machines;shelter

0 引言

目標跟蹤是計算機視覺領域中的一個重要分支課題，其中人體目標跟蹤應用廣泛，如涉及到的有智能交通、監控安防、人機交互系統等。近年來隨著新的算法的提出和深度學習的引入使得視覺目標跟蹤技術迅速提升，但實際應用中仍有問題待解決，例如多變環境、多目標、快速移動尺度變化等難題。行人跟蹤方法和其他視覺目標跟蹤基本一致，可分為基于模板和基于檢測的方法?；谀０宓姆椒ㄐ枰葘δ繕诉M行建模，跟蹤過程中比較候選區域與模板的相似度來判斷是否是目標；基于檢測目標跟蹤則需要相應的檢測器，近年來發展的相關濾波算法和深度學習模型在跟蹤效果上表現優秀。

粒子濾波跟蹤(Partial Filter,PF)[1]作為較經典的跟蹤算法，具有非線性、非高斯的特點，在行人、車輛人臉等目標跟蹤中應用廣泛。在實際應用中由于粒子濾波本身的局限性以及應用中的不同需求，涌現了許多改進的粒子濾波跟蹤方法。如為解決單一特征的弱魯棒性進行了多特征的融合[2]、針對粒子退化問題的粒子優化[3-5]等，以及對跟蹤目標框的自適應改進等。針對特定問題的相應改進分別解決了實際中的特定問題[6-9]，但無論是較經典的粒子濾波跟蹤算法合適近來新興的相關濾波和神經網絡跟蹤模型都會存在目標在遮擋和丟失時不能夠在繼續跟蹤的情況。

針對這一問題提出在粒子濾波跟蹤框架中結合檢測的辦法來實現魯棒跟蹤，實驗選擇的跟蹤框架為粒子濾波跟蹤算法。行人目標檢測器使用的是支持向量機(Support Vector Machine,SVM)，訓練簡單時間短、檢測率高。

1 改進粒子濾波跟蹤算法

1.1 PF粒子濾波算法概述

1.2 混沌優化粒子濾波

1.2.1 粒子群優化算法

粒子群優化算法源于對鳥群捕食行為的研究，基本思想是通過群體中個體之間的協作和信息共享來尋找最優解，有簡單易實現，需調節參數少的優點，可應用于函數優化、神經網絡訓練、模糊系統控制等領域。

算法抽象粒子i在N維空間的位置表示為一個矢量Xi=(x1,x2,…xN)，飛行速度矢量為Vi=(v1,v2,…vN)。每個粒子都有一個由目標函數決定的適應函數(fitness value),并且知道自己的飛行經驗以及到目前為止自己的最好位置(pbest)的整個群體中所有粒子發現的最好位置(gbest)。粒子在尋優中按照式(1)、式(2)進行速度和位置的更新,其中c1、c2為學習因子通常取值為2，rand()隨機函數值在(0,1)范圍內。

vi=vi+c1×rand()×(pbesti-xi)+c2×

rand()×(gbesti-xi)，

(1)

xi=vi+xi。

(2)

1.2.2 改進粒子群優化粒子濾波

文獻[10]使用的是高斯粒子群優化算法(Gaussian Particle Swarm Optimization,PSO)提出了GPSOPF跟蹤算法。對粒子群有虎算法中的粒子速度量使用高斯分布產生，相較于標準粒子群優化算法的速度更新方程如下；

vi=vi+c1×|gaus()|×(pbesti-xi)+c2×

|gaus()|×(gbesti-xi)。

(3)

式(3)是對式(1)進行了高斯函數干擾，gaus()為符合(0,1)的高斯分布。粒子的位置更新公式不變與式相同。

高斯粒子群優化算法盡管對粒子的更新速度添加了高斯變異，但與標準的例子群優化算法一樣，在尋優時仍容易陷入局部最優解，錯過全局最優解。文獻[11]對粒子群優化算法進行了混沌優化，對粒子的位置進行了混沌優化操作。式(4)可以看作一個動力學系統，其中u為控制參量，u確定后由任意初始值z0∈(0,1)可迭代出一個確定的任意序列。對粒子的位置進行公式所示的尋優。

zn+1=uzn(1-zn)n=0,1,2,...。

(4)

2 結合SVM檢測的粒子濾波跟蹤

2.1 支持向量機

支持向量機是定義在特征空間上間隔最大化的二分類模型[12-13]。其主要算法思想是求解能夠正確劃分訓練數據集并且幾何間隔最大的分離超平面。SVM在機器學習任務中經常被用來做分類和識別，通過提取訓練樣本得到特征向量，使用特征向量來表示樣本。對于給定的個樣本，xi∈Rd和類標簽ti∈{-1,1},?i∈{1,N}，SVM找到滿足式(5)和式(6)的超平面。其中w、b分別表示超平面的法線和偏置，εi為松弛變量，C>0為懲罰系數，針對不同問題設置不同懲罰程度。

(5)

(6)

2.2 支持向量機訓練

訓練和測試樣本庫選擇為INRIA行人庫，其中正樣本規格為64×128共2 416個，負樣本尺寸由340×240到640×480不等共1 218個。選擇梯度向量直方圖(Histogram of Oriented Gradient,HOG)作為樣本的描述特征，并進行主成分分析(Principal Component Analysis，PCA)降維以提高訓練和檢測的速度，根據文獻[14]實驗中將3 780維HOG特征降到50維，其中訓練樣本中正樣本如圖1所示。

圖1 訓練正樣本

2.3 結合檢測的粒子跟蹤算法

將訓練好的檢測器結合到跟蹤算法中，通過對比預測位置區域的置信度來決定是否需要進行目標檢測，實驗中設置的閾值(threshold)為0.4,小于閾值時進行目標檢測，即是否進行目標檢測步驟跟在目標預測之后，完整的優化跟蹤檢測算法流程如下：

1．參數初始化2．讀取i幀圖像序列3．初始化跟蹤目標，跟蹤標記track4．讀取i+1幀圖像5．iftrack=true ①重要性采樣 ②預測估計，根據上一幀目標位置(xt-1，yt-1)及目標框大小獲取候patch，提取HOG特征，給出當前目標位置預測(xt，yt)，計算置信度f if f

3 實驗與分析

3.1 實驗分析指標和環境

為驗證算法的有效性，選擇了VOT(Visual Object Tracking)測試序列中的含有行人目標的序列和室內監控視頻序列進行跟蹤測試。主要遇到的困難有目標速度快、多目標、近景目標、遮擋以及尺度環境光照變化等。

對算法的衡量指標采用文獻[15]中提到的，中心位置誤差(Center location error,CLE)、重疊精度(Overlap precision,OP)和距離精度(Distance precision,DP)是CLE小于閾值的幀數占總的視頻序列幀數的百分比、幀率(Frames per Second,FPS)和粒子數Num，其中重疊精度閾值選擇常用的0.5。

實驗所基于的硬件為i5-4200CPU,主頻2.5 GHz，8 G內存。Visual Studio2013環境C++編程以及Opencv2.4庫。

3.2 實驗結果及分析

選擇的測試視頻序列信息和在跟蹤中存在的挑戰如表1所示，表2為所有測試視頻指標的平均值。

表1 測試序列信息

視頻幀數存在困難Basketball326遮擋、多目標、快速移動Graduate434遮擋、多尺度Girl500遮擋Crossing131鏡頭晃動，尺度變化Indoor115近景目標

表2 實驗記錄

指標PFPSOPFGPSOPFCPSOPFCPSOPF+SVM粒子數/個505050505040CLE/pixel25．714．911．410．69．710．2DP/%71．57576．4798280OP/%6370．373．6757774．6FPS19．520．419．918．817．422．3

從表2測試結果可以看出混沌優化粒子濾波在使用的粒子數相同時，CLE、DP、OP項指標均好于標準粒子群優化濾波和高斯粒子群優化濾波；對于標準粒子濾波提升效果明顯，CLE比標準粒子群優化提高約5像素，DP提高4%，OP提高5%，說明混沌粒子群優化算法相較于其他優化算法尋優效果更好。優于優化算法在一定程度上增加了整體計算時間，FPS指標要低于標準PF和其他粒子優化濾波。

表中可看出結合了SVM檢測后除了FPS指標外，其他指標均優于未結合檢測的混沌優化粒子濾波跟蹤。實驗中采用了PCA降維對檢測時的特征進行降維處理以提高檢測速度，HOG特征降維到50維后檢測73×130大小圖像約為40 ms。算法中對所需監測區域進行了縮放處理保證檢測速度。

粒子群優化使得粒子相跟好的個體靠近，從而可以減少粒子濾波框架中所需的粒子數，而粒子數越多理論上跟蹤就越精確，但這是以效率為代價。實驗測試了減少粒子數(以50每次減少5個)，粒子數減少到40時可達到實時效果且其他指標基本仍優于其他粒子優化濾波。圖2為提出的算法在basketball和girl兩個序列的跟蹤效果，個序列存在目標遮擋的困難且basketball存在顏色相似和目標快速運動的困難，粗框為跟蹤框，細框為標記框。

(a)basketball

(b)girl圖2 部分序列跟蹤效果(粗框為跟蹤框，細框為標記框)

4 結束語

對現有的粒子濾波方法進行分析，對于粒子濾波中的采樣環節中常用的粒子群優化進行改進，使用混沌優化進行粒子位置全局優化，實驗結果表明優化方法有效。將支持向量機融合到跟蹤算法中進行再檢測，實現了在跟蹤目標被遮擋后還能夠再次檢測出目標并進行跟蹤，提高了算法的魯棒性。下一步工作可進一步優化算法降低復雜度提高效率和跟蹤性能。

[1] Arulampalam M S,Maskell S,Gordon N,et al.A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking[J].IEEE Transactions on Signal Processing,2002,50(2)：174-188.

[2] 劉婕.復雜場景多特征融合粒子濾波目標跟蹤[D].重慶：重慶理工大學,2015.

[3] 李東年,周以齊.采用改進粒子群優化粒子濾波的三維人手跟蹤[J].光學精密工程,2014(10):2870-2878.

[4] 孟軍英.基于粒子濾波框架目標跟蹤優化算法的研究[D].秦皇島：燕山大學,2014.

[5] 陳志敏,薄煜明,吳盤龍.基于自適應粒子群優化的新型粒子濾波在目標跟蹤中的應用[J].控制與決策,2013(2):193-200.

[6] 明新勇.基于均值漂移和粒子濾波的目標跟蹤算法研究[D].南京：南京理工大學,2008.

[7] 曹潔,李偉.一種改進的粒子濾波算法及其性能分析[J].計算機工程與應用,2012,48(8):144-147.

[8] 吳桐,王玲,李鐘敏,等.基于混合觀測模型的粒子濾波跟蹤算法[J].計算機工程與應用,2016,52(6):172-177.

[9] 楊向波,朱虹,鄧穎娜,等.基于粒子濾波的人臉跟蹤算法[J].計算機工程與應用,2008,44(23):209-211.

[10] 方正,佟國峰,徐心和.粒子群優化粒子濾波方法[J].控制與決策,2007(3):273-277.

[11] 高鷹,謝勝利.混沌粒子群優化算法[J].計算機科學,2004(8):13-15.

[12] Smola A J,Sch?lkopf B.A Tutorial on Support Vector Regression[J].Statistics and Computing,2004,14(3)：199-222.

[13] Chen P H,Lin C J,Sch?lkopf B.A Tutorial on ν-Support Vector Machines[J].Applied Stochastic Models in Business and Industry,2005,21(2)：111-136.

[14] 陳銳,王敏,陳肖.基于PCA降維的HOG與LBP融合的行人檢測[J].信息技術,2015(2):101-105.

[15] Wu Y, Lim J,Yang M H.Object Tracking Benchmark[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,37(9)：1834-1848.

徐勝(1991—)，男，碩士研究生，主要研究方向：目標檢測與跟蹤、機器學習等；

黃晁(1971—)，男，博士，研究員，主要研究方向：網絡傳感、智能感知技術等;

孫松(1992—)，男，碩士研究生，主要研究方向：目標檢測與跟蹤、機器學習、信息隱藏等。