基于模糊粒子滤波的视频跟踪方法研究_张广法

i2,t (1 ) i2,t 1 ( X t mi ,t )T ( X t mi ,t ) (4)
在 FCH 方法中， 通过模糊度隶属函数建立相 应 的 直 方 图 方 格 (bin) ， 其 中 ， FCH 通 过
P X t i ,t X t , mi ,t , i ,t
0
引言
摄像机阵列装置目前已经达到了低消耗和电 荷耦合，其计算能力越来越强且易于实现 [1]。因 此为了提升监控效果，在很多应用环境中以增加 摄像机的数量来增强监控的性能。但是，对于普 通的监控应用系统而言，增加摄像机数量的同时 必将导致数据的大量增加，并且同时增加了操控 人员以及存储设备的负荷。而且这样的方法也并
c 聚类进行分享。聚类中心和成员函数值通过式
（ 8）和式（ 9）以下表达式进行迭代计算。具体 的 FCM 计算可以通过 Fc1 M cn H n1 表示，其 中， H n1 的 n 个 bin 是 RGB 空间到 CIEL a*b*空 间转化的细小颜色直方图， M cn 是基于 ui , j 的成 员矩阵代表第 i 个详细颜色 bin， 在实际应用过程 中，这些取值均可以采用离线状态预先计算出相 应的结果。
Vol.33 No.11 2013.11 本文采用基于 c 均值计算的 CIEL a*b*颜色空间。 FCM 颜色直方图转换，其中，c 要小于 n. 这里 c 的粗糙颜色 bins 代表模糊聚类中心，而且通过利 用 FCM 技术，使得每一个好的（细小的）颜色 bin 的结构通过粗糙的颜色 bins 决定。对于同一 的颜色空间，FCM 为最小化目标函数，其具体的 决定公式如下式 (3.10)所示： J m (M , F : X )
Video Tracking Method Based on Fuzzy Particle Filter
Zhang Guangfa, Liu Yi
(No.91880 Unit of PLA, Jiaozhou 266300, Shandong, China)
Abstract: Intelligent video monitoring system is the basis of the monitoring range of targets in video sequences effectively real-time trackin. In view of the current tracking methods in the light mutation and partial occlusion cases of defects, this paper proposes a fuzzy Particle Filter (Particle Filter, PF) carries on the new algorithm of video target tracking. This algorithm combines with fuzzy control theory, introduces the measurement of fuzziness to overcome the uncertainty of the feature information, and establishes a adaptive gaussian mixture model based on background modeling and tracking algorithm based on sequential Monte Carlo. Under the guidance of the new algorithm, in view of the change of static camera in light conditions and the partial shade ,the problems are carried on thoroughly. Through the comparison of several fuzzy measurement technology and application, the method realizes the effective tracking multiple targets accurately. Keywords: fuzzy particle filter; vedio tracking
k
f j ui , j , pi
i 1
N
1 N ui, j N i 1
(6)
i 个高斯分布的均值，i ,t 是相关的协方差。 假设
有 i ,t i2,t I ，其中 i2,t 是方差。 是文献 [6] 中定 义的高斯密度函数。 t 时刻第 k 个分布的权重 i ,t 可以通过下式进行自适应更新： 34
2 uim , j || xi f j || ,1 m j 1 i 1 c n
船电技术|应用研究
S1 (imag1 , imag 2 )
min(u
i 1 c i 1
c
i ,1
, ui ,2 ) , ui ,2 )
max(u
b 2 4ac
i ,1
(10) 2) 基于对比的深度增强量测。 该量测信息主
b (5) B arg min i ,t T b i 1 其中， T 被解释为背景的应该占据的最小比例部 分的量测值。为了跟踪多个目标，将检测到的前 景目标用于本文提出的模糊 PF 方法。 1.2 模糊颜色特征
1
智能视频监控跟踪方法
(3)
基于静止摄像机的彩色视频图像多目标运动 检测跟踪问题，在室内和室外环境下的处理方法 是基本相同的，本章考虑了一个基于自适应的高 斯混合模型方案， 对背景进行自适应的建模处理。 其中模糊处理技术可以用来对目标的后验概率密 度进行实时估计处理，并在多目标关联问题中实 现有效的应用。基于此点，本章提出了一种基于 模糊推理技术的模糊推理粒子滤波算法，对基于 不同模糊量测的视频跟踪效果进行综合对比，并 给出相应的跟踪结果。 1.1 背景建模 在 文 献 [6] 中 ， 已 经 详 细 介 绍 了 采 用 Stauffer–Grimson 算法和背景建模方法对运动目 标进行分割的具体实现步骤，关于每一帧图像中 的每一像素的强度值 Xt=I(x,y,t) 可以通过一个具 有 k 个高斯分布的混合模型进行近似处理， 并在 本文中建立了基于观测信息的模型自适应更新机 制。 在时间 t 时刻， {X1,X2,..Xt}表示特殊像素的历 史信息，通过移动目标在场景中的变换，当相应 变量发生改变的时候，可以依靠每一种高斯分布 的持久性和 方差对特殊 像素进行前 景和背景分 割。将这些自适应的高斯混合分布模型视为最有 可能的背景过程，其中与 “背景 ” 高斯分布最不匹 配的像素被分组为前景目标，将目标的观察概率 模型表示为：
船电技术|应用研究
复杂光照条件下的目标跟踪问题； 3) 采用模糊量 测作为观测似然函数进行粒子更新，并对不同的 模糊量测进行对比分析，探索不同环境下最优化 的模糊量测信息； 4) 将模糊量测技术引入到视频 多目标跟踪领域中，实现不同场景中的多目标有 效跟踪。
Vol.33 No.11 2013.11
Vol.33 No.11 2013.11
船电技术|应用研究
基于模糊粒子滤波的视频跟踪方法研究
张广法 , 刘毅
（中国人民解放军 91880 部队，山东胶州 266300） 摘 要： 智能视频监控系统的基础就是对监控范围的视频序列中目标进行有效实时的跟踪，针对当前跟踪
方法在光照突变、部分遮挡情况下的跟踪缺陷，本文提出了一种利用模糊粒子滤波 (Particle Filter,PF)进行视 频目标跟踪的新算法。该算法结合模糊控制理论，引入量测的模糊性来克服特征信息的不确定性，并建立 一 个 基 于 背 景 建 模 技 术 的 自 适 应 高 斯 混 合 模 型 和 基 于 序 贯 蒙 特 卡 洛 的 跟 踪 算 法 (sequential Monte-Carlo-based) 。在新算法的指导下，针对静止摄像机在光照条件改变以及目标发生部分遮挡的情况进 行了深入的研究。通过多种模糊量测技术的比较和应用，本文方法实现了多个目标精确有效跟踪。 关键词：模糊粒子滤波 中图分类号： TP273 视频跟踪 文献标识码： A 文章编号： 1003-4862（ 2013） 11-0033-05

收稿日期： 2013-06-06 作者简介： 张广法（ 1981- ） ，男，工程师。研究方向： 装备管理。
不能保证对敏感区域进行长时间有效的监控。实 际应用中，能够对运动目标保持较好的检测和跟 踪是一个好的智能监控系统必须具备的基础性能 之一 [2]。 针对复杂条件下的视频目标跟踪问题，本文 提出了一种模糊粒子滤波算法，主要的研究内容 包括以下几点： 1) 采用模糊推理技术有效解决颜 色特征向量对光照突变和相似背景条件下的观测 模糊性，建立模糊颜色直方图方法； 2) 针对背景 建模的难点，提出一种自适应高斯混合背景建模 方法。针对每一个像素进行单独建模为 k 个高斯 分布的混合模型，能够自适应地处理光照突变等 33
要是基于对比的深度增强量测信息，对于相同的 场景其相似值为 1，其中 | ui ,1 ui ,2 | 为 0，具体的 计算表达式为：
(7)
其中，M 是一个成员函数矩阵， F { f1 , f 2 ,..., f c }T 是未知的聚类模型的向量，ui,j 代表第 i 个相应于 集合 X={X1,X2,..Xt}的成员函数，该集合属于第 j 个聚类。指数 m 控制着成员函数的模糊程度通过
i ,t (1 )i ,t 1 ( K i ,t )
(2)
上式中 α 被定义为学习率，且 K i ,t 0,1 ，
1 表示已经匹配的模型， 0 表示剩下没有匹 其中，
配的模型。其中不匹配分布的均值 mi ,t 和方差 i2,t 保持不变，具体的参数随着最新观测信息的到来 进行实时的更新，具体的更新公式如下： mi ,t (1 )mi ,t 1 X t 其中， i ( X t , mi ,t , i2,t ) 为了实际应用的需要将相应的结果近似为 α 。在实际的试验中，如果某一个像素经常出现 并且基本保持不变的话，就将其视为背景。为了 进行有效的建模，采用 ω/σ 对建模中采用的高斯 模型进行管理。当前分布的增益获取更多的证据 或者是方差减少的时候， ω/σ 的值就会增加。这 种方式的管理是一种很有效的在线管理方法，采 用开始 -结束的方式，根据相应的权重高低比例， 使得最有可能成为背景的分布仍然在顶部，最没 有可能成为瞬间背景的分布趋向于系统低端，并 且最后将被新的分布所取代。 为了有效区分背景， 这里通过整体考虑系统的先验概率 T 的方法来区 分背景，当第一个关于状态聚集的 B 概率达到了 T 的时候就被认为是背景的一部分，其具体的表 达式如下：