基于粒子濾波的多運動目標跟蹤目錄討論實驗結果演示基于團塊分析的多運動目標跟蹤框架基于粒子濾波的運動目標跟蹤運動目標跟蹤簡介運動目標跟蹤簡介什么是運動目標跟蹤？

運動目標的跟蹤就是在視頻圖像的每一幅圖像中確定出感興趣的運動目標（例如車輛、行人、動物等）的位置，并把不同幀中同一目標對應起來，形成完整的軌跡。運動目標跟蹤簡介運動目標檢測與運動目標跟蹤的區別？運動目標檢測是檢測圖像中的運動目標，不做目標之前的關聯；

運動目標跟蹤是找出同一目標在不同幀的位置，并將其關聯起來。分類

靜態背景目標跟蹤動態背景目標跟蹤

單目標跟蹤

多目標跟蹤運動目標跟蹤簡介軍事公安方面的應用：在軍事方面主要用于導彈的精確制導，可疑目標的檢測與跟蹤公安業務圖片的判讀分析，指紋識別，人臉識別，不完整圖片的復原，以及智能交通監控、事故分析等。工業方面的應用：具備視覺、聽覺和觸覺功能的智能機器人的成功應用。生物醫學工程方面的應用：各種細胞的運動分析檢測和判別123智能交通方面：通過對道路交通情況的實時監控，利用圖像處理技術對各種情況作出準確的判斷。4體育方面的應用：對運動員在比賽或者是訓練中的技術動作的視頻進行分析，得出精確的運動參數進行分析。5運動跟蹤應用領域運動目標跟蹤簡介運動目標跟蹤方法概述視頻目標跟蹤算法基于對比度分析基于匹配核方法運動檢測其它方法特征匹配貝葉斯跟蹤Meanshift方法光流法目錄討論實驗結果演示基于團塊分析的多運動目標跟蹤框架基于粒子濾波的運動目標跟蹤運動目標跟蹤簡介基于粒子濾波的運動目標跟蹤動態狀態空間模型統計信號處理中的非線性濾波問題廣泛存在于自動控制、跟蹤、數字通信、經濟統計等領域,其基本任務就是要從受噪聲污染的觀測量中去遞推地估計不可觀測的系統狀態,該系統被稱為動態狀態空間（DSS）模型。

DSS模型至少需要兩個參考模型，即描述隨時間變化的狀態模型及與狀態有關并帶有噪聲的觀測模型。

該模型的目的就是要遞推地在每次獲得觀測量

后,估計狀態量

的條件概率密度

狀態模型：觀測模型：基于粒子濾波的運動目標跟蹤貝葉斯濾波器

通過時間預測和測量更新這兩步的反復迭代,就可最優地估計出缺點

最優解僅在少數情況才是解析和有限維的，如在模型線性以及噪聲和初始狀態均為高斯獨立分布時，線性高斯卡爾曼濾波。而對于一般的非線性DSS模型,上述最優解通常并不解析,而且隨著時間的推移將趨于無窮維。基于粒子濾波的運動目標跟蹤擴展卡爾曼濾波因為“維數災難”以及運算量和存儲量的急劇膨脹而使得該最優解在物理上不可實現,在工程上也只需做某種近似即可,即尋找上述問題的次優解。用的最多的次優算法便是擴展卡爾曼濾波。缺點

狀態維數的增高會導致運算量的迅速增大,而且濾波器傳遞的是一、二階的統計信息,在非線性、非高斯特性較強時濾波性能急劇下降甚至會發散。粒子濾波器則有望克服上述方法存在的缺陷。基于粒子濾波的運動目標跟蹤粒子濾波

粒子濾波(ParticleFilter)的思想基于蒙特卡洛方法，其核心思想是通過從后驗概率中抽取的隨機狀態粒子來表達其分布。

簡單來說，粒子濾波法是指通過尋找一組在狀態空間傳播的隨機樣本對概率密度函數進行近似，以樣本均值代替積分運算，從而獲得狀態最小方差分布的過程。這里的樣本即指粒子,當樣本數量N→∝時可以逼近任何形式的概率密度分布。

簡單來說，粒子濾波是用一個N粒子的帶有權值的粒子集的樣本均值來近似替代。基于粒子濾波的運動目標跟蹤粒子濾波應用舉例t-1幀t幀運動目標：(紅色矩形)粒子：(藍色矩形)p1p2p3p4pn……團塊信息：基于粒子濾波的運動目標跟蹤

基于粒子濾波的運動目標跟蹤粒子濾波應用領域

粒子濾波技術在非線性、非高斯系統表現出來的優越性，決定了它的應用范圍非常廣泛。國際上，粒子濾波已被應用于各個領域：

在經濟學領域，被應用在經濟數據預測；

在軍事領域，已經被應用于雷達跟蹤空中飛行物，空對空、空對地的被動式跟蹤；

在交通管制領域，被應用在對車或人視頻監控；

在人工智能領域，被用于機器人的全局定位。基于粒子濾波的運動目標跟蹤粒子濾波算法過程1）系統粒子初始化2）重要性采樣3）計算粒子權重4）重采樣5）輸出狀態估計粒子初始化計算粒子權重重采樣輸出狀態估計重要性采樣基于粒子濾波的運動目標跟蹤

初始目標狀態初始粒子基于粒子濾波的運動目標跟蹤Step2:重要性粒子采樣（粒子狀態轉移）根據粒子的重要性概率密度函數以及k-1時刻的粒子集

計算出k時刻新的粒子集

重要性粒子采樣意味著在權重值較高的粒子附近取更多的粒子，在權重值較少的粒子附近取更少量的粒子。基于粒子濾波的運動目標跟蹤Step3:計算粒子權重

在得到預測粒子后，并不是所有的預測粒子得到k時刻觀測值的概率是相等的。越是接近真實狀態的粒子，當然越有可能獲得觀測值。k時刻的預測粒子與k-1時刻的目標狀態之間的相似性越大，則粒子的權重越大。K-1時刻目標狀態K時刻樣本粒子0.050.10.020.01假設圖中以空間距離為標準，則各粒子的權重如下圖：基于粒子濾波的運動目標跟蹤Step3:計算粒子權重

計算出所有粒子的權重值后，歸一化權重值：基于粒子濾波的運動目標跟蹤Step4:重采樣

基本思想就是消除權重很小的無效粒子，復制高權值的粒子，盡量利用權重較大的粒子，形成新的粒子集。基于粒子濾波的運動目標跟蹤第一步：經過系統觀測后每個粒子的權重被更新，其中更符合實際情況的粒子，被賦予較大的權重（圖中用面積較大的圓點表示），而偏離實際情況的粒子被賦予較小的權重（圖中以面積較小的圓點表示）第二步：即重采樣過程，前一代的粒子被復制為“后代”粒子，其中權值較大的粒子被復制為更多“后代”粒子，而權值較小的粒子被復制的次數較少，一些權值特別小的粒子不會被復制，從而在重采樣過程中被丟棄。所有“后代”粒子的權值都被設置為1/N。基于粒子濾波的運動目標跟蹤Step5:輸出狀態估計

Step6:k=k+1,返回step2。基于粒子濾波的運動目標跟蹤粒子濾波算法的缺點一：樣本數量問題

需要用大量的樣本數量才能很好地近似系統的后驗概率密度。面臨的環境越復雜，描述后驗概率分布所需要的樣本數量就越多，算法的復雜度就越高。二：樣本貧化(SampleImpoverishment)

重采樣方法會帶來粒子貧化的問題即權值大的粒子被復制較多，而權值較小的粒子被復制較少甚至沒有子代。因此粒子集合的多樣性減弱，不足以用來近似后驗概率密度，甚至出現全部粒子都來自少數幾個權值最大的粒子的情況。基于粒子濾波的運動目標跟蹤粒子濾波在運動跟蹤中的應用—初始化粒子t-1幀t幀運動目標：(紅色矩形)粒子：(藍色矩形)p1p2p3p4pn……團塊信息：基于粒子濾波的運動目標跟蹤粒子濾波在運動跟蹤中的應用—粒子權重計算1)特征選取

選取圖像的RGB顏色直方圖作為特征,分別計算目標區域、每個粒子的顏色直方圖。基于粒子濾波的運動目標跟蹤粒子濾波在運動跟蹤中的應用—粒子權重計算2）相似度計算

計算每個粒子與運動目標區域的相似度，這里我們采用直方圖的巴氏距離進行計算，距離越小，則表示粒子與目標區域的相似度越大，粒子權重也就越大。

顏色直方圖1表示為：顏色直方圖2表示為：

則直方圖之間的巴氏距離可表示為：

相似度可表示為：基于粒子濾波的運動目標跟蹤

基于粒子濾波的運動目標跟蹤應用中遇到的問題：1）粒子數量問題

粒子數量過多，算法速度過慢，無法滿足應用的實時性；粒子數量過少，算法速度快，但是算法的準確性明顯下降。2）顏色直方圖bin數量問題

顏色直方圖的bin的數量很大程度上影響到粒子權重計算的時間。bin數量過多，直方圖維數大，計算粒子權重時耗時大；bin數量少，直方圖包含的信息量少，無法很好的表征圖像信息，跟蹤的準確率下降。結論根據實際應用，選取合適的粒子數量、顏色直方圖的bin數量很重要。基于粒子濾波的運動目標跟蹤主要改進1）顏色空間

RGB、HSV2）

特征選取

顏色直方圖、邊緣輪廓特征(梯度直方圖)、角點等；

各特征融合，如顏色直方圖+邊緣特征。基于粒子濾波的運動目標跟蹤主要改進3）特征表征方式整體和分塊。4）重采樣方式

針對粒子貧化問題的改進目錄討論實驗結果演示基于團塊分析的多運動目標跟蹤框架基于粒子濾波的運動目標跟蹤運動目標跟蹤簡介基于團塊分析的多運動目標跟蹤框架引入團塊分析的原因

多運動目標跟蹤時，如果對每一個目標都進行單獨的預測，算法耗時過大，不是滿足監控應用的實時性。因此我們需要盡量避免粒子預測，這里我們引入團塊分析策略。提取前景團塊

首先我們對每一幀圖像進行運動目標檢測處理，常用的方法有背景差分法、幀間差分法、光流法等，目前背景差分法中的背景建模方法應用廣泛，典型的有vibe、混合高斯、碼本方法等。運動檢測的結果一般如下：

基于團塊分析的多運動目標跟蹤框架團塊關系矩陣構建假設前一幀圖像中包含4個團塊，分別是PBlob1、PBlob2、PBlob3、PBlob4假設當前幀圖像中包含4個團塊，分別是CBlob1、CBlob2、CBlob3、CBlob4假設1表示團塊有重疊部分，0表示無重疊，通過對團塊距離的計算，得到如下圖所示的團塊關系矩陣：0000011001000001CBlob1CBlob2CBlob3CBlob4PBlob1PBlob2PBlob3PBlob4基于團塊分析的多運動目標跟蹤框架團塊分類

可分為五大類：消失的團塊、新出現的團塊、分裂的團塊、交叉的團塊、正常匹配的團塊消失的團塊

行元素都為0，即前一幀中的該團塊沒有與當前幀中的任何團塊重疊，如PBlob1；現實情況如車輛、行人離開場景等。新出現的團塊

列元素都為0，即前一幀中的任一團塊都沒有與當前幀的該團塊重疊，如CBlob1；現實情況如車輛、行人進入場景。基于團塊分析的多運動目標跟蹤框架分裂的團塊

行元素至少有2個不為0，即前一幀的該團塊與當前幀中的兩個以上團塊重疊，如PBlob2；現實情況如人群分離。交叉的團塊

列元素至少有2個不為0，即前一幀中的多個團塊與當前幀的該團塊重疊，如CBlob2；現實情況如行人、車輛相遇等。正常匹配的團塊

該元素所在的行列除了該元素本身外都為0，即前一幀的某一團塊與當前幀的團塊正常匹配。現實情況下如場景中的單一行人軌跡。基于團塊分析的多運動目標跟蹤框架總體思想

1）新出現的團塊、消失的團塊、正常匹配的團塊、分裂的團塊（可以認為是新出現的團塊的特例）等四種團塊都可以直接跟蹤；