融合權值衍射與遺傳算法的粒子濾波算法及人機界面跟蹤

融合權值衍射與遺傳算法的粒子濾波算法及人機界面跟蹤

1跟蹤目標的不確定性隨著計算機成像技術的發(fā)展，成像技術也成為一個熱門主題。機械感知和導航、信號傳輸和壓縮、人體輪廓跟蹤和其他數據處理技術密切相關。而運動物體跟蹤也是研究對象之一。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。對于跟蹤算法主要集中在粒子濾波算法上面。粒子濾波對于遮擋和背景的干擾魯棒性比較強,容易實現,粒子濾波算法的隨機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提高狀態(tài)估計精度,故實時性仍有待改進,而粒子匱乏和缺少多樣性也是其主要缺點。本文應用粒子濾波對運動物體進行跟蹤,在跟蹤過程中有4個主要難點:①剛體與非剛體是難點之一,特別在復雜環(huán)境下的跟蹤。人體是非剛體,以至于需要更靈活的觀測模型來適應其姿勢變化。②在物體運動過程中會發(fā)生部分遮擋和全部遮擋現象,當物體被遮擋時物體的觀測模型無法完全觀測到。③光線的改變會引起顏色特征發(fā)生明顯變化,以致于算法失效。④機動目標由于無法準確預知目標下一時刻的運動狀態(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),當目標遮擋時,容易發(fā)生跟蹤偏離與失敗的缺陷。粒子預測中心位置與目標模板的確定,可以確保目標在復雜背景下跟蹤的準確性。權值繁衍:權值的優(yōu)化,經過母權值繁衍子權值,使部分小權值粒子從低似然區(qū)向高似然域逼近,增加粒子的遺傳性,避免跟蹤過程中粒子采樣時覆蓋選取目標的各種狀態(tài)可能性,全面提高狀態(tài)空間的質量與跟蹤可靠性。本文通過權值繁衍算法與傳統(tǒng)算法的仿真對比,來驗證改進算法。2圖像序列中直接圖像的統(tǒng)計直方圖分布模型在確定運動跟蹤目標后,基于指數分布建立統(tǒng)計模型。在跟蹤區(qū)域中心,屬于運動目標的概率為1,在偏離中心的距離大于閾值時,概率屬于指數衰減:可得到目標的統(tǒng)計直方圖分布模型在初始圖像中,給定包含目標的固定區(qū)域。為方便起見,可以設定圖像固定的區(qū)域中心為0向量。由上分析可得到相對應的直方圖統(tǒng)計分布p0(u),令q0(u)=p0(u)。在隨后的圖像序列中,待選區(qū)域的中心設為y,通?？傻孟鄳闹狈綀D統(tǒng)計分布py(u)。采用巴氏系數(Bhattacharyya)測量2種圖像之間分布的相似度:式中ρ系數越大,說明兩張圖片直方圖分布越相似。當ρ取最大值ρ=1時,完全匹配。用表示巴氏系數的距離。3概率密度近似粒子濾波就是最優(yōu)的貝葉斯估計,通過尋找一族在狀態(tài)空間中傳播的隨機樣本,對概率密度p(xk|yk)進行近似。其重要思想為:用一族具有權值的n個粒子來完全描述后驗概率分布。根據蒙特卡羅理論,當粒子的數目足夠多時,這組具有權值的粒子就能完全地描述后驗概率分布,此時,粒子濾波就是最優(yōu)的貝葉斯估計。3.1更新遞歸迭代方式首先為了描述目標跟蹤問題,在非線性環(huán)境下定義如下狀態(tài)空間方程:結合切普曼-科爾莫戈羅夫等式和馬爾可夫過程,再通過預測和更新遞歸迭代方式便構成了貝葉斯估計。對于SIS粒子濾波算法的具體內容詳見文獻。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時刻,根據重點密度抽樣出Np個粒子,假定抽樣出的每個粒子用<,1/N>表示,令k=1。Step2:預測Step3:加權Step4:權值歸一化Step5:濾波計算k時刻的濾波密度,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的選取,出現退化現象的必然性。SIR方案中,算法雖然可以解決退化問題,但又帶來了喪失粒子多樣性的問題。對此,國內外學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題,但解決不了算法依賴性。進化粒子濾波算法雖然能解決估計問題,單算法相對復雜,影響跟蹤實時性。因此重采樣的選用要依據一些準則,目前常用的準則就是依據有效粒子數Neff,定義為:其中round(·)為取整運算。如果Neff越小,表明退化現象越嚴重。4交叉運算優(yōu)化模型重采樣是在式(10)衡量粒子權值后,維持粒子總數不變且不考慮算法質量的情況下,刪減權值較低的粒子,復制權值高的粒子,來增強粒子的采樣效率。依上述算法重采樣采用的僅僅是過于簡單復制和肆意刪除的思想,必然導致在重采樣后大量重復的樣本粒子用于逼近當前真實狀態(tài)。對此遺傳算法重采樣在此過程中表現出自身優(yōu)越性?；趯ι镞M化原理的建模,共產生了3種經典的優(yōu)化模型:遺傳算法、進化策略、進化規(guī)劃。從遺傳算法優(yōu)越的能力角度來說,交叉運算是產生新個體的主要方法之一,它決定了遺傳算法的全局搜索能力,著眼于單個個體在其生存環(huán)境中的進化,強調的是個體的進化過程。交叉運算能夠高效的利用粒子自身的冗余和互補信息,并且能夠直接優(yōu)化實數空間上的個體,所以為了增強粒子的多樣性將遺傳算法中的模擬二進制交叉運算引進到進化過程中。這過程除了避免復雜的編碼步驟,而且在每次交叉運算中可同時生成兩個樣本粒子,增強采樣效率。1)交叉設定閾值NT(Neff<NT<N),則產生1～NT中的兩個隨機數i,j,利用下列式(11)、(12)按交叉概率pc循環(huán)知道滿足N-Neff個新粒子。2)變異利用MCMC中的M-H法則對交叉孕育的粒子進行變異,產生符合后驗概率的粒子集,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權值衍化算法綜上所做鋪墊,一下為融合權值繁衍與遺傳算法粒子濾波流程如下:Step1:初始化。當k=0時,抽取粒子{,1/N;1,2,…,N}～p(x0)。并采用遺傳算法優(yōu)化。當k≥1時。Step2:預測。根據對k時刻的N個粒子進行預測,得預測粒子集;i=1,2,…,N}Step3:計算權值并歸一化:參考式(7)、(8)。Step4:權值繁衍。如果需要重采樣,則按把所有粒子一分為二;隨機地在大權值粒子群中選取母粒子樣本,連續(xù)與重采樣前的小權值粒子依據權值大小遞加的順序,求取加權子權值來替換小權值粒子,完成重采樣前的權值繁衍優(yōu)化處理。Step5:重新計算并歸一化權值。按Step3的步驟對加權繁衍后的新生粒子群集重新展開加權并歸一化處理。Step6:結果輸出:Step7:遺傳算法重采樣。選擇式(13)計算樣本數Neff。如果Neff<<Nth,則對粒子進行遺傳算法重采樣。Step8:令k=k+1,從Step2開始重復上述過程,直至濾波結束。權值繁衍是建立在權值本身的一種尋優(yōu)簡單算法,在采樣過程中,優(yōu)化算法中粒子,保持粒子中帶有的數據,避免跟蹤過程中粒子采樣時覆蓋選取目標的各種狀態(tài)可能性。繁衍產生的子權值保留母權值原攜有的值大量狀態(tài)。重采樣只在粒子枯竭僅當重要型權值嚴重退化時才會發(fā)生,這時引進遺傳算法重采樣。6實驗分析和結果6.1仿真實驗2:權值衍生粒子濾波本文引用一個典型例子,其狀態(tài)和觀測方程為以上方程中參數其中:,wk～N(0,δw)。a,β=25,γ=8,μ=1.2,u=0.05。該DSSM的非線性非常強,方程(16)中的時間余弦與狀態(tài)無關。即可歸類為時變部分也可歸納為非線性模型。繁衍權值的終止條件為迭代10次,粒子數位150。在跟蹤方面,本算法體現出較強的跟蹤能力如圖1所示(兩種算法的估計結果)。WMPF較PF在跟蹤軌跡方面與真實值的誤差較小,圖1仿真結果說明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對于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,橫坐標為粒子數,由數據得知隨粒子數的增加均方根誤差相應之減小,但當粒子數大于300后,均方根誤差逐漸趨于穩(wěn)定,幾乎不影響仿真結果(由于粒子數大量增加而影響運算時間,從而影響實時性,所以大于300粒子數本論文不做仿真)。權值繁衍粒子濾波算法也體現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立數量對比?？汕逦闯?權值繁衍算法粒子獨立數據較傳統(tǒng)算法幾乎呈現翻倍(實為1.96倍)。獨立粒子比重越高,算法效果越好。這也是表現粒子多樣性的重要標準之一。進一步體現跟蹤方面算法的強勢。6.2仿真實驗結果仿真對物體遮擋情況下機動目標采用傳統(tǒng)粒子濾波算法和權值繁衍粒子濾波算法進行測試。視頻中,由于目標和攝像機均在移動,因此目標幀間位移較大,而且背景較為復雜,存在遮擋情況,給跟蹤帶來較大的干擾。實驗平臺為Pentium43GHzCPU,2GB內存的PC,編程環(huán)境是采用MATLAB,采樣粒子數為200?，F通過仿真結果視頻序列進行分析。在運動中,人物經過樹干時經歷短暫的遮擋,分別利用傳統(tǒng)算法與本算法的跟蹤結果進行比較。在傳統(tǒng)算法跟蹤的過程中目標丟失,粒子呈現發(fā)散狀,跟蹤誤差較大,嚴重影響了后續(xù)跟蹤質量,但在像素高的情況下,跟蹤誤差也有所下降。而在權值繁衍算法跟蹤效果下,跟蹤的可靠性得到了較大的保證,從對比圖4(PF)與圖5(WMPF)可以看出在經過樹干后WMPF依然保持良好的跟蹤效果,試驗中也體現出6.1的實驗分析中獨立粒子數在跟蹤中的重要性。同時也從側面驗證了本算法較傳統(tǒng)算法有較高的可靠性與更貼近實際應用價值。5法中存在的問題粒子濾波目標跟蹤是一個具有挑戰(zhàn)性的新興算法,既有研究理論意義,也有實用價值。傳統(tǒng)算法在隨著粒子濾波相關算法的展開顯示出:單一從復制權值的方法是行不通的,但新生算法中仍存在很多問題,需要研究學者不斷探索分析才能找到解決辦法。本文改進的