基于几何主动轮廓模型的粒子滤波跟踪算法

第5期曹洁等：基于几何主动轮廓模型的粒子滤波跟踪算法

可以得到同样的结果。误差和仿真时间，

1207

ininpart=(1:N);//初始化粒子位置

inpart=1;//初始化fori=1:N

if(nt(1，i)＞0)//nt(1，i)表示重采样粒子数目forj=inpart:inpart+nt(1，i)－1outre(j)=inpart(i);//inpart(i)为新的轮廓信息，此语句

//表示新的轮廓信息加入到第j个位置

endend

inpart=inpart+nt(1，i);end

PF在目标跟踪中的应用效果，为了验证GAC-本文选取两个道路车流视频（图3～4）进行验证，通过DLL实现MatlabR2007B与MicrosoftVC++6．0的混合编程，把通用功能放在DLL中，通过调用Matlab引擎来实现，很好地减少外部存储

空间的占有量，减少运行时间，提高运行效率。

第2步i'N'

将重采样得到的新粒子｛Xt｝j'=1～q（Xt|

（i）

X0：t－1，Y1：t）加入到已知的粒子集合X0：t－1～q（X0：t－1|Y1：t－1）i中，得到新的粒子集X0：t～q（X0：t|Y1：t）。

5）输出状态估计。

^=X

^X∑μ

i

t

i=1

N

it（16）

同时t=t+1，返回2），递推估计下一时刻的目标状态的后验概率。

3仿真实验及结果分析

设定系统的非线性空间模型为：Xt=0．5Xt－1+［25Xt－1/（1+X）］+8cos［1．2（t－1）］a+b+utYt=（X2t－1/20）+vt

（17）（18）

2

t－1

图2

表1

两种滤波算法的状态估计

两种滤波算法均方根误差和平均运行时间

性能指标

均方根误差5．85323．2113

运行时间/ms0．06860．

0611

算法SPF算法GAC-PF算法

0．1），仿真实验的初始参数设定为：过程噪声ut～N（0，1），先验概率定义为p（X0）～N（0，量测噪声vt～N（0，

0．75），在Matlab上进行粒子数N=100，时间步长为60s，100次仿真实验，算法终止条件设为迭代次数t=60。

PF后验密度动态估计结果和图1～2分别给出GAC-GAC-PF与

SPF算法比较结果，最后给出了粒子集的均方根误差以及运行时间。

图3跟踪被遮挡的目标

图1GAC-PF动态估计

PF后验密度动态估计结果。从图1（a）可图1给出GAC-GAC-PF因在重采样过程中，得到大量新信息支持，其看出，

估计精度较高。后验估计大部分都能够与真实状态重合，

图1（b）表示动态估计过程中，重采样后粒子权值的统计情况。图2中可以看出，运用SPF，跟踪性能明显下降，有时会PF因为引入了最新的量测信息，但是GAC-出现明显的错误，

减少了滤波器对历史信息的依赖性，有效克服了粒子枯竭现象，其跟踪性能明显优于SPF。对比表1中两种算法的均方

图4

跟踪背景颜色与目标颜色相似的目标

图3中，跟踪目标为一辆汽车，背景包括建筑物、道路和其他运动的车辆，它们被视为量测噪声。以第720帧为准，在