一种抑制背景干扰的粒子滤波人脸跟踪算法
粒子滤波算法
粒子滤波算法
粒子滤波算法是用来估计状态空间模型的随机过程中未知参数的一种机器学习方法，广泛用于对机器人定位和机器视觉等领域的应用。
由于其计算量少，可以节省运算时间。
粒子滤波算法基于概率定理，旨在通过一系列随机分布的运动粒子和观测样本，来估计待测参数的概率分布。
粒子滤波算法的基本步骤包括：状态估计、状态更新和参数估计。
首先，状态估计阶段是根据当前观测值和运动模型，估计各粒子的状态。
估计时可以采用Kalman滤波，基于relationship矩阵、Riccati或Schur方程，利用已知的观测值及状态转移矩阵估计当前状态的期望值，即使当前状态的参数因为外部制约条件的原因发生变化，也可以准确的得到当前状态的参数。
接下来，进行状态更新，此时状态更新公式为：Xt=FXt−1+ Wt，其中FXt−1为期望状态转移矩阵，Wt为运动粒子误差共轭度量。
此外，根据真实状态和运动粒子状态之间的重要关系，可以采用动态粒子滤波算法估计当前状态，从而精确估计位置及其他参数。
最后进行参数估计，用前面估计的期望值、高斯分布及其他概率分布的假设，估计待测状态的概率分布，从而获得状态参数的值。
粒子滤波算法能够有效估计随机过程中的未知参数，同时具有较小的计算量，并且由于其灵活的结构，在应对非高斯分布及多项式拟合时，能够取得更加准确的结果，便于后面的状态推理和复杂任务规划。
基于SVD背景抑制和粒子滤波的弱小目标检测
收稿日期：２０１０唱１０唱１１；修回日期：２０１０唱１１唱１９ 基金项目：国家自然科学基金资助项目（６０９７００６９）；航天创新基金资助项目；西北工业大学研究生创业种子基金资助项目（Ｚ２０１００６９）作者简介：崔丽洁（１９８６唱），女，陕西澄城人，硕士研究生，主要研究方向为图像处理与计算机视觉（ｃｕｉｌｉｊｉｅｍａｉｌ＠１６３．ｃｏｍ）；郑江滨（１９７１唱），男，陕西西安人，教授，博导，ＣＣＦ高级会员，主要研究方向为计算机视觉、图像视频及多媒体信息处理；李秀秀（１９８２唱），女，山西怀仁人，博士研究生，主要研究方向为图像处理与计算机视觉．基于ＳＶＤ背景抑制和粒子滤波的弱小目标检测倡崔丽洁，郑江滨，李秀秀（西北工业大学计算机学院，西安７１０１２９）摘 要：针对云天背景下红外弱小目标的检测算法中常见的目标漏检和检测错误问题，提出了一种基于奇异值分解背景抑制和粒子滤波联合检测算法。
该算法首先采用奇异值分解滤波抑制红外图像背景，获取候选目标位置；然后采用粒子滤波算法估计目标运动状态，获取目标搜索窗口；最后将单帧检测候选目标与预测的搜索窗口相结合实现小目标检测。
对真实红外图像序列进行实验表明，该方法有效地解决了ＳＶＤ滤波单帧漏检和粒子滤波预测错误导致的目标检测错误问题，从而提高了低信噪比下弱小目标的检测能力。
关键词：奇异值分解；背景抑制；粒子滤波；红外小目标检测中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１００１唱３６９５（２０１１）０４唱１５５３唱０３ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１唱３６９５．２０１１．０４．０９９ＤｅｔｅｃｔｉｎｇｓｍａｌｌｔａｒｇｅｔｓｂａｓｅｄｏｎＳＶＤｆｏｒｂａｃｋｇｒｏｕｎｄｓｕｐｐｒｅｓｓｉｏｎａｎｄｐａｒｔｉｃｌｅｆｉｌｔｅｒＣＵＩＬｉ唱ｊｉｅ，ＺＨＥＮＧＪｉａｎｇ唱ｂｉｎ，ＬＩＸｉｕ唱ｘｉｕ（Ｄｅｐｔ．ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１０１２９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎａｂｉｌｉｔｙｆｏｒｉｎｆｒａｒｅｄｓｍａｌｌｔａｒｇｅｔｓｕｎｄｅｒｃｌｏｕｄｙｓｋｙｂａｃｋｇｒｏｕｎｄ，ｔｈｉｓｐａｐｅｒｐｒｏ唱ｐｏｓｅｄａｎｏｖｅｌｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＳＶＤｆｉｌｔｅｒａｎｄｐａｒｔｉｃｌｅｆｉｌｔｅｒ．Ｉｎｔｈｉｓａｌｇｏｒｉｔｈｍ，ｆｉｒｓｔｌｙ，ｕｔｉｌｉｚｅｄａＳＶＤｆｉｌｔｅｒｔｏｓｕｐ唱ｐｒｅｓｓｔｈｅｂａｃｋｇｒｏｕｎｄａｎｄｏｂｔａｉｎｓｅｖｅｒａｌｃａｎｄｉｄａｔｅｔａｒｇｅｔｓ．Ｓｅｃｏｎｄｌｙ，ｕｔｉｌｉｚｅｄｐａｒｔｉｃｌｅｆｉｌｔｅｒｔｏｔｒａｃｋｔｈｅｔａｒｇｅｔａｎｄｇｏｔｔｈｅｔａｒｇｅｔｓｅａｒｃｈｗｉｎｄｏｗ．Ｆｉｎａｌｌｙ，ｄｅｔｅｃｔｅｄｔｈｅｔａｒｇｅｔｂｙｃｏｍｂｉｎｉｎｇｔｈｅｃａｎｄｉｄａｔｅｔａｒｇｅｔｓｗｉｔｈｔｈｅｓｅａｒｃｈｗｉｎｄｏｗ．Ｓｅｖｅｒａｌｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｄｅｔｅｃｔｔｈｅｓｍａｌｌｔａｒｇｅｔｅｆｆｅｃｔｉｖｅｌｙｗｈｅｎｔｈｅｂａｃｋｇｒｏｕｎｄｉｓｃｏｍｐｌｅｘｏｒｎｏｉｓｙ．Ｋｅｙｗｏｒｄｓ：ｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＳＶＤ）；ｂａｃｋｇｒｏｕｎｄｓｕｐｐｒｅｓｓｉｏｎ；ｐａｒｔｉｃｌｅｆｉｌｔｅｒ；ｉｎｆｒａｒｅｄｓｍａｌｌｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ 目前，低信噪比情况下，红外弱小目标的检测是红外监控系统和红外目标成像制导的核心技术和研究热点［１］。
基于HOG和粒子滤波器的行人目标检测与跟踪
基于HOG和粒子滤波器的行人目标检测与跟踪随着计算机视觉研究的深入，行人目标检测与跟踪在智能监控、自动驾驶等领域中得到了广泛应用。
基于HOG（Histogram of Oriented Gradients）和粒子滤波器的方法是一种常用且有效的行人目标检测与跟踪算法。
HOG是一种用于图像特征提取的方法，通过计算图像中局部区域的梯度直方图来描述图像的特征。
在行人目标检测中，首先将图像分成多个小的块，并计算每个块的梯度直方图。
然后，通过将这些直方图串联起来，得到整个图像的特征描述。
最后，利用支持向量机（SVM）等分类器进行目标检测。
而粒子滤波器是一种用于目标跟踪的方法，通过利用目标在连续帧之间的运动模型和观测模型来估计目标的位置。
在行人目标跟踪中，首先通过HOG方法提取目标的特征。
然后，根据目标的运动模型和观测模型，利用粒子滤波器算法进行目标位置的估计和更新。
通过不断迭代，可以实现对行人目标的准确跟踪。
基于HOG和粒子滤波器的行人目标检测与跟踪算法具有以下优点。
首先，HOG方法能够有效地提取图像中的行人特征，具有较高的检测准确率。
其次，粒子滤波器算法能够根据目标的运动模型和观测模型进行目标位置的估计和更新，具有较好的跟踪鲁棒性。
最后，该算法结合了目标检测和跟踪的优点，能够实现对行人目标的精确检测和跟踪。
然而，基于HOG和粒子滤波器的行人目标检测与跟踪算法也存在一些挑战和不足之处。
首先，HOG方法对光照、遮挡等因素较为敏感，可能影响检测准确性。
其次，粒子滤波器算法对目标的运动模型和观测模型的选择较为敏感，需要进行合理的参数设置和模型训练。
此外，算法的实时性和计算复杂度也是需要考虑的问题。
综上所述，基于HOG和粒子滤波器的行人目标检测与跟踪算法具有广泛应用前景。
通过不断改进和优化算法，可以提高行人目标检测与跟踪的准确性和鲁棒性，为智能监控、自动驾驶等领域的应用提供更好的支持。
r5 人脸 追踪 原理
r5 人脸追踪原理
R5人脸追踪是指通过计算机视觉技术，跟踪和识别视频或图
像中的人脸。
其原理主要包括以下步骤：
1. 人脸检测：首先使用人脸检测算法，如Viola-Jones算法或
基于深度学习的人脸检测算法，来定位输入图像或视频中的人脸位置。
2. 特征提取：提取人脸区域的特征，如Haar特征、LBP特征
或深度学习模型提取的特征。
这些特征可以使系统更好地描述和区分人脸。
3. 人脸跟踪：根据初始检测到的人脸位置，使用跟踪算法（如卡尔曼滤波器、粒子滤波器或基于深度学习的方法）进行跟踪。
跟踪算法通常会根据当前帧的特征和上一帧的跟踪结果进行预测和更新。
4. 人脸识别：可以在跟踪的基础上进一步进行人脸识别。
人脸识别算法通常会将提取的人脸特征与预先训练的人脸特征进行比较，以确定人脸的身份。
需要注意的是，不同的人脸追踪系统可能采用不同的算法和技术，因此具体实现细节可能会有所不同。
此外，由于人脸追踪存在一些挑战，如光照变化、姿态变化、遮挡等，因此需要使
用一些技术手段来克服这些问题，以提高系统的鲁棒性和准确性。
禁忌搜索粒子滤波算法在目标跟踪中的应用
间 系统 的非 线性 估 计 问题 ， ｋ时 刻 状 态 方程 和 量 测 方程 可 以表 示 为 ：
Ｆｘ １＋
一
Ｗ
一
１
（ １ ）
波在定位 、 跟踪等领域得到了深入的研究 ’ 。 。 粒子退化是粒子滤波算法不可避免 的现象 ， 常
用 的解决 方 法 是 选 取 好 的重 要 性 密 度 函数 和粒 子 重采 样 。文献 ［ ７ ］ 提 出 了进 化 粒 子滤 波 交互 多 模 型
措施 （ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｍ ｅ ａ ｓ ｕ ｒ ｅ ， Ｅ Ｓ Ｍ） 等被动探测 系统中涉及到非线 性滤 波技术 ， 常用 扩展 卡尔曼
（ Ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ Ｋ ａ ｈ ｎ ａ ｎ Ｆ ｉ ｌ ｔ ｅ ｒ ， Ｅ Ｋ Ｆ ） 或无迹 卡 尔曼滤 波来 处理 高斯 噪 声 背 景 下 的非 线性 滤 波 问 题 ¨ ｌ ２ Ｊ ， 实 际 的雷 达量测 噪声 不 再 是 高斯 噪 声 ， 而是 拖 尾 的 “ 闪
Ｅ Ｋ Ｆ算法产生重要性密度 函数 ， 同时采用禁忌搜索 重采样方法 ， 使粒子分布更接近真实状态。
１ 目标跟踪模型
雷达 目标跟踪 实 际系 统 中 ， 涉及 到动 态 离 散 时
烁噪声” ｊ ， 上述滤 波算法跟踪精度不是很好 ， 有
时甚 至导致 目标 丢失 。针 对此 问题 ， 粒 子滤 波 （ ｐ ｒ ａ ｔ － ｉ ｃ ｌ ｅ ｌ ｆ ｉ ｔ ｅ ｒ ， Ｐ Ｆ ） 表 现 出 了 优越 的性 能 。 目前 ， 粒 子 滤
波算法存在 粒子退化 的缺 陷， 重采样环 节引入禁 忌搜 索思想 ， 提 出了禁忌搜 索扩 展卡 尔曼粒子滤 波算法 ， 驱散 局部最优 的粒 子集 ， 使其 向全局最优位置靠近 ， 提高采样粒子 的有效性。结合 交互多模 型（ Ｉ ＭＭ） ， 将 算法与 Ｉ ＭＭ— Ｐ Ｆ算法进行仿 真 比较 ， 结 果表明该算法对机 动 目标具有 较优 的跟踪性 能。
混合Kalman滤波器与Chamshift人脸跟踪算法的研究
口 ， 其 大小 为 Ｓ ；
叠物 体无 法跟 踪 的 问题 ， 但该算法鲁棒性差 ， 跟
踪 效 率 不 高 ． Ｎ ｕ ｍ ｍｉ ａ ｒ ｏ Ｋ 研 究 了粒 子 滤 波 器
。
体被 遮挡 后继 续跟 踪 的问题 没有 解决 ． 本 文提 出一种 新 的人脸 跟踪 算 法 ， 首先 将 预 处理 好 的含有 人脸 的 图像 通 过 Ｃ ｈ ａ ｍｓ ｈ ｉ ｌ算 法进 ｆ 行人 脸检 测 ， 得 出 人脸 的质 心 位 置 ， 并 将 人 脸 用 椭 圆窗 口标 记 出来 ． 然后 将人 脸 的质 心 坐标 点作 为Ｋ ａ ｌ ｍ ａ ｎ预测 的初 始状 态对 下一 帧 图像 中人 脸 可能 出现 的位 置进行 预测 并对 其 进行 校 正 ， 再将
零节 ｚ 。 。由公式
＝
Ｃ ａ ｍｓ ｈ ｉ ｌ算法 结 合 解 决 了颜 色 与 光 照 的影 响 问 ｆ
题， 可 以应用 于 复 杂 背 景 ， 但 当物 体 进 行 旋 转 的 时候 跟 踪 效 果 就 会 变 差 ． Ｃ ｈ ｕ Ｈ ｏ ｎ ｇ ｘ ｉ ａ 、Ｙ ｅ Ｓ ｈ ｕ ｉ ｉ ａ ｎ ｇ 将 前后 两 帧 中的 图片 的轮 廓 与 Ｃ ａ ｍ ｓ ｈ ｉ ｌ ｆ 算法 结合 进行 人 脸跟踪 ， 克服 了 Ｃ ａ ｍ ｓ ｈ ｉ ｆ ｔ 算 法 的 些 在 复杂 背景 下跟踪 效果 不好 的缺点 ， 但 是 物
【 收稿 日期 ］ ２ ０ １ ２— ０ ７一 （ ） ７ ［ 基金项 目］ 重庆市教委 ２ ０ １ １年度科学技术研究项 目（ Ｋ Ｊ １ １ ０ ５ １ ８ ） ．
数字图像处理在人脸识别中的应用研究
数字图像处理在人脸识别中的应用研究随着科技的发展，人脸识别技术在各个领域被广泛应用。
数字图像处理是人脸识别中关键的一环，它利用计算机对图像进行处理，提取特征，并将其与数据库中的人脸图像进行比对，以实现精确的人脸识别。
本文将探讨数字图像处理在人脸识别中的应用研究。
人脸识别是一种通过对人脸图像进行分析和匹配来识别人脸身份的技术。
数字图像处理在人脸识别中的应用主要分为预处理、特征提取和分类识别三个步骤。
首先，预处理是数字图像处理中的第一步，旨在消除噪声、增强图像质量，并对输入图像进行标准化处理。
预处理包括图像平滑、灰度变换、图像增强等。
其中，图像平滑技术可以去除图像中的噪声干扰，常用的方法有平均滤波和中值滤波。
灰度变换可以将彩色图像转换为灰度图像，将图像信息从三维转换为二维，为后续的特征提取做准备。
图像增强技术可以提高图像的对比度和清晰度，常用的方法有直方图均衡化和滤波增强。
通过预处理，可以提高人脸识别的准确性和鲁棒性。
其次，特征提取是人脸识别的核心步骤，其目的是将输入图像中的人脸特征提取出来，并转换为数学特征向量，以便于后续的比对。
特征提取包括几何特征、纹理特征和频域特征等。
几何特征是通过人脸的形状和结构进行描述，如眼睛、鼻子和嘴巴的位置和比例。
纹理特征则利用人脸上的纹理模式进行描述，如皮肤、皱纹等。
频域特征是通过对图像进行傅里叶变换或小波变换获取的，可以提取人脸图像的频率和相位信息。
在特征提取过程中，需要考虑到不同人脸之间的差异以及光照和表情等因素的影响，以获得具有鲁棒性的特征向量。
最后，分类识别是人脸识别的最后一步，其目的是将特征向量与数据库中的人脸特征进行比对，以实现人脸的识别和身份确认。
分类识别可以通过各种机器学习方法实现，如支持向量机、人工神经网络和k最近邻算法等。
这些算法可以通过训练样本集对人脸识别模型进行训练，并利用测试样本集进行模型的测试和优化。
分类识别的目标是实现人脸识别的准确度和速度的平衡，以满足实际应用的需求。
基于粒子滤波器的实时人脸跟踪系统设计
１ 引 言
人 脸 检 测 与跟 踪 已进 入 实 用 ，对 实 时 性 要 求 越 来 越 高 。 目前 常 用 的检 测 算 法 ， 了 Ａ ａ ｏｓ算 法 以外 ， 除 ｄ Ｂ ｏｔ ］ 大 多 检 测 速 度 有 问题 闭 。因 此 ， 测 算 法 的速 度 成 为衡 量 一 检 个 系 统 实 用 性 的 重 要 标 准 ：而 跟 踪 算 法 基 于 已知 目标进
【 ｂ ｔａｔ Ａ ｒａ—ｉ ｅ ｆｃ ｒｃ ｉ ｙｔ ｓｄ ｓ ｎｄ ｉ ｔｉ ｐ ｐｒ ｄＢ ｏｔｂ ｓｄ ａｇｒｈ ｓｕｅ ｏ ｄｔｃ ｔｅ ｆ ｅ ａｄ Ａ ｓｒｃ】 ｅｌｔ ａｅ ｔ ｋｎ ｓｓ ｍ ｉ ｅｉ ｅ ｎ ｈｓ ａｅ．Ａ ａ ｏｓ ａｅ ｌｏｉ ｍ ｉ ｓｄ ｔ ｅｅｔ ｈ ａ ，ｎ ｍ ａ ｇ ｅ ｇ ｔ ｃ
踪 基 础 ， 于 粒 子 离 散度 的 控 制 机 制 以实 现 跟 踪 步 长 的 自适 应 调 整 ， 时 ， 出 了基 于 Ｈ Ｖ 色 彩 空 间 的 特 征 提 取 和 匹配 算 法 ， 基 同 提 Ｓ 以及
基于 ２阶 Ａ Ｒ模 型 的人 脸 运 动 模 型 ， 有效 提 高 了算 法 的 跟 踪 精 度 和 跟 踪 速 度 ， 将 跟 踪 结 果 作 为 人 脸 检 测 模 块 的反 馈 信 号 ， 强 了 并 增
检 测 系统 的 目标 捕 获 和 目标 校 正 能 力 。
【 键 词 】 监 控 系 统 ；人 脸 跟 踪 ； 粒 子 滤 波 ；Ａ ａ ｏｓ 算 法 关 ｄ Ｂ ｏｔ 【 图分 类号 】Ｔ ３ １ １ 中 Ｐ９． ４ 【 献 标 识 码 】Ａ 文
Ｄｅ ｉ ｎ ｏ ｒ ｉｌ ｌ ｒ Ｂａ ｅ ａ － ｉ ｅ Ｆａ ｅ Ｔｒ ｃ ｉ ｇ Ｓ ｓ ｅ ｓｇ ｆ ａ Ｐａ ｔｃ ｅ Ｆｉ ｅ ｓ ｄ Ｒｅ ｌ ｔｍ ｃ ａ ｋ ｎ ｙ ｔ ｍ ｔ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
MAP
= a rg m ax p ( X t
i = 1, 2, … , N N
i
Zt ))
现对贝叶斯滤波器递推的方法 . 它的核心思想是利 用一系列随机样本的加权和表示所需的后验概率 密度 , 当样本点数增至无穷大时 , 粒子滤波器接近 [8] 于最优贝叶斯估计 . 通过建立一个离散的状态空间模型 , 把视频跟 踪问题转变成一个动态估计问题 , X t ( t ∈N ) 表示 t 时刻系统状态信息 , Zt 表示 t 时刻的观测信息 , 则 动态系统可以表示为 ( 1) Xt = F t ( Xt - 1 , u t )
∑w
j=1
+
∑w
j=1
p ( X0: t
Z0: t ) ≈ wt ∝
i
∑w δ( X
i t i=1 i i
0: t
- X0: t )
i
( 5) ( 6)
p ( X0: t q ( X0: t
Z0: t ) Z0: t )
式中 , N ob , N fob 分别表示落在真实目标和伪目标区 域内的粒子数目 , 其受到粒子分布状况以及真实目 标和伪目标所占图像面积的影响 . 式 ( 11 ) 在一般 情况下是不可解析的 , 但是却可以从中得出 , 粒子
Track in g a lgor ithm ba sed on particle f ilter w ith restra in ed background d isturbance
A n G uocheng G ao J ianp o C hen X iangdong W u Zhenyang
Zt = H t ( X t , n t ) ( 2)
Xob = E [ X t ] =
∑w
i=1
i t
Xt
2 抗背景干扰粒子滤波算法
在常规粒子滤波算法中 , 如果采用式 ( 10 a ) 的 M A P 进行跟踪目标状态参数估计 , 在样本数量大 、 系统噪声低的情况 , 其具有很好的估计效果和抗背 景干扰能力 , 但是在实际视频跟踪问题中 , 为了减 少计算量 , 一般粒子数目比较少 、 而且观测噪声较 大 , 具有最大后验概率的粒子落在被跟踪目标状态 中心的可能性很低 , 其状态估计性能很差 , 具体见 后面的仿真实验结果 , 所以一般在视频跟踪中很少 使用 . 如 果 存 在 伪 目 标 , 采 用 基 于 式 ( 10 b ) 的 M M S E 进行目标状态估计 , 也会存在偏差 , 其产生 的原因是 : 采用加权粒子集对目标状态的后验概率 的均值进行估计 , 然而这种估计均值是真实目标和 伪目标的一种混合均值 , 而本文需要的是真实目标 状态参数的估计均值 , 这 2 种估计均值之间是存在 偏差的 , 具体如下 . 在复杂 、 有背景干扰场景下 , 假设视频跟踪目 标 Xob 附近有一伪目标 Xfob , 粒子总数为 N, 粒子权 值 w t包含 2 种 : 落 在目 标区 域的 粒子 权值 记为
wt =
i
wt
N
i
( 9)
j t
∑w
j=1
1 粒子滤波
粒子滤波应用到视频跟踪中又称为 C ondensa 2
tion 算法 , 它是一种通过蒙特卡罗积分来模拟实
[1]
一般来说 , 估计被跟踪目标的位置 Xob 有 2 种 方法 : 最 大 后 验 概 率 (M A P ) 和 最 小 均 方 误 差
1 1 2 1
Abstract: The estim a tion d isc rep ancy of the m in im um m ean squa re e rro r ( MM S E ) unde r back 2
g round d is tu rbance is theo re tica lly p roved, and the sim u la tion exp e rim en ts dem ons tra te tha t the sam e p rob lem ex is ts in the m ax im um a p oste rio ri (M A P ) . B ased on these, a nove l es tim a tion m e thod of tracked ta rge t s ta tus is p rop osed, w h ich se lec ts som e p a rtic les w ith la rge w e igh ts fo r es tim a ting the tracked ta rge t s ta te p a ram e te rs. B y using the h igh s i m ila rity of the refe rence m ode l and the cand ida te one, the p oss ib le inf luence of the backg round o r the fake ta rge t can be eff ic ien tly e lim ina ted. Exp e ri2 m en ta l resu lts show tha t the new tracke r has exce llen t robus tness and h igh track ing accu racy unde r the backg round d is tu rbance.
p ( X0: t Z0: t ) = kt p ( Z0: t X0: t ) p ( X0: t Z0: t - 1 ) ( 3) p ( X0: t Z0: t- 1 ) =
X t- 1
∑p ( X
0: t
X t - 1 ) p ( X t- 1
Z0: t - 1 ) ( 4)
式中 , kt 为常数 , 并且令 p ( X0
Key words: p a rtic le f ilte r; face track ing; backg round d is tu rbance
目标跟踪是计算机视觉领域中的热点问题 , 其 广泛应用于视频监控 、 虚拟现实 、 医疗诊断 、 气象分 析等方面 . 因此 , 目标跟踪技术有着广泛的实用价 值 . 对于这种非线性 、 非高斯问题 , 常见的方法 , 如 卡尔曼滤波和扩展卡尔曼滤波已经不能满足要求 . [1] Isa rd 等将粒子滤波引入到视频目标跟踪 , 取得 了很好的效果 , 从而粒子滤波逐渐成为目标跟踪的 一个重要方法 . A ru lam p a lam 等对非线性 、 非高斯 [2] 粒子滤波算法进行了较为详细的总结 . L i 等提 [3] 出多状态粒子滤波算法 , 分别采用 2 组粒子用于
( 1 Schoo l of Inform ation S cience and Eng ineering, S outheast U niversity, N anjing 210096, C h ina) ( 2 D ep artm ent of Info rm ation Eng ineering, H uanghuai U n iversity, Zhum adian 463000, C h ina)
w t, ob , 落在伪目标区域的粒子权值记为 w t, fob , 则权
i i i
式中 , F t 为从状态 X t- 1 转换到状态 X t 的非线性函 数 ; { u t , t ∈N } 为状态空间中的独立同分布噪声序 列 ; Zt 为通过非线性函数 H t 对 X t 的观测值 ; n t 为观 测空间中的独立同分布的噪声序列 . 跟踪的目的就 是通过观测 Zt 来估计 X t 的状态 . 根据上述模型 , 跟踪问题就是根据 t时刻的观 测预测 t时刻的目标状态 , 由贝叶斯原理可以得到 迭代贝叶斯公式 :
安国成 高建坡 陈向东 吴镇扬
( 1 东南大学信息科学与工程学院 , 南京 210096 ) ( 2 黄淮学院信息工程系 , 驻马店 463000 )
1 1 2 1
摘要 : 首先从理论上推导出基于 MM S E 状态估计在背景干扰下的偏差 , 然后通过实验说明基于 M A P 状态估计存在的问题 , 在此基础上提出一种新的跟踪目标状态参数估计方法 . 即在视频目 标跟踪过程中 , 按照粒子权值大小的准则 , 筛选适当数量具有较大权值的粒子进行目标状态估 计 . 由于该算法利用了参考目标与候选目标相似度大的特性 , 所以可以有效地剔除背景以及伪目 标的影响 . 实验结果表明 , 该算法具有很好的鲁棒性 , 并且提高了在背景干扰下目标跟踪的精度 . 关键词 : 粒子滤波 ; 人脸跟踪 ; 背景干扰 中图分类号 : TP391141 文献标识码 : A 文章编号 : 1001 - 0505 ( 2007 ) 05 2 0771 2 05
772
东南大学学报 (自然科学版 ) 第 37 卷
) 为重要性函数 . 对于一阶马尔可夫链过 式中 , q (・ [3] 程 , 可以得到迭代的粒子权值更新公式 : w t ∝ w t- 1
i i
发现 , 按照常规 MM S E 和 M A P 准则对跟踪目标的 状态进行估计 , 往往得到的结果存在偏差 , 如果这 种偏差得不到及时纠正 , 并且由于跟踪目标的无规 则运动 , 那么在后继的跟踪过程中 , 可能导致丢失 目标 . 所以本文提出利用高概率区域内粒子的权值 来估计跟踪目标的状态 , 并且在高概率区域内进行 粒子重采样 , 这样使得重采样过程具有剔除背景干 扰影响的作用 , 状态估计的偏差得到及时纠正 , 从 而提高视频跟踪的鲁棒性 . 最后通过仿真实验和真 实场景对比实验 , 都验证了本文算法在有背景干扰 的情况下 , 跟踪性能的优越性 .
第 37 卷第 5 期 2007 年 9 月
东南大学学报
(自 然 科 学 版 )