改進的粒子濾波在視頻目標跟蹤中的應用

楊永超 周昊

摘要：針對標準粒子濾波重采樣階段導致粒子多樣性降低進而影響跟蹤精度的問題，在原重采樣階段使用螢火蟲算法優化，利用螢火蟲的移動機制進化粒子，促使粒子向最優解區域移動。最后將改進的算法應用于使用HSV（Hue，Saturation.Value）顏色特征建模目標的視頻目標跟蹤中，實驗結果表明：與標準粒子濾波相比，改進算法的跟蹤精度有了一定提高。

關鍵詞：粒子濾波;重采樣;螢火蟲算法;HSV;視頻目標跟蹤

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）19-0001-02

開放科學（資源服務）標識碼（OSID）：

對視頻序列中的目標進行跟蹤是計算機視覺的熱門研究領域之一，其主要過程是首先在視頻序列的第一幀圖像中選定跟蹤目標，之后運行跟蹤算法，實現在后續幀中預測跟蹤目標的位置[1，2]。濾波算法是常用的跟蹤算法，其中的粒子濾波[3，4]（ Particle Filter，PF）突破了其他傳統濾波算法要求跟蹤目標的運動模型必須為線性且噪聲服從高斯分布的局限，理論上可以處理任意非線性非高斯的問題，應用領域最為廣泛。粒子濾波采用蒙特卡洛隨機采樣的方法，用對一組帶權重粒子的求和來替代后驗概率密度復雜的積分運算，但其重采樣階段會產生粒子貧化問題，直接對大權重粒子復制舍棄小權重粒子的做法導致估計精確度的降低[3，4]。研究表明，在重采樣階段使用群智能算法優化的粒子濾波算法可改善粒子貧化問題：將粒子看做生物集群中的個體，通過模擬生物個體的運動規律使得粒子分布趨于合理。文獻[5，6，7，8，9]分別通過引入粒子群算法、蟻群算法、果蠅算法、蝙蝠算法及人工魚群算法來改善粒子貧化問題，進而提高估計精度。螢火蟲算法（Firefly Algorithm，FA）根據生物學中螢火蟲的發光行為發展而來：螢火蟲的光亮度不一，亮度低的螢火蟲會被亮度高的吸引[10]。本文根據這一特性，在粒子濾波中將粒子比擬成螢火蟲，在重采樣階段利用螢火蟲的移動機制來進化粒子，使得粒子的分布更加合理，以提高跟蹤精度。

1 標準粒子濾波算法

標準粒子濾波算法是基于貝葉斯濾波框架下預測目標后驗概率密度的遞推迭代過程，引入蒙特卡洛方法，用一組粒子權值求和運算替代復雜的概率密度積分運算，以期獲得最小方差估計。

2 FA優化的粒子濾波算法（PF-FA）

螢火蟲算法（FA）由自然界中螢火蟲的發光行為啟發而來，生物學家發現，螢火蟲之間的吸引力與性別、大小無關，而與其熒光的亮度成正比：亮度高的螢火蟲可以吸引亮度低的螢火蟲向自身移動。另外，亮度隨距離增加而降低，如果一個螢火蟲周圍沒有比它更亮的螢火蟲，那么它將隨機移動。FA算法的數學模型描述為：

可在粒子濾波的重采樣階段融合螢火蟲算法，將“粒子”看作“螢火蟲”，執行螢火蟲算法迭代尋優，驅使粒子向高似然區域移動，使粒子分布與真實情況更接近。具體的算法流程如下：

step3：融合螢火蟲算法進行重采樣。

step3.1：比較當前所有粒子的權值，選取權值最大的粒子作為亮度最大的“螢火蟲”;

step3.2：其他粒子根據位置更新公式（9），向權值最大粒子移動;權值最大粒子在當前位置隨機移動;

step3.3：重新計算位置移動后各粒子的權值，轉到step 3.1。當迭代次數達到50次后，轉到step4。

step4：根據公式（6）輸出目標狀態估計值，令k=k+1，轉到step2，開始下一時刻的預測。

3 PF-FA算法在視頻目標跟蹤中的應用

在視頻目標跟蹤中，一般采用顏色、紋理或輪廓特征對目標進行建模。本文采用HSV（ Hue Saturation，Value）顏色特征（H通道量化為16個量級，S通道量化為4個量級，V通道量化為1個量級）對跟蹤目標進行建模，并將螢火蟲算法引入到粒子濾波的重采樣階段，應用于復雜的視頻目標跟蹤場景。設計目標的似然函數為：

將優化后的算法應用于測試視頻，如圖1所示，測試目標為走廊女子，參與跟蹤粒子數為20。圖1為從視頻第180幀開始的跟蹤過程截圖。

為測試螢火蟲算法優化后的粒子濾波性能，圖2給出FA優化的PF算法與標準的PF算法中在視頻跟蹤時，預測目標中心點與實際目標中心點間在x軸及v軸方向的誤差絕對值的對比，雖然對比標準粒子濾波算法，本文算法誤差降低，但隨時間遞增，粒子有發散現象，且誤差有遞增趨勢。

4 結論

為提高粒子多樣性，本文采用螢火蟲算法在粒子濾波原重采樣階段進行優化。實驗表明，與傳統粒子濾波對比，優化后的算法跟蹤精度有了一定的提高，但是由于標準螢火蟲算法存在收斂速度慢，易于陷于局部最優值等缺點，當直接用于優化粒子濾波時，存在運算速度慢、仍有一定誤差等問題，后續將考慮對標準螢火蟲算法進行優化。

參考文獻：

[1]侯志強，韓崇昭.視覺跟蹤技術綜述[J].自動化學報，2006，32（4）：603-617.

[2]蔡榮太，吳元昊，王明佳，等，視頻目標跟蹤算法綜述[J].電視技術，2010，34（12）：135-138，142.

[3]王法勝，魯明羽，趙清杰，袁澤劍.粒子濾波算法[J].計算機學報，2014，37（8）：1679-1694.

[4]胡士強，敬忠良.粒子濾波算法綜述[J].控制與決策，2005（4）：本欄目責任編輯：王力361-365，371.

[5]張琳，李明，苑柳青.基于智能優化粒子濾波算法的人體運動目標跟蹤[J].科學技術與工程，2010，10（16）：4013-4016，4020.

[6]張婷婷，于明，閻剛，運動目標追蹤的人工魚群優化粒子濾波算法[J].河北工業大學學報，2016，45（04）：12-19.

[7]韓錕，張赫.基于果蠅優化算法改進的粒子濾波及其在目標跟蹤中的應用[J].湖南大學學報f自然科學版），2018，45（10）：130-138.

[8]曹義親，鐘濤，黃曉生，一種改進的基于蟻群優化的粒子濾波算法[J].計算機應用研究，2013，30（8）：2402-2404.

[9]陳志敏，吳盤龍，薄煜明，等，基于自控蝙蝠算法智能優化粒子濾波的機動目標跟蹤方法[J].電子學報，2018，46（4）：886-894.

[10] Yang X S.Firefly algorithm，stochastic test functions and de-sign optimisation[Jl.lnternational Journal of Bio-Inspired Com-putation， 2010，2（2）：78.

【通聯編輯：唐一東】

基金項目：安徽高校自然科學研究重點項目：人工細菌菌落算法研究及其在人群異常行為檢測中的應用（KJ2019A0864）;安徽省池州學院自然科學研究項目（2016ZR011）;池州學院質量工程項目“線下精品課程——計算機網絡”（2018XJPKC15）

作者簡介：楊永超（1985-），女，山東聊城人，講師，碩士，主要研究方向為模式識別、人工智能;周昊，講師，碩士。