0 引言

在计算机数据处理能力不断飞速的今天，移动视频目标跟踪是图像处理及机器视觉领域中的一个研究热点。移动视频目标跟踪在视频监控、智能交通、虚拟现实领域被广泛的使用。虽然研究人员已经提出多种目标跟踪的算法，但是目标与背景之间的颜色相近、目标移动太快、目标的遮挡和光照等问题一直是影响检测效果的难题。

粒子滤波作为一种新兴的解决非线性问题的方法，在移动目标跟踪中成为研究的热点^[1]。本文将其应用到船舶移动目标跟踪中，在应用的过程中对颜色特征、前景信息和移动速度预测等问题进行了优化，设计了一种鲁棒性高的移动视频目标跟踪智能过滤算法。

1 移动视频目标跟踪中的粒子滤波算法实现

粒子滤波的思想是在状态空间中为随机样本寻找一组可以近似的概率密度函数$p({x_k}\left| {{z_k}} \right.)$，然后求取涨停的最小估计方差。其系统模型为：

$ \begin{array}{l} {x_k} = {f_k}({x_{k - 1}}) + {v_{k - 1}},t \in N,\\ {z_k} = {h_k}({x_k}) + {n_k},t \in N。 \end{array} $

(1)

其中，${f_k}$是非线性系统的状态方程，${x_k}$是状态向量，${v_k}$是系统的噪声向量，${z_k}$是观测向量，${h_k}$是非线性观测方程，${n_k}$是观测噪声向量。利用粒子滤波过滤处理移动目标跟踪归根到底是得到最优贝叶斯估计效果。

$\{ x_{i:k}^i,w_k^i\} _{i = 1}^N$是后验概率密度函数$p({x_{0:k}}\left| {{z_{1:k}}} \right.)$的粒子集，$\{ x_{0:k}^i,i = 1,...,N\} $是支持样本集，其对应的权重值是 $\{ w_{0:k}^i,i = 1,...,N\} $，且 $\sum\limits_{i = 1}^N {w_k^i} \!=\! 1。$ ${x_{0:k}} \!=\! \{ {x_j},j \!=\! 0,...,k\} $是k时刻系统中全部状态的集合。则k时刻的后验概率密度为：

$ p({x_{0:k}}\left| {{z_{1:k}}} \right.) \approx \sum\limits_{i = 1}^N {w_k^i\delta ({x_{0:k}} - x_{0:k}^i)} , $

(2)

由此可以简化求取数学期望、积分等运算。

本文将粒子滤波应用到移动视频目标跟踪中的智能过滤中，在其实现过程中还考虑了SIS算法与粒子重采样，其具体实现过程如下：

1）初始化粒子种群

在检测到跟踪目标后，在其初始位置${X_0}$的周围分布N个粒子，本文令$N = 300$。

2）得到不同粒子的权重值

令移动视频目标跟踪系统的状态是 ${X_1},{X_2},...,{X_n}$，若用任意的粒子 ${X_i}$（ $i = 1,2,...,n$）来估计目标A，则需要对粒子 ${X_i}$进行相应的操作，即为：统计 ${X_i}$所对应的矩形框的前景颜色的直方图向量H，此向量是16维的，由此得到最初的跟踪信息，每个粒子的颜色直方图 ${H_i}$的权重是 ${W_i}$，其定义为 $H$和 ${H_i}$的内积^[2]，即为 ${W_i} = \exp (10 \times < H,{H_i} > )$，然后分别得到不同粒子 ${X_1},{X_2},...,{X_n}$所得到的权重 ${W_1},{W_2},...,{W_n}$。

3）更新粒子的位置

估计粒子群 ${X_1},{X_2},...,{X_n}$和其对应的权重 ${W_1},{W_2},...,{W_n}$，利用加权得到粒子的当前位置：

$ X = {X_1} \times {W_1} + {X_2} \times {W_2} + ... + {X_n} \times {W_n}, $

(3)

其中： ${X_i}$是目标的位置点。

4）对粒子重新采样

每个粒子的权重不同，在进行过滤处理的过程中随着处理帧数的增多，权重值会集中在少数粒子身上，为了提高预测的准确性，需要对粒子的权重进行调整，即为使得每个粒子的重要性相同，则对粒子进行重新采样，得到新的粒子群为$X_1',X_2',...,X_n'$。

5）实现粒子群的更新

为了下一时刻更好的预测，对得到的新的粒子群进行更新，即为 $X_i'$更新成 $X_i^{''}$，其更新的方法是看粒子 $X_i'$更新成 $X_i^{''}$的概率 $p({x_k}\left| {{x_{k + 1}}} \right.)$，则粒子更新可以表示为：

$ {X^{''}} = {X'} + v(k) + n, $

(4)

式中，v是粒子更新的速度，计算方法是根据当前n帧的位置，得到目标的平均速度${v_{mean}}$以及帧n的${v_{curren}}$，通过下式的线性求和可以得到粒子更新的当前速度。

$ v = \frac{{(n - 1){v_{mean}} + {v_{curren}}}}{n}。 $

(5)

6）回到步骤2继续进行粒子滤波。

2 粒子滤波的目标跟踪算法优化

通过粒子滤波实现对目标跟踪的智能过滤，可以集成不同的技术对其优化，本文利用积分图算法来提高系统的运算效率。

利用原图像中像素$(x,y)$左上角所有特征值的和来表示积分图运算中像素 $({x'},{y'})$的特征值，在用其表示区域$R({x'},{y'};{x^{''}},{y^{''}})$的特征值可以描述为^[3]：

$ R({x'},{y'};{x^{''}},{y^{''}}) = II({x^{''}},{y^{''}}) - II({x'},{y^{''}})\\ - II({x^{''}},{y'}) + II({x'},{y'})。 $

(6)

根据上式可知，要获取某区域的特征值，仅仅需要对此区域进行特征值统计，然后利用上式进行求取即可。在利用粒子滤波的过程中，每一帧图像中粒子的数量非常多，如果将每个粒子的邻域都做梯度统计会有非常大的运算量，而利用积分图运算，统计图像RGB颜色的亮度积分图、梯度积分图能够大大的降低计算所付出的代价。

为了避免目标物体被遮挡的问题，本文利用混合高斯建模算法进行前景分割，从而过滤掉了视频中背景的干扰问题。实现过程是：如果出现目标被遮挡的问题，那么将此区域的特征统计为0，然后进入下一个区域进行判断，这样可以有效地提高算法的计算效率，也能防止遮挡物与目标物颜色相近时的干扰问题。

在对移动视频分析时，需要选择有代表性的特征，这样不仅能够增强系统的鲁棒性还能降低系统的计算量，因此本文利用目标的分段直方图进行目标的特征统计，在实现过程中，将目标分成上下两部分，用直方图进行特征统计。在计算目标模板与候选目标相似度时，要综合考虑目标上下两部分的相似度。令curregion为0和1，分别表示目标的上下部分。

通过目标与目标之间的相关性来判断目标之间是否有遮挡。如果2个目标之间的相关性较小，则说明二者没有遮挡或者遮挡性较小；反之，则需要进一步通过空间位置上是否有重叠来判断目标间是否有遮挡。

在进行移动目标跟踪的过程中，海况会发生变化，如天气变化、风浪流的变化，一定会影响视频拍摄设备的性能，因此需要对目标跟踪区域进行亮度补偿^[4]。

3 实验仿真及结果分析

本文在实验仿真过程中，利用Visual 2010进行移动视频目标跟踪智能滤除算法编程，输入的视频大小为352×288，格式是AVI格式。根据本文算法对移动中的大量船舶进行跟踪实验，实验中的视频含有遮挡、复杂场景、光照变化等问题，通过实验对比数据来说明本文优化后算法的有效性。

从图 1的实验数据可以看出，粒子滤波估计值与状态值之间的误差较小，到达了过滤作用，同时，系统在时刻18，28，65，85等时刻会出现误差较大的情况，这是因为概率性估计存在的误差。

本文将粒子滤波、本文优化的重采样粒子过滤以及正则过滤进行估计误差均方值比较，比较结果如表 1所示。

从表 1可以看出，在粒子数为300时，不同采样步长下，本文所采用的算法和正则粒子过滤算法的误差估计要明显小于传统的粒子过滤。

4 结语

本文首先阐述了粒子滤波的原理，并给出了粒子滤波在移动视频目标跟踪中的实现流程，针对实现过程的计算效率慢、计算量大等问题，利用积分图算法、亮度补偿等方法进行了优化。最后通过实验来说明本文所采用的算法在智能过滤方面鲁棒性强、估计误差小。