融合權(quán)值衍射與遺傳算法的粒子濾波算法及人機(jī)界面跟蹤

融合權(quán)值衍射與遺傳算法的粒子濾波算法及人機(jī)界面跟蹤

1跟蹤目標(biāo)的不確定性隨著計(jì)算機(jī)成像技術(shù)的發(fā)展，成像技術(shù)也成為一個(gè)熱門主題。機(jī)械感知和導(dǎo)航、信號(hào)傳輸和壓縮、人體輪廓跟蹤和其他數(shù)據(jù)處理技術(shù)密切相關(guān)。而運(yùn)動(dòng)物體跟蹤也是研究對(duì)象之一。近幾年,研究人員提出了很多跟蹤算法,如:基于特征的跟蹤、基于區(qū)域的跟蹤、基于變形模型的跟蹤等。對(duì)于跟蹤算法主要集中在粒子濾波算法上面。粒子濾波對(duì)于遮擋和背景的干擾魯棒性比較強(qiáng),容易實(shí)現(xiàn),粒子濾波算法的隨機(jī)特性可以避免搜索陷入局部最優(yōu),但是它利用大量的樣本來(lái)提高狀態(tài)估計(jì)精度,故實(shí)時(shí)性仍有待改進(jìn),而粒子匱乏和缺少多樣性也是其主要缺點(diǎn)。本文應(yīng)用粒子濾波對(duì)運(yùn)動(dòng)物體進(jìn)行跟蹤,在跟蹤過(guò)程中有4個(gè)主要難點(diǎn):①剛體與非剛體是難點(diǎn)之一,特別在復(fù)雜環(huán)境下的跟蹤。人體是非剛體,以至于需要更靈活的觀測(cè)模型來(lái)適應(yīng)其姿勢(shì)變化。②在物體運(yùn)動(dòng)過(guò)程中會(huì)發(fā)生部分遮擋和全部遮擋現(xiàn)象,當(dāng)物體被遮擋時(shí)物體的觀測(cè)模型無(wú)法完全觀測(cè)到。③光線的改變會(huì)引起顏色特征發(fā)生明顯變化,以致于算法失效。④機(jī)動(dòng)目標(biāo)由于無(wú)法準(zhǔn)確預(yù)知目標(biāo)下一時(shí)刻的運(yùn)動(dòng)狀態(tài),使得跟蹤變得非常困難。綜合以上的考慮,從單一的方向出發(fā),當(dāng)目標(biāo)遮擋時(shí),容易發(fā)生跟蹤偏離與失敗的缺陷。粒子預(yù)測(cè)中心位置與目標(biāo)模板的確定,可以確保目標(biāo)在復(fù)雜背景下跟蹤的準(zhǔn)確性。權(quán)值繁衍:權(quán)值的優(yōu)化,經(jīng)過(guò)母權(quán)值繁衍子權(quán)值,使部分小權(quán)值粒子從低似然區(qū)向高似然域逼近,增加粒子的遺傳性,避免跟蹤過(guò)程中粒子采樣時(shí)覆蓋選取目標(biāo)的各種狀態(tài)可能性,全面提高狀態(tài)空間的質(zhì)量與跟蹤可靠性。本文通過(guò)權(quán)值繁衍算法與傳統(tǒng)算法的仿真對(duì)比,來(lái)驗(yàn)證改進(jìn)算法。2圖像序列中直接圖像的統(tǒng)計(jì)直方圖分布模型在確定運(yùn)動(dòng)跟蹤目標(biāo)后,基于指數(shù)分布建立統(tǒng)計(jì)模型。在跟蹤區(qū)域中心,屬于運(yùn)動(dòng)目標(biāo)的概率為1,在偏離中心的距離大于閾值時(shí),概率屬于指數(shù)衰減:可得到目標(biāo)的統(tǒng)計(jì)直方圖分布模型在初始圖像中,給定包含目標(biāo)的固定區(qū)域。為方便起見(jiàn),可以設(shè)定圖像固定的區(qū)域中心為0向量。由上分析可得到相對(duì)應(yīng)的直方圖統(tǒng)計(jì)分布p0(u),令q0(u)=p0(u)。在隨后的圖像序列中,待選區(qū)域的中心設(shè)為y,通常可得相應(yīng)的直方圖統(tǒng)計(jì)分布py(u)。采用巴氏系數(shù)(Bhattacharyya)測(cè)量2種圖像之間分布的相似度:式中ρ系數(shù)越大,說(shuō)明兩張圖片直方圖分布越相似。當(dāng)ρ取最大值ρ=1時(shí),完全匹配。用表示巴氏系數(shù)的距離。3概率密度近似粒子濾波就是最優(yōu)的貝葉斯估計(jì),通過(guò)尋找一族在狀態(tài)空間中傳播的隨機(jī)樣本,對(duì)概率密度p(xk|yk)進(jìn)行近似。其重要思想為:用一族具有權(quán)值的n個(gè)粒子來(lái)完全描述后驗(yàn)概率分布。根據(jù)蒙特卡羅理論,當(dāng)粒子的數(shù)目足夠多時(shí),這組具有權(quán)值的粒子就能完全地描述后驗(yàn)概率分布,此時(shí),粒子濾波就是最優(yōu)的貝葉斯估計(jì)。3.1更新遞歸迭代方式首先為了描述目標(biāo)跟蹤問(wèn)題,在非線性環(huán)境下定義如下?tīng)顟B(tài)空間方程:結(jié)合切普曼-科爾莫戈羅夫等式和馬爾可夫過(guò)程,再通過(guò)預(yù)測(cè)和更新遞歸迭代方式便構(gòu)成了貝葉斯估計(jì)。對(duì)于SIS粒子濾波算法的具體內(nèi)容詳見(jiàn)文獻(xiàn)。本文采用重采樣粒子濾波算法(SIR)步驟如下:Step1:初始化。在k=0時(shí)刻,根據(jù)重點(diǎn)密度抽樣出Np個(gè)粒子,假定抽樣出的每個(gè)粒子用<,1/N>表示,令k=1。Step2:預(yù)測(cè)Step3:加權(quán)Step4:權(quán)值歸一化Step5:濾波計(jì)算k時(shí)刻的濾波密度,重采樣后返回Step2。3.2粒子濾波、正演算法和重采樣算法重采樣的計(jì)算量非常大且破壞了SIS算法的粒子多樣性,Doucet從理論上證明了SIS算法依賴于重要性函數(shù)的選取,出現(xiàn)退化現(xiàn)象的必然性。SIR方案中,算法雖然可以解決退化問(wèn)題,但又帶來(lái)了喪失粒子多樣性的問(wèn)題。對(duì)此,國(guó)內(nèi)外學(xué)者突破了一些算法難題,如重采樣粒子濾波算法、正則化粒子濾波算法和輔助粒子濾波算法等。以上算法雖然可以延緩樣本退化和枯竭的問(wèn)題,但解決不了算法依賴性。進(jìn)化粒子濾波算法雖然能解決估計(jì)問(wèn)題,單算法相對(duì)復(fù)雜,影響跟蹤實(shí)時(shí)性。因此重采樣的選用要依據(jù)一些準(zhǔn)則,目前常用的準(zhǔn)則就是依據(jù)有效粒子數(shù)Neff,定義為:其中round(·)為取整運(yùn)算。如果Neff越小,表明退化現(xiàn)象越嚴(yán)重。4交叉運(yùn)算優(yōu)化模型重采樣是在式(10)衡量粒子權(quán)值后,維持粒子總數(shù)不變且不考慮算法質(zhì)量的情況下,刪減權(quán)值較低的粒子,復(fù)制權(quán)值高的粒子,來(lái)增強(qiáng)粒子的采樣效率。依上述算法重采樣采用的僅僅是過(guò)于簡(jiǎn)單復(fù)制和肆意刪除的思想,必然導(dǎo)致在重采樣后大量重復(fù)的樣本粒子用于逼近當(dāng)前真實(shí)狀態(tài)。對(duì)此遺傳算法重采樣在此過(guò)程中表現(xiàn)出自身優(yōu)越性?；趯?duì)生物進(jìn)化原理的建模,共產(chǎn)生了3種經(jīng)典的優(yōu)化模型:遺傳算法、進(jìn)化策略、進(jìn)化規(guī)劃。從遺傳算法優(yōu)越的能力角度來(lái)說(shuō),交叉運(yùn)算是產(chǎn)生新個(gè)體的主要方法之一,它決定了遺傳算法的全局搜索能力,著眼于單個(gè)個(gè)體在其生存環(huán)境中的進(jìn)化,強(qiáng)調(diào)的是個(gè)體的進(jìn)化過(guò)程。交叉運(yùn)算能夠高效的利用粒子自身的冗余和互補(bǔ)信息,并且能夠直接優(yōu)化實(shí)數(shù)空間上的個(gè)體,所以為了增強(qiáng)粒子的多樣性將遺傳算法中的模擬二進(jìn)制交叉運(yùn)算引進(jìn)到進(jìn)化過(guò)程中。這過(guò)程除了避免復(fù)雜的編碼步驟,而且在每次交叉運(yùn)算中可同時(shí)生成兩個(gè)樣本粒子,增強(qiáng)采樣效率。1)交叉設(shè)定閾值NT(Neff<NT<N),則產(chǎn)生1～NT中的兩個(gè)隨機(jī)數(shù)i,j,利用下列式(11)、(12)按交叉概率pc循環(huán)知道滿足N-Neff個(gè)新粒子。2)變異利用MCMC中的M-H法則對(duì)交叉孕育的粒子進(jìn)行變異,產(chǎn)生符合后驗(yàn)概率的粒子集,同樣保持粒子多樣性,如下:FORi=1,2,…,N②按建議分布采樣。③如果,則接受變異,令。ENDFOR5權(quán)值衍化算法綜上所做鋪墊,一下為融合權(quán)值繁衍與遺傳算法粒子濾波流程如下:Step1:初始化。當(dāng)k=0時(shí),抽取粒子{,1/N;1,2,…,N}～p(x0)。并采用遺傳算法優(yōu)化。當(dāng)k≥1時(shí)。Step2:預(yù)測(cè)。根據(jù)對(duì)k時(shí)刻的N個(gè)粒子進(jìn)行預(yù)測(cè),得預(yù)測(cè)粒子集;i=1,2,…,N}Step3:計(jì)算權(quán)值并歸一化:參考式(7)、(8)。Step4:權(quán)值繁衍。如果需要重采樣,則按把所有粒子一分為二;隨機(jī)地在大權(quán)值粒子群中選取母粒子樣本,連續(xù)與重采樣前的小權(quán)值粒子依據(jù)權(quán)值大小遞加的順序,求取加權(quán)子權(quán)值來(lái)替換小權(quán)值粒子,完成重采樣前的權(quán)值繁衍優(yōu)化處理。Step5:重新計(jì)算并歸一化權(quán)值。按Step3的步驟對(duì)加權(quán)繁衍后的新生粒子群集重新展開(kāi)加權(quán)并歸一化處理。Step6:結(jié)果輸出:Step7:遺傳算法重采樣。選擇式(13)計(jì)算樣本數(shù)Neff。如果Neff<<Nth,則對(duì)粒子進(jìn)行遺傳算法重采樣。Step8:令k=k+1,從Step2開(kāi)始重復(fù)上述過(guò)程,直至濾波結(jié)束。權(quán)值繁衍是建立在權(quán)值本身的一種尋優(yōu)簡(jiǎn)單算法,在采樣過(guò)程中,優(yōu)化算法中粒子,保持粒子中帶有的數(shù)據(jù),避免跟蹤過(guò)程中粒子采樣時(shí)覆蓋選取目標(biāo)的各種狀態(tài)可能性。繁衍產(chǎn)生的子權(quán)值保留母權(quán)值原攜有的值大量狀態(tài)。重采樣只在粒子枯竭僅當(dāng)重要型權(quán)值嚴(yán)重退化時(shí)才會(huì)發(fā)生,這時(shí)引進(jìn)遺傳算法重采樣。6實(shí)驗(yàn)分析和結(jié)果6.1仿真實(shí)驗(yàn)2:權(quán)值衍生粒子濾波本文引用一個(gè)典型例子,其狀態(tài)和觀測(cè)方程為以上方程中參數(shù)其中:,wk～N(0,δw)。a,β=25,γ=8,μ=1.2,u=0.05。該DSSM的非線性非常強(qiáng),方程(16)中的時(shí)間余弦與狀態(tài)無(wú)關(guān)。即可歸類為時(shí)變部分也可歸納為非線性模型。繁衍權(quán)值的終止條件為迭代10次,粒子數(shù)位150。在跟蹤方面,本算法體現(xiàn)出較強(qiáng)的跟蹤能力如圖1所示(兩種算法的估計(jì)結(jié)果)。WMPF較PF在跟蹤軌跡方面與真實(shí)值的誤差較小,圖1仿真結(jié)果說(shuō)明WMPF在跟蹤方面較PF有更好的跟蹤效果。圖2基于兩種算法粒子數(shù)對(duì)于RMSE的影響。左邊為傳統(tǒng)算法,右邊為本算法的柱狀圖均方根誤,橫坐標(biāo)為粒子數(shù),由數(shù)據(jù)得知隨粒子數(shù)的增加均方根誤差相應(yīng)之減小,但當(dāng)粒子數(shù)大于300后,均方根誤差逐漸趨于穩(wěn)定,幾乎不影響仿真結(jié)果(由于粒子數(shù)大量增加而影響運(yùn)算時(shí)間,從而影響實(shí)時(shí)性,所以大于300粒子數(shù)本論文不做仿真)。權(quán)值繁衍粒子濾波算法也體現(xiàn)于在于緩解粒子退化與枯竭方面,圖3給出兩種算法粒子獨(dú)立數(shù)量對(duì)比。可清晰看出,權(quán)值繁衍算法粒子獨(dú)立數(shù)據(jù)較傳統(tǒng)算法幾乎呈現(xiàn)翻倍(實(shí)為1.96倍)。獨(dú)立粒子比重越高,算法效果越好。這也是表現(xiàn)粒子多樣性的重要標(biāo)準(zhǔn)之一。進(jìn)一步體現(xiàn)跟蹤方面算法的強(qiáng)勢(shì)。6.2仿真實(shí)驗(yàn)結(jié)果仿真對(duì)物體遮擋情況下機(jī)動(dòng)目標(biāo)采用傳統(tǒng)粒子濾波算法和權(quán)值繁衍粒子濾波算法進(jìn)行測(cè)試。視頻中,由于目標(biāo)和攝像機(jī)均在移動(dòng),因此目標(biāo)幀間位移較大,而且背景較為復(fù)雜,存在遮擋情況,給跟蹤帶來(lái)較大的干擾。實(shí)驗(yàn)平臺(tái)為Pentium43GHzCPU,2GB內(nèi)存的PC,編程環(huán)境是采用MATLAB,采樣粒子數(shù)為200。現(xiàn)通過(guò)仿真結(jié)果視頻序列進(jìn)行分析。在運(yùn)動(dòng)中,人物經(jīng)過(guò)樹(shù)干時(shí)經(jīng)歷短暫的遮擋,分別利用傳統(tǒng)算法與本算法的跟蹤結(jié)果進(jìn)行比較。在傳統(tǒng)算法跟蹤的過(guò)程中目標(biāo)丟失,粒子呈現(xiàn)發(fā)散狀,跟蹤誤差較大,嚴(yán)重影響了后續(xù)跟蹤質(zhì)量,但在像素高的情況下,跟蹤誤差也有所下降。而在權(quán)值繁衍算法跟蹤效果下,跟蹤的可靠性得到了較大的保證,從對(duì)比圖4(PF)與圖5(WMPF)可以看出在經(jīng)過(guò)樹(shù)干后WMPF依然保持良好的跟蹤效果,試驗(yàn)中也體現(xiàn)出6.1的實(shí)驗(yàn)分析中獨(dú)立粒子數(shù)在跟蹤中的重要性。同時(shí)也從側(cè)面驗(yàn)證了本算法較傳統(tǒng)算法有較高的可靠性與更貼近實(shí)際應(yīng)用價(jià)值。5法中存在的問(wèn)題粒子濾波目標(biāo)跟蹤是一個(gè)具有挑戰(zhàn)性的新興算法,既有研究理論意義,也有實(shí)用價(jià)值。傳統(tǒng)算法在隨著粒子濾波相關(guān)算法的展開(kāi)顯示出:單一從復(fù)制權(quán)值的方法是行不通的,但新生算法中仍存在很多問(wèn)題,需要研究學(xué)者不斷探索分析才能找到解決辦法。本文改進(jìn)的