文档介绍：基于多模式多特征融合粒子滤波视频目标跟踪
姚红革
(西安工业大学计算机科学与工程学院,西安 710032)
摘要:(目的)本文研究了目标的多特征融合跟踪问题。(方法)提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量。(结果)该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合。(结论)实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性, 较高的识别精度。
关键词: 视频目标跟踪;粒子滤波;多特征融合;
1 引言
对于复杂情形下的视频目标跟踪问题(例如光照变化、背景复杂,目标与背景色相近,目标形状变化、被遮挡等),依靠单一的视觉特征往往是不充分和不稳定的,很难取得良好的跟踪性能。只有利用多视觉信息融合,利用信息之间的互补性,才能提高跟踪性能。当一种视觉信息在某些场景失效时,可以利用另一种互补的信息继续进行跟踪。
如何对多特征信息进行融合是多信息跟踪系统中一个关键的问题,当前多特征融合中有代表性的模式有:
l) 以似然函数的形式对多种特征进行融合[1-7];
2) 对多种特征有选择的融合[8-12];
3) 采用分层采样方法对多特征进行融合[13];
4) 利用模糊推理实施特征融合[14,15];
5)其它融合模式[16-18]。
上述模式,或采用全特征信息(对所考虑的特征全使用)融合,或对所考虑特征选择融合、分层融合,或模糊推理自适应改变权值融合,都是对多特征信息在整个跟踪过程中以一种融合模式贯穿到底的使用。对于特定的场景,或许在整个跟踪过程中不变化的使用一个融合方式是合适的,但对于复杂的场景,目标在做复杂运动变化的同时背景也在不断的变化着,这时如果再用一种融合模式跟踪始终,跟踪精度就不能得到保证。
因此,较好的方法就是要能根据跟踪的实际情况,灵活转变融合模式。如果将直接基于多特征信息的融合模式称为单模式多特征融合(后简称单模式融合),那么可将在跟踪过
程中,依跟踪实际情况的变化而改变融合模式的跟踪方法称为多模式多特征融合(后简称多模式融合)。前面所述的五类融合模式均为单模式融合,对于多模式融合方法目前还鲜有文献讨论。
本文提出了一种多模式多特征融合方法。在跟踪过程中,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量。根据各特征信息质量在线变化融合模式,达到跟踪过程中各模式的优势互补,实现对已获得的观测数据的最优利用。为了检验所用算法的有效性,与常规的单模式融合:加权和融合模式、乘性融合模式、最大最小模式的跟踪效果进行对比实验,结果证明本章方法在跟踪稳定、可靠度方面具有明显优势。
2 多模式多特征融合策略

多特征信息融合可以增强跟踪的鲁棒性,现有的多特征融合模式有多种,包括加权和融合、乘性融合、最小最大规则[12]、选举规则[19]等等。而乘性融合以及加权和融合是迄今最为常用的技术。最小最大规则、选举规则由乘性融合与加权和融合引申而来。

根据各特征信息状态,多模式融合策略确定如下:
,采用乘性融合模式,因为它会放大退化信息的噪声。非退化状态下用此模式,可减少噪声的影响。
,采用加权融合模式。因为该模式对噪声不敏感,少量信息退化采用此模式,也能使噪声的影响减小。
,采用选举融合模式。选举模式依跟踪状态以选举方式剔除部分退化信息,减少噪声影响确保有限信息情况下跟踪的可靠。
,采用最大、最小模式。即舍弃退化的特征,用状态最好的特征进行跟踪。
以乘性融合与加权和融合为例,在各特征似然函数处于高置信度时使用乘性融合方式;当出现某个特征退化时,切换到加权和融合方式以得到更稳定的融合似然函数。

多模式融合中模式变更策略是基于各特征状态的,对特征的状态标量是多模式融合的关键。在求取特征状态标量之前,先对相对效率RNE进行说明,Geweke等人[19]将RNE的定义如下:
⑴
其中是根据重要抽样密度抽样得到的估计方差;是根据后验概率密度抽样得到的蒙特卡罗估计方差。由粒子滤波理论可知,只有在理想状态下的估计方差与方差相等,一般来说前者要大于后者,Geweke证明两者之比约为,其中为从重要密度分布中所抽样本(粒子)的权值方差。
式(1)说明权值方差是粒子集状态的一个重要衡量。那么可以认为影响特征状态的关键也是组成该特征的抽样样本(粒子集)权值方差。为了进一步明确各特征抽样样本的权值方差与各特征状态