商城移动端网站开发,网站建设指南,wordpress改模式,软件开发业务流程图http://blog.csdn.net/hujingshuang/article/details/45535423 前言#xff1a; 粒子滤波广泛的应用于目标跟踪#xff0c;粒子滤波器是一种序列蒙特卡罗滤波方法#xff0c;其实质是利用一系列随机抽取的样本#xff08;即粒子#xff09;来替代状态的后验概率分布。在此…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PARTICLES100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 [cpp] view plaincopy typedef struct particle { float x; /** 当前x坐标 */ float y; /** 当前y坐标 */ float s; /** scale */ float xp; /** 之前x坐标 */ float yp; /** 之前y坐标 */ float sp; /** previous scale */ float x0; /** x0 */ float y0; /** y0 */ int width; /** 粒子宽度 */ int height; /** 粒子高度 */ histogram* histo; /** 跟踪区域的参考直方图 */ float w; /** 权重 */ } 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。 [cpp] view plaincopy /* increment appropriate histogram bin for each pixel */ //计算直方图 for( r 0; r img-height; r ) for( c 0; c img-width; c ) { bin histo_bin( /*pixval32f( h, r, c )*/((float*)(h-imageData h-widthStep*r) )[c], ((float*)(s-imageData s-widthStep*r) )[c], ((float*)(v-imageData v-widthStep*r) )[c] ); hist[bin] 1; } [cpp] view plaincopy int histo_bin( float h, float s, float v ) { int hd, sd, vd; /* if S or V is less than its threshold, return a colorless bin */ vd MIN( (int)(v * NV / V_MAX), NV-1 ); if( s S_THRESH || v V_THRESH ) return NH * NS vd; /* otherwise determine colorful bin */ 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。[cpp] view plaincopy void normalize_histogram( histogram* histo )//直方图归一化 { float* hist; float sum 0, inv_sum; int i, n; hist histo-histo; n histo-n; /* compute sum of all bins and multiply each bin by the sums inverse */ 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。 [cpp] view plaincopy /* create particles at the centers of each of n regions */ for( i 0; i n; i ) { width regions[i].width; height regions[i].height; x regions[i].x width / 2;span stylewhite-space:pre /span//粒子中心 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 [cpp] view plaincopy particle transition( particle p, int w, int h, gsl_rng* rng )//随机撒出一个粒子 { float x, y, s; particle pn; //回归模型的参数即A1、A2、B0等Rob Hess在代码中已设定我不知道是怎么来的 /* sample new state using second-order autoregressive dynamics 使用二阶动态回归来自动更新粒子状态*/ 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。 [cpp] view plaincopy //计算粒子与跟踪区域直方图相似程度越相似则权值越大 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 ); [cpp] view plaincopy float histo_dist_sq( histogram* h1, histogram* h2 )//两个粒子的 { float* hist1, * hist2; float sum 0; int i, n; n h1-n; hist1 h1-histo; hist2 h2-histo; /* According the the Battacharyya similarity coefficient, D \sqrt{ 1 - \sum_1^n{ \sqrt{ h_1(i) * h_2(i) } } }//马氏距离公式 */ 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。 [cpp] view plaincopy particle* resample( particle* particles, int n ) { particle* new_particles; int i, j, np, k 0; qsort( particles, n, sizeof( particle ), particle_cmp );//根据权重进行排序 new_particles malloc( n * sizeof( particle ) ); for( i 0; i n; i ) { np cvRound( particles[i].w * n );//淘汰弱权值样本保留阈值以上样本 for( j 0; j np; j ) { new_particles[k] particles[i]; if( k n ) goto exit; } } while( k n ) new_particles[k] particles[0];//复制大权值样本以填充满样本空间 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
