摘 要： 針對Mean Shift算法跟蹤效果不佳以及粒子濾波算法計算量大且實時性不強等問題，提出了一種結合Mean Shift和粒子濾波的運動目標跟蹤融合算法。首先用Mean Shift算法進行跟蹤，在跟蹤結果不佳的情況下用粒子濾波算法進行修正。實驗結果表明，融合算法很好地結合了兩種算法的優點，既保留了Mean Shift算法的實時性，又很好地體現了粒子濾波算法的魯棒性，實用性很強。
關鍵詞： 算法融合；均值漂移；粒子濾波；運動目標跟蹤
運動目標跟蹤廣泛地應用在生活中的各個領域，比如在交通監控中，目標跟蹤對有效地預防交通事故起到至關重要的作用[1-2]。為了提高跟蹤效果，目標跟蹤領域產生了大量的新方法。由于單一算法所具有的局限性，近年來，人們嘗試使用算法融合來提高目標跟蹤的性能。多數情況下，算法融合提高了目標跟蹤性能。
Mean Shift（均值漂移）是一種有效的跟蹤算法，具有很高的精度和速度[3]。但是，當光照強度不佳或者運動目標速度很快的時候，Mean Shift算法的跟蹤效果就會變得很差。而Particle Filter算法處理這種情況的效果要好于Mean Shift算法，但是運算速度遠低于Mean Shift算法。本文融合兩種算法的優點來提高跟蹤效果。首先建立一個反饋系統，先用Mean Shift算法對目標跟蹤，當跟蹤效果不理想時，再用Particle Filter算法進行跟蹤。仿真結果表明，在絕大多數情況下該方法比用單一算法的跟蹤效果好。
1 Mean Shift算法
Mean Shift算法最早由Fukunaga等人于1975年在一篇關于概率密度梯度函數的文章中提出來的，其最初含義恰如其名，就是指偏移的均值向量，在這里，Mean Shift是一個名詞，指代一個向量。1995年，Cheng Yizong等發表了一篇關于Mean Shift的重要文獻[5]，在這篇文獻中，Cheng Yizong對基本的Mean Shift做出改進，首先定義了一族核函數，然后設定了一個權重系數。這兩方面的改進大大拓展了Mean Shift的應用范圍。
本文所用的Mean Shift算法步驟如下[4]：首先使用一種非參數概率密度來建立一個色彩分布模型描述跟蹤目標，用Bhattacharyya系數（巴氏系數）確定目標物體與背景的相似點，然后取概率平均值來確定運動目標最有可能移動的區域。算法過程如下：
假設目標物體中心位于x0，設{xi}i=1…n為目標物體的標準像素點，b（xi）表示xi點的RGB值，則目標物體的特征值u=1...m的概率定義如下：
2 Particle Filter算法
粒子濾波PF（Particle Filter）的思想基于蒙特卡洛方法（Monte Carlo Methods），它是利用粒子集來表示概率，可以用在任何形式的狀態空間模型上[6]。其核心思想是通過從后驗概率中抽取的隨機狀態粒子來表達其分布，是一種順序重要性采樣法（Sequential Importance Sampling）。簡單來說，粒子濾波法是指通過尋找一組在狀態空間傳播的隨機樣本對概率密度函數進行近似，以樣本均值代替積分運算，從而獲得狀態最小方差分布的過程。這里的樣本即指粒子，當樣本數量n→∞時，可以逼近任何形式的概率密度分布[7]。
在大多數情況下，粒子濾波可以得到比Mean Shift更好地跟蹤效果，但是，粒子濾波算法需要大量的運算，這將大大降低跟蹤速度。
粒子濾波算法的跟蹤過程大致如下[8]：
（1）初始化：在運動目標可能出現的區域隨機生成n個粒子，每個粒子的概率相同；
（2）觀測更新：計算n個粒子的置信度，歸一化權值，確保所有粒子的權值和為1；
（3）估計目標狀態：根據粒子的權值和所對應的位置，計算出目標最有可能移動的位置；
（4）重采樣：去掉置信度低的粒子，加入新的置信度高的粒子，確保粒子總數為n，這些粒子即為下一時刻的初始化樣本粒子；
（5）如需繼續跟蹤，則返回步驟（2），否則退出。
3 Mean Shift和Particle Filter的融合算法
Mean Shift算法可以快速有效地跟蹤到運動目標，但在非線性、運動目標部分遮擋的情況下，跟蹤效果會變得很差，而Particle Filter算法在這種情況下的跟蹤效果依然令人滿意[9-10]。但是，Particle Filter存在粒子選取的問題。針對這兩種算法的優缺點，本文將這兩種算法進行了有效地融合，很好地彌補了單一算法存在的不足。算法的主要步驟如下：
（1）初始化目標模型A；
（2）從視頻中讀取一幀圖像，用Mean Shift算法進行跟蹤；
（3）計算出跟蹤結果，把這個結果標記為候選區域B；
（4）計算巴氏系數Ba（A，B）；
（5）當巴氏系數大于閾值F，表明跟蹤效果良好，則更新模型，繼續用Mean Shift算法跟蹤；
（6）如跟蹤效果不好，則擴大候選區域B的范圍，使用粒子濾波算法進行跟蹤，直到跟蹤效果令人滿意；
（7）更新模型，繼續從第（2）步開始進行跟蹤；
（8）如停止跟蹤，則算法終止。
融合算法流程如圖1所示：
4 實驗結果分析
分別采用Mean Shift算法和本文所提出的融合算法對同一目標進行跟蹤，以驗證算法的有效性，用Particle Filter算法進行跟蹤誤差分析。開發環境為MATLAB R2008b，首先以人為目標觀察光照條件不佳的情況下的跟蹤效果，然后以高速運動的物體為目標觀察高速運動情況下的跟蹤效果，目標的初始狀態均用鼠標手動標定。實驗結果如圖2～圖5所示。
從4組實驗結果來看，與Mean Shift算法相比，在光照條件不佳或運動目標速度很快的情況下，融合算法在保證跟蹤實時性的同時，還能夠保持足夠的準確性。同時，本文算法的一個關鍵是閾值F的選取。由第三部分介紹可知，選取一個合適的閾值，可以提高跟蹤的性能，由于缺少測試視頻，所以只能采用排除法來選取閾值F，經過多次試驗所得到的結果，閾值F大概在Ba×0.85～Ba×0.9之間最適合進行跟蹤實驗。
而對于粒子濾波，雖然隨著跟蹤時間的增加跟蹤誤差變小（如圖6所示），但是算法運行時間過長，跟蹤的實時性得不到保證。本文提出的融合算法則在保證準確性的同時，兼顧了實時性。
本文根據Mean Shift算法和粒子濾波算法的優缺點，提出了一種融合兩種算法的方法。該算法保留了Mean Shift算法跟蹤快速的優點，同時又兼具了粒子濾波魯棒性強的特點。最后，對本文提出的算法進行了具體的實現，實驗結果令人滿意。
由于本文是對手工標定的區域進行跟蹤，因此，實現跟蹤窗口的自動跟蹤和自適應窗口將是下一步的研究工作。
參考文獻
[1] COMANICIU D， RAMESH V， MEER P. Kernel-based object tracking[J]. IEEE Transactions Pattern Analysis and Machine Intelligence， 2003，25（5）：550-585.
[2] YILMAZ A， JAVED O， SHAH M． Object tracking： a survey[J]． ACM Computer Surveys， 2006，38（4）：23-67.
[3] COMANICIU D， RAMESH V， MEER P， Real-time tracking of non-rigid objects using Mean Shift[C]. Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2000，2： 140-149.
[4] 孫劍，周鳳岐，周軍.基于mean-shift的快速跟蹤算法設計與實現[J].計算機工程，2006（8）：24-43.
[5] Cheng Yizong. Mean-shift， mode seeking and clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1995， 17（8）： 780-799.
[6] 姚劍敏.粒子濾波跟蹤方法研究[D].長春：長春光學精密機械與物理研究所，2004：50-81.
[7] NUMMIARO K， KOLLER M E， VAN G L. A color-based particle filter. Proceedings of the 1st Workshop on Generative- Model-Based Vision， 2002：43-65.
[8] 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）：154-188.
[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] 馬麗，常發亮，喬誼正.基于均值漂移算法和粒子濾波算法的目標跟蹤[J].模式識別與人工智能，2006，19（6）：767-793.