摘  要:  考慮到處理非線性非高斯問題的粒子濾波方法在魯棒性和速度方面的缺點，利用meanshift算法找到后驗概率的局部最優(yōu)，用構(gòu)成新的粒子集合來確定目標(biāo)的最終位置，在不改變粒子濾波優(yōu)點的同時提高了跟蹤的速度。實驗結(jié)果表明，這種改進(jìn)的混合跟蹤方法在保證準(zhǔn)確性的同時，提高了系統(tǒng)的實時性和魯棒性。
關(guān)鍵詞：運動目標(biāo)跟蹤； mean shift；bhattacharyya系數(shù)； 粒子濾波

    隨著計算機(jī)技術(shù)的不斷提高，目標(biāo)監(jiān)測與跟蹤成為計算機(jī)視覺技術(shù)[1]、監(jiān)控領(lǐng)域[2]、故障診斷[3]、醫(yī)學(xué)圖像[4]等領(lǐng)域，研究的核心課題之一。常用的目標(biāo)跟蹤可分為基于特征點的跟蹤、基于區(qū)域的跟蹤和基于目標(biāo)輪廓的跟蹤三類。適用于小目標(biāo)的特征點跟蹤在參考文獻(xiàn)[5]中進(jìn)行了描述，用特征點的動態(tài)聚類對目標(biāo)進(jìn)行定位?；趨^(qū)域的跟蹤算法中最常見的是mean shift算法，這種確定性跟蹤算法因其運算量小、實時性高得到了推廣。隨著Cheng Yizong的核函數(shù)和權(quán)值系數(shù)概念的提出和COMANICIU D等人對于mean shift最優(yōu)問題的分析[6]，mean shift算法獲得了空前的重視。參考文獻(xiàn)[6]中，用mean shift算法確定目標(biāo)的最優(yōu)匹配?；谳喞哪繕?biāo)跟蹤針對的并非簡單的幾何圖形目標(biāo)，包括目標(biāo)邊緣和目標(biāo)輪廓等。目標(biāo)狀態(tài)估計算法中最具代表性的粒子濾波算法是一種用估計理論對目標(biāo)狀態(tài)求解的方法，它提供了一種方便有效的非高斯、非線性、用隨機(jī)粒子數(shù)離散地表示后驗概率的方法，更適合于跟蹤環(huán)境中的部分遮擋等復(fù)雜環(huán)境[7]，但是計算量大和粒子退化等現(xiàn)象是粒子濾波的瓶頸[8]。mean shift算法和粒子濾波算法各有優(yōu)缺點，本文將mean shift算法與粒子濾波算法進(jìn)行融合，大大改善了粒子濾波算法的性能，算法的實時性和魯棒性有了很大的提高。
1 粒子濾波算法
    粒子濾波算法是基于蒙特卡羅仿真的近似貝葉斯濾波算法，對目標(biāo)狀態(tài)進(jìn)行采樣，計算樣本的權(quán)值，最后用樣本的加權(quán)來表示目標(biāo)狀態(tài)的估計值。這種算法通過更新一個后驗概率密度的近似解來遞推得到一個近似貝葉斯解。粒子數(shù)較大時，精度逼近最優(yōu)估計。目標(biāo)運動信息包括顏色、紋理、運動的方向等，一般用提取目標(biāo)運動的掩模來代表目標(biāo)運動信息。用兩幀差分法構(gòu)建運動信息，即：

　粒子濾波的實現(xiàn)步驟如下：

　(2)把mh,G(x)賦給x；
　(3)如果|mh,G(x)-x|<ε，結(jié)束循環(huán)，否則，回到步驟(1)。
3 mean shift與粒子濾波算法的融合
　mean shift算法計算量小，很容易做到實時跟蹤[9]。作為一種無參數(shù)密度估算方法，mean shift算法很容易作為一個模塊與別的算法集成。但是，當(dāng)目標(biāo)的尺度發(fā)生變換時，跟蹤可能失敗。而粒子濾波既不受限于線性系統(tǒng)也不要求噪聲是高斯的，原則上應(yīng)用于任意非線性、非高斯隨機(jī)系統(tǒng)的狀態(tài)估計[10]。當(dāng)目標(biāo)在短時間內(nèi)被遮擋時，經(jīng)過狀態(tài)轉(zhuǎn)移和預(yù)測更新，反映真實位置的有效粒子迅速增大，大大提高了跟蹤的準(zhǔn)確性。解決粒子退化而提出的重采樣方法在經(jīng)過多次迭代后，權(quán)值大的粒子被多次復(fù)制，使得采樣結(jié)果包含了許多重復(fù)點，從而導(dǎo)致粒子貧化現(xiàn)象，解決這種貧化現(xiàn)象要求更多的粒子，從而導(dǎo)致計算量太大。本文將mean shift算法和粒子濾波各自的優(yōu)勢進(jìn)行有效的融合，致力于通過mean shift算法來解決粒子濾波計算量太大而導(dǎo)致的實時性低的問題。
　此算法在粒子濾波算法的狀態(tài)轉(zhuǎn)移之后，對粒子進(jìn)行mean shift迭代收斂,利用mean shift使得每個粒子都能收斂到目標(biāo)附近，實現(xiàn)在較少粒子情況下，對目標(biāo)的準(zhǔn)確跟蹤。在目標(biāo)受到遮擋情況下，mean shift不能為跟蹤帶來任何好處，因此，舍棄mean shift算法，單獨用粒子濾波就能實現(xiàn)準(zhǔn)確跟蹤。算法結(jié)構(gòu)圖如圖1所示。

    算法的實現(xiàn)步驟如下：
    (1)初始化(k=0)。對目標(biāo)初始狀態(tài)進(jìn)行采樣，生成服從p(x0)分布的隨機(jī)樣本{x0(i),ω0(i)}，其中重要性權(quán)值ω0(i)=1/N。
    (2)k≥1,根據(jù)式(1)得到預(yù)測狀態(tài),采用Bhattacharyya系數(shù)ρ(y)判斷目標(biāo)是否遮擋。當(dāng)ρ(y)>0.4時，目標(biāo)沒遮擋，執(zhí)行mean shift聚類；否則，執(zhí)行步驟(3)。
    (3)重要性加權(quán),從系統(tǒng)的觀測值yk計算粒子的似然比后得到系統(tǒng)的歸一化權(quán)值。
    (4)得到目標(biāo)跟蹤結(jié)果。
    (5)重采樣。
4 實驗結(jié)果及結(jié)果分析
　分別采用mean shift算法（第一組）、粒子濾波算法（第二組）和混合粒子濾波算法（第三組）對同一目標(biāo)進(jìn)行跟蹤，來驗證算法的有效性，實驗結(jié)果如圖2~圖4所示。開發(fā)環(huán)境為VC++6.0，在所有的目標(biāo)中，以人作為目標(biāo)，粒子的觀測范圍和目標(biāo)的初始狀態(tài)用鼠標(biāo)手動進(jìn)行選擇。粒子數(shù)為50個,視頻序列從IBM Research的網(wǎng)頁上下載測試。

    從三組實驗結(jié)果來看，與mean shift算法相比，在遮擋的條件下,將混合算法在保證跟蹤實時性的同時，還能保證足夠的準(zhǔn)確性。將混合算法與粒子濾波算法相比發(fā)現(xiàn),粒子濾波算法在粒子數(shù)相對選擇較少的情況下，在所選觀測范圍和背景顏色等信息近似的環(huán)境下，極易丟失真實的數(shù)據(jù)信息，造成跟蹤徹底失敗。
    本文提出了一種mean shift與粒子濾波的混合跟蹤方法。本算法根據(jù)目標(biāo)的遮擋情況，選擇相應(yīng)的跟蹤算法。分別用三種不同的算法進(jìn)行目標(biāo)跟蹤，然后對跟蹤結(jié)果進(jìn)行比較。實驗結(jié)果表明，混合跟蹤方法很好地利用了mean shift算法的快速性和粒子濾波的抗遮擋性，將兩種算法的優(yōu)點有效融合來改善粒子性能。本文提出的算法性能良好，魯棒性高，實時性和準(zhǔn)確性同時得到體現(xiàn),下一步的研究重點是在更為復(fù)雜場景中的多目標(biāo)跟蹤。
參考文獻(xiàn)
[1] 高文, 陳熙霖. 計算機(jī)視覺——算法與系統(tǒng)原理[M].  北京：清華大學(xué)出版社,1998.
[2] COLLINS R, LIPTON A J, RANADE T. A system for video surveillance and monitoring: VSAM final report. CMU-RI-00-12[D]. Robotic Institute Carnegic Mellon University,2000.
[3] Wang Xudong, SYRMOS V L. Interacting multiple particle filters for fault diagnosis of non-linear stochastic system[C]. Proceedings of American Control Conference, 2008:4274-4278.
[4] Shi Pengcheng, ROBINSON G, CONSTRABLE R T, et al.  A model-besed integrated approach to track myocardial deformation using displacement and velocity constraints[C].  Fifth Interational Conforence on Computer Vision,1995.
[5] FERRUZ J, OLLERO A. Integrated real-time vision system for vehicle control in nonstruct turec environments[J].Engineering Applications of Artificial Intelligence, 2000(13):215-235.
[6] COMANICIU D, MEER P. Meanshift：a robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002(24):603-619.
[7] 王法勝,趙清杰.一種用于非線性濾波問題的新型粒子濾波算法[J].計算機(jī)學(xué)報,2008,31(2)：346-352.
[8] ARULAMPALAM M S,MASKELL S,CORDON T, et al. A tutorial on particle filters for online monlinear/noncaussian bayesian tracking[J]. IEEE Transactions on Signal Processing,2002,50(2):174-118.
[9] COMANICIU D,MEER P. Mean shift:a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2002(24):603-619.
[10] 夏克寒,許化龍.粒子濾波的關(guān)鍵技術(shù)及應(yīng)用[J].電光與控制, 2005,25(6):1-4.