http://blog.csdn.net/hujingshuang/article/details/45535423
前言:
粒子滤波广泛的应用于目标跟踪,粒子滤波器是一种序列蒙特卡罗滤波方法,其实质是利用一系列随机抽取的样本(即粒子)来替代状态的后验概率分布。在此不打算介绍和推理繁杂的概率公式,我们来分析Rob Hess源码从而深入理解粒子滤波算法。
试验平台:
VS2010 + opencv2.4.10 + gsl1.8库 + RobHess粒子滤波源码
相关资料:
Rob Hess粒子滤波的相关代码:http://blogs.oregonstate.edu/hess/code/particles/
Rob Hess有关粒子滤波的文章:http://web.engr.oregonstate.edu/~afern/papers/cvpr09.pdf
Rob Hess多目标跟踪效果视频:http://v.youku.com/v_show/id_XOTQ5NDA5ODgw.html
yangyangcv博主的分析及代码(建议先看):http://www.cnblogs.com/yangyangcv/archive/2010/05/23/1742263.html
(下载 yangyangcv提供的代码,配置好后即可使用;本博文也提供下载,见文章末尾)
源码分析:
下面用粒子滤波算法来实现单目标的跟踪,在初始时需要手动选取待跟踪目标区域。
步骤一:粒子初始化
1、目标的选取:
在起始帧画面中标记待跟踪的区域(目标物体),在以后的连续帧视频中跟踪目标物体。
2、粒子的定义:
粒子即样本,Rob Hess源码中默认粒子数目PARTICLES=100,下面是粒子的属性(可以看出一个粒子代表的就是一个矩形区域):
- typedef struct particle {
- float x;
- float y;
- float s;
- float xp;
- float yp;
- float sp;
- float x0;
- float y0;
- int width;
- int height;
- histogram* histo;
- float w;
- } particle;
3、特征提取:
目标跟踪最重要的就是特征,应该选取好的特征(拥有各种不变性的特征当然是最好的);另外考虑算法的效率,目标跟踪一般是实时跟踪,所以对算法实时性有一定的要求。Rob Hess源码提取的是目标的颜色特征(颜色特征对图像本身的尺寸、方向、视角的依赖性较小,从而具有较高的鲁棒性),粒子与目标的直方图越相似,则说明越有可能是目标。
捕捉到一帧图像,标记待跟踪的区域,将其从BGR转化到HSV空间,提取感兴趣部分(目标)的HSV,进行直方图统计并归一化直方图。
-
-
- for( r = 0; r < img->height; r++ )
- for( c = 0; c < img->width; c++ )
- {
- bin = histo_bin( ((float*)(h->imageData + h->widthStep*r) )[c],
- ((float*)(s->imageData + s->widthStep*r) )[c],
- ((float*)(v->imageData + v->widthStep*r) )[c] );
- hist[bin] += 1;
- }
- int histo_bin( float h, float s, float v )
- {
- int hd, sd, vd;
-
-
- vd = MIN( (int)(v * NV / V_MAX), NV-1 );
- if( s < S_THRESH || v < V_THRESH )
- return NH * NS + vd;
-
-
- hd = MIN( (int)(h * NH / H_MAX), NH-1 );
- sd = MIN( (int)(s * NS / S_MAX), NS-1 );
- return sd * NH + hd;
- }
img是目标矩形区域,h、s、v是个分量,hist就是直方图统计;NV、V_MAX....等是宏定义的固定值。
- void normalize_histogram( histogram* histo )
- {
- float* hist;
- float sum = 0, inv_sum;
- int i, n;
-
- hist = histo->histo;
- n = histo->n;
-
-
- for( i = 0; i < n; i++ )
- sum += hist[i];
- inv_sum = 1.0 / sum;
- for( i = 0; i < n; i++ )
- hist[i] *= inv_sum;
- }
4、粒子初始化
根据选定的目标区域来初始化粒子,初始时所有粒子都为等权重,具有同样的属性。
-
- for( i = 0; i < n; i++ )
- {
- width = regions[i].width;
- height = regions[i].height;
- x = regions[i].x + width / 2;<span style="white-space:pre"> </span>
- y = regions[i].y + height / 2;
- for( j = 0; j < np; j++ )
- {
- particles[k].x0 = particles[k].xp = particles[k].x = x;
- particles[k].y0 = particles[k].yp = particles[k].y = y;
- particles[k].sp = particles[k].s = 1.0;
- particles[k].width = width;
- particles[k].height = height;
- particles[k].histo = histos[i];
- particles[k++].w = 0;
- }
- }
步骤二、粒子相似度搜索、计算
5、粒子搜索
在步骤一中,初始化了100个粒子,由于初始帧中指定了目标区域,而该目标会在下一帧中发生偏移,但是相邻帧目标移动得不是太远,所以在目标区域附近随机撒出100个粒子。(此处使用的是二阶动态回归来估计偏移后的粒子位置)
- particle transition( particle p, int w, int h, gsl_rng* rng )
- {
- float x, y, s;
- particle pn;
-
-
- x = A1 * ( p.x - p.x0 ) + A2 * ( p.xp - p.x0 ) +
- B0 * gsl_ran_gaussian( rng, TRANS_X_STD ) + p.x0;
- pn.x = MAX( 0.0, MIN( (float)w - 1.0, x ) );
- y = A1 * ( p.y - p.y0 ) + A2 * ( p.yp - p.y0 ) +
- B0 * gsl_ran_gaussian( rng, TRANS_Y_STD ) + p.y0;
- pn.y = MAX( 0.0, MIN( (float)h - 1.0, y ) );
- s = A1 * ( p.s - 1.0 ) + A2 * ( p.sp - 1.0 ) +
- B0 * gsl_ran_gaussian( rng, TRANS_S_STD ) + 1.0;
- pn.s = MAX( 0.1, s );
- pn.xp = p.x;
- pn.yp = p.y;
- pn.sp = p.s;
- pn.x0 = p.x0;
- pn.y0 = p.y0;
- pn.width = p.width;
- pn.height = p.height;
- pn.histo = p.histo;
- pn.w = 0;
-
- return pn;
- }
6、相似度计算
然后计算这100个粒子hsv空间直方图与目标hsv空间直方图相似成度,马氏距离(Battacharyya)来度量两个粒子的相似度系数。
-
- particles[j].w = likelihood( hsv_frame, cvRound(particles[j].y),
- cvRound( particles[j].x ),
- cvRound( particles[j].width * s ),
- cvRound( particles[j].height * s ),
- particles[j].histo );
- float histo_dist_sq( histogram* h1, histogram* h2 )
- {
- float* hist1, * hist2;
- float sum = 0;
- int i, n;
-
- n = h1->n;
- hist1 = h1->histo;
- hist2 = h2->histo;
-
-
-
-
-
-
- for( i = 0; i < n; i++ )
- sum += sqrt( hist1[i]*hist2[i] );
- return 1.0 - sum;
- }
步骤三、重采样
7、重采样
由步骤二知,经过一次搜索后,粒子的权重会发生改变,离目标距离远的粒子权重小,距离近的权重大。那么经过多帧的跟踪后,有的粒子权重会变得相当的小,也就是与目标不相似了,即粒子退化现象,这种粒子我们要抛弃,那么什么时候该抛弃它呢?就得设一个权重阈值,凡是权重低于阈值的粒子就抛弃。OK,原来有100个粒子,然后总会有被抛弃的粒子,似的粒子总数不满100个,此时就要找一些新的粒子来补充,那么就用最大权值来填充。(比如现在抛弃了20个粒子,我们就复制20个权值最大的粒子,放到里面填满100个。)——这就是重采样的过程。
- particle* resample( particle* particles, int n )
- {
- particle* new_particles;
- int i, j, np, k = 0;
-
- qsort( particles, n, sizeof( particle ), &particle_cmp );
- new_particles = malloc( n * sizeof( particle ) );
- for( i = 0; i < n; i++ )
- {
- np = cvRound( particles[i].w * n );
- for( j = 0; j < np; j++ )
- {
- new_particles[k++] = particles[i];
- if( k == n )
- goto exit;
- }
- }
- while( k < n )
- new_particles[k++] = particles[0];
-
- exit:
- return new_particles;
- }
8、更新粒子
将重采样后的100个粒子更新到步骤一4中。至此完成了一次粒子滤波。(需要注意的是,经过一次迭代后,步骤一4中的粒子权值已经不是等权值了)
9、小结
先初始化(完成1、2、3、4),再不停的迭代5、6、7、8过程(即:5—>6—>7—>8—>5......)。
以上是粒子滤波的全部过程,以及一些核心源码,可以认为权重最大的粒子是目标物体。值得关注的是,重采样会降低粒子的多样性(因为是许多粒子是直接复制过来的),这样也会对目标跟踪产生影响,有兴趣的可以继续研究改进算法以保证粒子的多样性。
over!
以上是对粒子滤波的个人见解,至于理论上看着比较复杂的理论公式推导没有体现出来(其实有些概率论知识我还是没看懂),再次膜拜一下Rob Hess大婶,牛的一逼(他也实现了Lowe的SIFT算法并开源代码出来)。
本文所需材料都已打包上传,点击此处下载(配置gsl,请百度):http://download.csdn.net/detail/hujingshuang/8669945