。按照遮挡时间长短， 可分为： 瞬时遮挡
和长时间遮挡。 其中运动目标被场景中的静止物 体所遮 挡 是 遮 挡 中 的 常 见 问 题。 多 特 征 跟 踪 算 法
［2 —4 ］
， 对解决目标的自遮挡有良好的效果 ； 多子块
［5 —7 ］
或多区域跟踪算法
， 对运动目标的局部遮挡和
［8 ， 9 ］
联合数据关联 瞬时遮挡下具有良好鲁棒性，
第 12 卷 第 32 期 2012 年 11 月 1671 — 1815 （ 2012 ） 32-8536-03
科
学
技
术
与
工
程
Science Technology and Engineering
Vol. 12 No. 32 Nov． 2012 2012 Sci. Tech. Engrg.
遮挡情况下基于粒子滤波的视觉 跟踪算法研究
A 和 C 即为： 那么， 2 0 A = 1 0 0 2 0 1 －1 0 0 0 0 － 1 C = ， 0 0
珔 X=X k －1 | k －1
F k （ X ） X
，
珔 X=X k －1 | k －1
在视觉跟踪中， 通常取近似的状态转移模型， 在此选择简单二阶自回归模型。如果将 k 时刻视觉
T xk ， yk ， x k －1 ， y k －1］ ， 目标状态变量定义为 X k = ［ 观测 T xk ， y k］ 为视觉目标在二维图像域上的位置 Z k = ［
， 对
解决多目标之间的相互遮挡有良好的效果 。 但是 当目标发生全部遮挡特别是长时间全部遮挡 ， 这些 算法就将失效。 本文在粒子滤波框架下， 提出了静物遮挡情况 下的目标跟踪算法。 首先利用 EKF 对粒子滤波进 行预测采样， 优化了粒子滤波算法， 根据 EKF 预测 判别目标是否发生遮 值和粒子滤波的跟踪值比较， 挡。在遮挡情况下， 利用 EKF 进行跟踪。对于长时 间遮挡， 现提出了跟踪阈值法， 停止 EKF 更新， 减小 误差时间积累， 有效克服了目标丢失问题。
［1 ］
1
基于粒子滤波的视觉跟踪
基于粒 ik ｝ N 组加权的随机样本 （ 又称粒子 ） ｛ X k ， i = 1 近似目
标后验概率分布 p（ X k | Z1： k ） 。由粒子滤波原理可 知， 该跟踪算法包含三个基本步骤： 视觉目标状态 采样与转移、 状态样本加权和状态估计输出。 其中 视觉目标状态采样与转移是影响视觉跟踪性能的 并 重要因素。由于粒子滤波的视觉跟踪的稳健性， 不过度依赖系统的状态转移模型的精确性 。 因此， 大多基于粒子滤波的视觉跟踪， 根据先验知识选择 作为目标的状态转移模型。 但是 特定的统计模型， 当目标发生遮挡时， 由于部分粒子或者全部粒子为 无效粒子， 使得状态转移模型的误差变大， 特别是 在长时间的遮挡情况下， 误差随时间积累， 很容易 丢失目标。
32 期
孙
等： 遮挡情况下基于粒子滤波的视觉跟踪算法研究 巧，
8537
i 珔 q（ X ik | X ik －1 ， Z k ） ≈ N（ X P ik ） 。 k， i i 珔 X 其中， k 和 P k 为 EKF 预测的粒子均值和协方差阵 。
波估计值进行比较， 可判断目标是否被遮挡。 ^ k， ^ a ‖2 。 ^ σ = ‖X a － X k ‖2 / ‖ X k， ^ k， ^ k 为粒子滤波跟踪值， X 式中 X σ a 为 EKF 预测值 ， 为阈值， 通常取 σ = 20% 。 当目标被遮挡的特殊情况下， 可以用 EKF 预测 值作为目标的实际位置进行跟踪。 当目标被长时 间遮挡时， 由于误差积累， 导致跟踪目标丢失。 在 实验时发现大多数被遮挡的区域占图像的比例都 是相对较 小 的， 在 图 像 跟 踪 中， 设 定 阈 值， 可停止 EKF 更新。 ^n ^1 λ = ‖X k， a － X k ‖2 / ‖ sizeX ‖2 。 ^1 ^n X 式中 X k， k， a 为发生遮挡时 EKF 预测值 ， a 为当前遮 挡时 EKF 预测值，sizeX 为图片的大小，λ 为阈值， 可以通过先验知识或者人为的设定 。
2012 年 7 月 16 日收到 第一作者 简 介： 孙 巧， 男。 第 二 炮 兵 工 程 大 学 硕 士 研 究 生 。 Email： zhanlan32@ 126． com。
2
遮挡情况下基于粒子滤波的视觉跟踪
基于粒子滤波视觉跟踪的采样， 其关键在于建
立一个有效的重要性建议分布 q（ X ） ，使采样粒子 尽可能多地集中在视觉目标出现的图像区域 。 采 用 Kalman 滤波理论能够较为精确地对目标的运动 （ 位置、 速度、 加速度） 作出预测， 建立有效的重要性 建议分布。局部线性化的 EKF 预测法， 将重要性建 议分布近似为高斯分布：
孙 巧 张胜修 李小峰
（ 第二炮兵工程大学 304 室， 西安 710025 ）
摘
要
针对遮挡情况下视觉跟踪的问题， 提出了一种基于粒子滤波与 KF 预测判别的跟踪算法， 很好地解决了目标跟踪丢 视觉跟踪 遮挡 粒子滤波 KF 预测 A
均能稳定地跟踪目标。 失问题。实验结果表明： 该跟踪算法在瞬时遮挡和长时间遮挡情况下， 关键词 中图法分类号 TN919. 22 ； 文献标志码
遮挡是运动目标跟踪中的难点问题。 按照遮 挡物体时空相对位置变化可分为： 运动目标被场景 中的静止 物 体 所 遮 挡； 多 运 动 目 标 之 间 的 相 互 遮 挡； 目标由 于 自 身 旋 转 变 形 等 原 因 造 成 的 自 身 遮 全 挡。按照运动场景中遮挡程度划分： 局部遮挡， 部遮挡
通过 EKF 预测可以很方便地将当前的观测信息组 EKF 为 近 似 最 优 合到 重 要 性 建 议 分 布 中， 而 且， MMSE 状态估计， 能较有效地进行 Kalman 预测。 由 EKF 理论可知， 为了实现 EKF 预测， 需将非 线性状态空间模型局部线性化， 且线性化的雅可比 矩 阵 A 和 C 可 由 式 Ak = Ck = H k （ X ） X 求得。