關(guān)鍵詞:粒子濾波器；背景差分；檢測(cè)與跟蹤；人體運(yùn)動(dòng)目標(biāo)

    張鐵力 (1981—)
男，黑龍江牡丹江人，碩士研究生，研究方向?yàn)橛?jì)算機(jī)視覺(jué)分析及人工智能。　

    人體運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)的主要研究方向之一，在生物醫(yī)學(xué)，人機(jī)交互，虛擬現(xiàn)實(shí)，智能安全監(jiān)控，機(jī)器人技術(shù)，圖像壓縮，計(jì)算機(jī)圖形學(xué)等領(lǐng)域都有著廣泛的應(yīng)用。

    運(yùn)動(dòng)目標(biāo)的檢測(cè)就是從視頻流中去除靜止的背景，檢測(cè)出運(yùn)動(dòng)的目標(biāo)及攜帶的運(yùn)動(dòng)信息，運(yùn)動(dòng)目標(biāo)的檢測(cè)對(duì)跟蹤等后期處理非常關(guān)鍵[1]。目前，運(yùn)動(dòng)目標(biāo)的檢測(cè)方法主要有四種：背景差分法、幀間差分法、光流法、基于特征的方法。

    現(xiàn)有的目標(biāo)跟蹤方法主要有兩類：一類是基于相關(guān)的目標(biāo)跟蹤。這是一種先檢測(cè)后跟蹤的方法，它適用于目標(biāo)之間相互作用較小和背景較簡(jiǎn)單的情況 ；另一類是基于特征的目標(biāo)跟蹤。這是一種先跟蹤后檢測(cè)的方法，跟蹤的結(jié)果需要檢測(cè)來(lái)校正[2]。

    基于特征的目標(biāo)跟蹤最常用的方法是卡爾曼濾波器，但該算法要求系統(tǒng)是線性高斯型的，而對(duì)于人體運(yùn)動(dòng)來(lái)說(shuō)是非線性非高斯的，所以不能直接用來(lái)解決人體目標(biāo)跟蹤問(wèn)題。為此，人們開(kāi)發(fā)出各種非線性濾波算法。一種是擴(kuò)展卡爾曼濾波算法(EKF)，它對(duì)非線性系統(tǒng)進(jìn)行局部線性化，從而間接利用卡爾曼濾波算法進(jìn)行濾波與估算，只適用于濾波誤差和預(yù)測(cè)誤差很小的情況；另一種是基于蒙特卡羅算法的粒子濾波器(PF)，在非線性非高斯系統(tǒng)中表現(xiàn)出來(lái)的優(yōu)越性，決定了其應(yīng)用范圍非常廣泛。粒子濾波技術(shù)通過(guò)非參數(shù)化的蒙特卡羅模擬方法來(lái)實(shí)現(xiàn)遞推運(yùn)算的貝葉斯濾波，能適用于任何用傳統(tǒng)的狀態(tài)空間模型以及卡爾曼濾波模型表示的非線性系統(tǒng)，精度可以逼近最優(yōu)估計(jì) [3]。

1 系統(tǒng)設(shè)計(jì)描述

    系統(tǒng)流程如圖1，在攝像機(jī)靜止的情況下，本文首先采用DirectShow技術(shù)讀取視頻流，并對(duì)場(chǎng)景進(jìn)行初始化，利用初始不含前景的連續(xù)N幀圖像構(gòu)造初始的背景模型，然后根據(jù)一定的刷新速度更新背景模型，使它能夠適應(yīng)緩慢的光照變化。當(dāng)有運(yùn)動(dòng)目標(biāo)出現(xiàn)時(shí)系統(tǒng)立即用背景差分法進(jìn)行檢測(cè)，如果差值象素面積大于閾值說(shuō)明是前景（否則重新檢測(cè)）可檢測(cè)到運(yùn)動(dòng)區(qū)域的大小和形心坐標(biāo)（x,y）, 在一定的時(shí)間間隔 t（t<<1s）后，再次利用背景差分法檢測(cè)運(yùn)動(dòng)區(qū)域，如果差值象素面積小于閾值，說(shuō)明運(yùn)動(dòng)物體剛進(jìn)入就消失了，這可能是光線的劇變或強(qiáng)烈的干擾，跟蹤結(jié)束，等待目標(biāo)進(jìn)入監(jiān)控區(qū)域。 否則在視頻圖像中可檢測(cè)到當(dāng)前幀的運(yùn)動(dòng)區(qū)域的形心坐標(biāo)（x'  y'）。由兩個(gè)形心坐標(biāo)（x,y）和（ x'  y'）。可算出運(yùn)動(dòng)物體的初始速度，再通過(guò)粒子濾波器技術(shù)利用背景差分法檢測(cè)和運(yùn)算得到的目標(biāo)區(qū)域的大小、形心坐標(biāo)、初始速度三個(gè)參數(shù)建立跟蹤模型，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，直到運(yùn)動(dòng)目標(biāo)離開(kāi)監(jiān)控區(qū)域。

    該方法很好的解決了人體目標(biāo)跟蹤問(wèn)題，可廣泛應(yīng)用于非線性非高斯系統(tǒng)。

    該方法的基本思想是將當(dāng)前幀圖像f_k與事先存儲(chǔ)或者實(shí)時(shí)得到的背景圖像B_k-1相減，若象素差值D_k大于某一閾值T，則判定此象素為運(yùn)動(dòng)目標(biāo)上的象素，否則為背景象素點(diǎn)，閾值操作后的結(jié)果直接給出了對(duì)象的位置、大小、形狀等信息。背景差分法的效果圖如圖3所示。

    背景差分法的優(yōu)點(diǎn)是算法容易實(shí)現(xiàn)，速度快，檢測(cè)效果較好，能夠提供運(yùn)動(dòng)目標(biāo)最完全的特征數(shù)據(jù)，缺點(diǎn)是對(duì)戶外日照、室內(nèi)燈光漸變和其它外來(lái)無(wú)關(guān)事件的干擾等特別敏感。因此我們需要對(duì)背景模型進(jìn)行更新。

    2.2 自適應(yīng)背景更新[4]

    由于背景差分法存在上述缺點(diǎn)，在這里我們采用文獻(xiàn)[4]中的方法對(duì)背景進(jìn)行實(shí)時(shí)更新。

                （3）

    其中I_k表示當(dāng)前圖像，B_k表示當(dāng)前背景，B_k+1是下一幀的背景，Q_j是第j個(gè)運(yùn)動(dòng)目標(biāo)，n是第k幀運(yùn)動(dòng)目標(biāo)的總個(gè)數(shù)。和取值范圍在[0，1]。若當(dāng)前象素點(diǎn)屬于目標(biāo)，取接近于1，此處背景不更新，B_k+1(x,y)≈B_k(x,y)。若當(dāng)前象素點(diǎn)不屬于目標(biāo)，取接近于0，此處背景更新為當(dāng)前幀對(duì)應(yīng)象素值，B_k(x,y)≈I_k(x,y)。

    2.3 利用背景差分法獲取運(yùn)動(dòng)目標(biāo)參數(shù)

    當(dāng)物體進(jìn)入監(jiān)控區(qū)域時(shí)，系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，在第一次用背景差分法檢測(cè)到前景時(shí)（其面積大于給定閾值）用圖4中A表示，可獲取運(yùn)動(dòng)物體的尺寸和形心坐標(biāo)（x,y），在時(shí)間間隔t（t<<1s）后，再次運(yùn)用背景差分法獲取前景，可用圖4中B表示，形心坐標(biāo)為（x'  y'）。物體的初始速度表示如下: 　　　　　　      

                       （4）
                                

3 人體運(yùn)動(dòng)目標(biāo)的跟蹤

    3.1 粒子濾波器

    蒙特卡羅方法是一種用采樣的方法解決難以處理的積分，尤其是對(duì)高維積分處理的方法。該方法將系統(tǒng)狀態(tài)的后驗(yàn)分布由一組帶有權(quán)重的離散采樣來(lái)表達(dá)，并通過(guò)這些帶有權(quán)重的離散粒子來(lái)估計(jì)系統(tǒng)狀態(tài)[5]。

    在k時(shí)刻后驗(yàn)密度可以近似表示為：
　　                                                  
                       （5）

    當(dāng)時(shí)，估計(jì)式（5）接近于真實(shí)的后驗(yàn)概率密度[6]。
在粒子濾波算法中存在著粒子退化現(xiàn)象，即當(dāng)?shù)欢ù螖?shù)后，除一個(gè)“粒子”外，其余“粒子”的權(quán)值都趨于零。而且這個(gè)“粒子”的權(quán)值只會(huì)隨時(shí)間推移而增大，因此，退化問(wèn)題是不可避免的。這里我們用表示“退化”程度的度量，它的近似值為

　　                      （6）

    由以上定義可得，N_eff≦N_s，N_eff越小，退化越嚴(yán)重[7，8，9]。

    粒子濾波器的算法如下:　　

     
　  
    采樣

    根據(jù)式更新權(quán)值

    END FOR

    歸一化權(quán)值

    IF 式（6）值太小，說(shuō)明了退化嚴(yán)重。

    重采樣

    END IF 

    3.2 人體運(yùn)動(dòng)目標(biāo)跟蹤模型

    在本文中，人體運(yùn)動(dòng)目標(biāo)可用矩形模板來(lái)表示。并利用背景差分法所檢測(cè)和計(jì)算得到的參數(shù)來(lái)建立跟蹤模型。 (x,y)表示形心坐標(biāo)，為點(diǎn)的速度，a,b為矩形的寬度和高度。目標(biāo)狀態(tài)向量表示為，狀態(tài)轉(zhuǎn)移模型建立如：               （7）
 
    T_k-1為狀態(tài)轉(zhuǎn)移矩陣。在本文的人體目標(biāo)跟蹤實(shí)驗(yàn)中T_k-1的初值確定可用文獻(xiàn)[2]中的方法，(x,y )表示人體的運(yùn)動(dòng)，其時(shí)間進(jìn)化模型采用均速直線運(yùn)動(dòng)模型，a,b可采用靜止模型，狀態(tài)的改變由噪聲驅(qū)動(dòng)。狀態(tài)轉(zhuǎn)移矩陣T_k-1可用如下矩陣表示：

    

    表示系統(tǒng)狀態(tài)噪聲，初始值△t=1。觀測(cè)向量，其中x'  y'分別是目標(biāo)形心軸上位置的觀測(cè)值。觀測(cè)模型可建立為（8）
    ，為高斯零均值白噪聲。初始概率密度，粒子個(gè)數(shù)N=1000。

4 粒子濾波器的應(yīng)用

    利用本文建立的目標(biāo)狀態(tài)轉(zhuǎn)移模板和觀測(cè)模板所組成的粒子濾波模型，對(duì)戶外場(chǎng)景進(jìn)行了單個(gè)人體運(yùn)動(dòng)的目標(biāo)跟蹤實(shí)驗(yàn)。在實(shí)驗(yàn)中我們采用型號(hào)為PK-83攝像頭采集了350幀的視頻序列。計(jì)算機(jī)配置采集卡，跟蹤分辨率為320×240的圖像序列。本文用VC++編程實(shí)現(xiàn)算法，粒子濾波器的跟蹤結(jié)果用紅色矩形框表示。通過(guò)實(shí)驗(yàn)可見(jiàn)，在目標(biāo)跟蹤視場(chǎng)內(nèi)包括擺動(dòng)的樹(shù)，樹(shù)的陰影及非常強(qiáng)的照明等干擾和遮擋因素，該系統(tǒng)仍然可以成功的跟蹤運(yùn)動(dòng)目標(biāo)。在圖5中顯示第46、72、98、156、200、220、250、298幀跟蹤的結(jié)果。在第156幀中運(yùn)動(dòng)目標(biāo)進(jìn)入了遮擋區(qū)，濾波器的跟蹤效果仍然很好；在第200幀中，雖然運(yùn)動(dòng)目標(biāo)已經(jīng)出了遮擋區(qū)系統(tǒng)仍在繼續(xù)跟蹤。為了解決退化問(wèn)題，我們適當(dāng)增加了粒子數(shù)目，并通過(guò)對(duì)做N次采樣，重新生成一組新樣本集，為每一個(gè)樣本賦予相等的權(quán)值1/N_s。減少了權(quán)值太小的粒子，集中關(guān)注權(quán)值大的粒子，從而改善了系統(tǒng)的實(shí)時(shí)性。

（1）第46 幀     （2）第72幀      （3）第98幀     （4）第156幀



（5）第200幀    （6）第220幀     （7）第250幀     （8）第298幀
　
圖5   基于粒子濾波器的人體目標(biāo)跟蹤結(jié)果

5 結(jié)論

    本文運(yùn)用粒子濾波器算法根據(jù)背景差分法所檢測(cè)和計(jì)算得到的參數(shù)來(lái)建立跟蹤模型。該算法解決了跟蹤目標(biāo)中的非線性非高斯難題，克服了卡爾曼濾波和擴(kuò)展卡爾曼濾波在人體運(yùn)動(dòng)目標(biāo)跟蹤上的缺陷。對(duì)于本文跟蹤實(shí)驗(yàn)過(guò)程中有活動(dòng)目標(biāo)干擾、并且目標(biāo)暫時(shí)地被遮擋后又重新出現(xiàn)的情況，該算法仍能正確地進(jìn)行狀態(tài)跟蹤。實(shí)驗(yàn)結(jié)果表明了該算法具有良好的魯棒性。該方法用在戶外環(huán)境下能很好地檢測(cè)出運(yùn)動(dòng)目標(biāo)，噪聲抑制能力強(qiáng)。可廣泛應(yīng)用于航空器位置的跟蹤、噪聲環(huán)境通信信號(hào)的估計(jì)、人體或車輛的跟蹤。

其它作者：

    王然冉　(1962—)，男，遼寧沈陽(yáng)人，副教授，研究生導(dǎo)師，研究方向?yàn)橐曨l圖像分析識(shí)別和多媒體、流媒體軟件編程；

    李曉佳 （1983—），女，黑龍江肇東人，碩士研究生。研究方向?yàn)楝F(xiàn)場(chǎng)總線技術(shù)及智能控制。

參考文獻(xiàn)：

    [1] 曹麗，王亞明，周維達(dá)等.基于動(dòng)態(tài)圖像序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[J].計(jì)算機(jī)仿真，2006，23（5）：194-196.

    [2] 王長(zhǎng)軍，朱善安．基于視頻的目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D]．博士學(xué)位論文，浙江大學(xué)，2006．4：77-89．

    [3] 方帥，遲健男，徐心和．視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)跟蹤算法[J]．控制與決策，2005，20(12)：1388-1391．

    [4] 劉雪，王華杰，常發(fā)亮.視頻圖像序列中運(yùn)動(dòng)目標(biāo)的 提取與跟蹤[J].儀器儀表與檢測(cè)技術(shù)，2007，26（1）：102-103．

    [5] 江寶安，盧煥章． 粒子濾波器及其在目標(biāo)跟蹤中的應(yīng)用[J].雷達(dá)科學(xué)與技術(shù)，2003，1（3）：170-174．

    [6] Bergman，N.，A. Doucet，and N. Gordon.Optimal estimation and Cramer-Rao bounds for partial non-Gaussian state space models[J]. Ann. Inst. Statist. Math, 2001,53(l)：97-112.

    [7] LI Yan-qiu，SHEN Yi，LIU Zhi-yan．A New Particle Filter for Nonlinear Tracking Problems[J]．Chinese Journal of aeronautics,2004，17(3)：170-175．

    [8] 劉大鍵，朱善安.基于最大后驗(yàn)概率密度的粒子過(guò)濾器跟蹤算法[J]．光電工程，2005，32(11)：9-11．

    [9] Liu J S，Chen R．Sequential Monte Carlo methods for dynamic systems[J]．Journal of the American Statistical Association，1998，93(443)：1032-1044．