尺度因子自適應(yīng)的UKF算法在目標(biāo)跟蹤中的應(yīng)用

侯建華，劉 倩，笪邦友，馬曉路

(中南民族大學(xué)電子信息工程學(xué)院，武漢430074)

在目標(biāo)跟蹤領(lǐng)域，當(dāng)系統(tǒng)的狀態(tài)方程和觀(guān)測(cè)方程是線(xiàn)性時(shí)，普通的卡爾曼濾波可以達(dá)到較好的跟蹤效果［1］.而在實(shí)際應(yīng)用中，現(xiàn)實(shí)背景復(fù)雜多變，導(dǎo)致系統(tǒng)方程或觀(guān)測(cè)方程往往是非線(xiàn)性的，因此若采用線(xiàn)性的卡爾曼濾波跟蹤，就會(huì)變得不穩(wěn)定甚至發(fā)散，導(dǎo)致跟蹤失敗.傳統(tǒng)的解決非線(xiàn)性估計(jì)問(wèn)題的方法是采用擴(kuò)展卡爾曼濾波器，1995年，Baumberg等提出了基于擴(kuò)展卡爾曼濾波(EKF)的跟蹤方法［2］.該算法是對(duì)非線(xiàn)性的系統(tǒng)方程或觀(guān)測(cè)方程進(jìn)行泰勒展開(kāi)，取其一階近似項(xiàng)，這種把非線(xiàn)性問(wèn)題線(xiàn)性化的處理會(huì)不可避免地引入線(xiàn)性化誤差，此外，系統(tǒng)方程或觀(guān)測(cè)方程的Jacobian矩陣計(jì)算非常復(fù)雜、耗時(shí)，影響整個(gè)算法的實(shí)時(shí)性.為了解決此問(wèn)題，Julier等提出了用Unscented卡爾曼濾波器來(lái)解決非線(xiàn)性濾波的問(wèn)題［3］.Unscented卡爾曼濾波的核心部分是Unscented變換，它采用一組精心選擇的加權(quán)采樣點(diǎn)(Sigma)來(lái)表達(dá)系統(tǒng)的統(tǒng)計(jì)特性，這些采樣根據(jù)真正的非線(xiàn)性方程進(jìn)化而無(wú)需將其線(xiàn)性化.研究表明，UKF 算法與 EKF 算法［4，5］相比，能夠?yàn)榭柭鼮V波器提供更好的非線(xiàn)性均值和方差近似解，對(duì)系統(tǒng)狀態(tài)的估計(jì)精度和穩(wěn)定性都有不同程度的提高.

本文在傳統(tǒng)UKF對(duì)稱(chēng)采樣策略的基礎(chǔ)上，引入了比例修正框架［6］以保證協(xié)方差的半正定性，減少非局部效應(yīng)的發(fā)生.此外，UKF采樣過(guò)程中，傳統(tǒng)的設(shè)定尺度因子的方法是根據(jù)實(shí)時(shí)的環(huán)境人工的調(diào)整尺度因子α，以得到最優(yōu)經(jīng)驗(yàn)值.為了提高UKF跟蹤算法的實(shí)際應(yīng)用性和智能性，有必要研究一種更優(yōu)的自適應(yīng)的尺度因子調(diào)整方法.因此，本文將一種尺度因子自適應(yīng)的UKF算法應(yīng)用于不同場(chǎng)景的目標(biāo)跟蹤中，實(shí)驗(yàn)證明該算法具有很好的跟蹤性能和實(shí)用性.

1 Unscented變換

Unscented變換是計(jì)算非線(xiàn)性變換的隨機(jī)變量的統(tǒng)計(jì)特征的一種新方法，它使用一組適當(dāng)選擇的帶權(quán)重的離散采樣點(diǎn)(Sigma點(diǎn))來(lái)表征系統(tǒng)狀態(tài)概率密度的均值和方差.U具體實(shí)現(xiàn)步驟是:把被估計(jì)的狀態(tài)視為一個(gè)隨機(jī)變量，在原先狀態(tài)分布中按照某種采樣策略［7］采樣一些點(diǎn)，使這些點(diǎn)的均值和協(xié)方差與原狀態(tài)分布中的均值和協(xié)方差相同，然后將非線(xiàn)性變換作用于每一個(gè)采樣，得到相應(yīng)的函數(shù)值點(diǎn)集，再求取這些點(diǎn)集的均值和方差，最后通過(guò)觀(guān)測(cè)值調(diào)節(jié)樣本點(diǎn)的位置，使采樣點(diǎn)集的均值和方差以二階精度逼近原狀態(tài)的均值和方差.

假設(shè)n是隨機(jī)變量x的維數(shù)，x的均值為ˉx，協(xié)方差為Px，y=f(x)是一個(gè)非線(xiàn)性函數(shù)，通過(guò)Unscented變換估計(jì)隨機(jī)變量y的均值和協(xié)方差的過(guò)程如下［8，9］.

(1)根據(jù)以下方程確定一組隨機(jī)采樣點(diǎn)Xi和采樣點(diǎn)所對(duì)應(yīng)的均值權(quán)值W(tm)和方差權(quán)值W(ic):其中κ是自由參數(shù)，用來(lái)捕捉給定分布的高階矩信息，一般對(duì)于高斯分布，考慮到4階矩的統(tǒng)計(jì)量，通常取n+κ=3.α是尺度因子，控制采樣點(diǎn)和均值ˉx之間的距離.β是用于考慮分布的先驗(yàn)知識(shí)［10］，通常取是矩陣平方根的第i列.

(2)根據(jù)非線(xiàn)性變換Yi=f(Xi)計(jì)算隨機(jī)變量Yi的采樣.

(3)計(jì)算隨機(jī)變量Yi的均值和協(xié)方差:這里列出的Unscented變換是采用對(duì)稱(chēng)采樣策略，文獻(xiàn)［6］證明y均值的計(jì)算精度可以精確到三階，對(duì)于協(xié)方差的精度可以精確到二階.在利用公式(5)求權(quán)值時(shí)加入了比例修正(1－α2+β)，確保輸出y的協(xié)方差的半正定性［11］.在目標(biāo)跟蹤算法中，就是用這些離散采樣點(diǎn)來(lái)表征目標(biāo)狀態(tài)的.

2 尺度因子α的自適應(yīng)方法

文獻(xiàn)［3］證明可以通過(guò)調(diào)整尺度因子α的值來(lái)控制采樣點(diǎn)到中心點(diǎn)的距離di，在對(duì)稱(chēng)采樣方式下的該距離越遠(yuǎn)相應(yīng)的采樣點(diǎn)的參考價(jià)值就越小，即會(huì)產(chǎn)生非局部效應(yīng).在仿真實(shí)驗(yàn)時(shí)可以通過(guò)對(duì)α取不同的值，從中選擇最優(yōu)的值以達(dá)到最好的跟蹤效果.但在實(shí)時(shí)環(huán)境中，不允許嘗試，必須給出一個(gè)具體的尺度因子的取值方案.所以，參考文獻(xiàn)［12］，本文將尺度因子α隨環(huán)境自適應(yīng)變化的算法應(yīng)用于UKF的目標(biāo)跟蹤.

假設(shè)t時(shí)刻的UKF濾波值為x^t/t，真實(shí)值為xt/t，而由公式(9)可知，Pt/t表征了預(yù)測(cè)值與真實(shí)值的關(guān)系(也就是誤差)，可以近似的計(jì)算出x^t/t與xt/t之間的距離dt/t，為了方便計(jì)算，利用公式(10)近似計(jì)算dt/t:

這種方法的基本思路就是用第k步的濾波值近似覆蓋真值的鄰域O(^xt/t，dt/t)，此作為第t+1樣范圍，使Sigma點(diǎn)(采樣點(diǎn))到中心點(diǎn)的距離di不超過(guò)dt/t，即令:

利用公式(11)求出的 αt+1/t，重新采樣生成Sigma點(diǎn)和相應(yīng)的權(quán)值，完成相應(yīng)的更新.這樣循環(huán)的更新的 α值，就可以得到尺度因子自適應(yīng)的Unscented變換.

3 UKF對(duì)跟蹤系統(tǒng)的建模

UKF是在普通卡爾曼濾波的框架上，將Unscented變換分別應(yīng)用于均值和協(xié)方差的求解，并不斷遞推，就可得到UKF非線(xiàn)性濾波器.

考慮一般的目標(biāo)跟蹤問(wèn)題，目標(biāo)的狀態(tài)方程和觀(guān)測(cè)方程分別為:

其中A為表征運(yùn)動(dòng)模型的參數(shù)，xt表示t時(shí)刻系統(tǒng)的狀態(tài)向量，zt為時(shí)刻的觀(guān)測(cè)向量，vt為系統(tǒng)噪聲，ωt為觀(guān)測(cè)噪聲.

本文UKF濾波過(guò)程的實(shí)現(xiàn)步驟如下:

1)初始化，根據(jù)初始狀態(tài)變量x得到均值^x和協(xié)方差P0.

2)計(jì)算2n+1個(gè)加權(quán)Sigma點(diǎn)xi(t－1/t－1)來(lái)表征系統(tǒng)的狀態(tài)分布(其中i=0，1，…，2n，是狀態(tài)向量的維數(shù)):

得到采樣點(diǎn)集xi(t－1/t－1);根據(jù)公式(9)～(11)更新α;最后將更新的αt+1/t代入公式(4)～(7)計(jì)算相應(yīng)的權(quán)值W(m)i，W(c)i.

3)預(yù)測(cè).由系統(tǒng)狀態(tài)方程和觀(guān)測(cè)方程對(duì)各個(gè)采樣的Sigma點(diǎn)集里的每個(gè)采樣點(diǎn)進(jìn)行非線(xiàn)性變換，得到變換后的Sigma點(diǎn)集:

計(jì)算預(yù)測(cè)的狀態(tài)均值和協(xié)方差:

4)觀(guān)測(cè)更新.計(jì)算觀(guān)測(cè)均值、自相關(guān)函數(shù)和觀(guān)測(cè)的互相關(guān)函數(shù):

計(jì)算狀態(tài)更新的濾波增益:

狀態(tài)更新后的濾波值:

狀態(tài)后驗(yàn)概率方差陣:

若繼續(xù)跟蹤t=t+1，轉(zhuǎn)(2);否則結(jié)束.

4 仿真方案

為了驗(yàn)證尺度因子自適應(yīng)的UKF跟蹤算法的效果，分別對(duì)傳統(tǒng)的UKF算法和自適應(yīng)的UKF算法進(jìn)行了仿真，并對(duì)新算法的實(shí)用性進(jìn)行了測(cè)試.

4.1 算法的自適應(yīng)性驗(yàn)證

4.1.1 仿真條件

在二維直角坐標(biāo)系中，假設(shè)目標(biāo)做勻速運(yùn)動(dòng)，取目標(biāo)的位置和速度為系統(tǒng)的狀態(tài)變量，即→x=［x，y，vx，vy］，x和y表示目標(biāo)中心點(diǎn)的坐標(biāo)，vx，vy分別表示x，y的導(dǎo)數(shù)，即速度.觀(guān)測(cè)向量zt的兩個(gè)分量分別表示t時(shí)刻目標(biāo)中心處的斜距和方位角，xct和yct分別表示t時(shí)刻目標(biāo)中心處的觀(guān)測(cè)值.vt是從傳感器得到的噪聲，ωt是從觀(guān)測(cè)樣本得到的噪聲(仿真時(shí)加入隨機(jī)噪聲以模擬復(fù)雜環(huán)境).具體仿真條件如下:

初始狀態(tài)向量→x0=［15000，30，15000，30］，Δt=10是采樣間隔.

4.1.2 仿真結(jié)果與分析

首先對(duì)標(biāo)準(zhǔn)的UKF算法進(jìn)行仿真，分別取α為0.1，0.3，0.5，0.8，1(其中 α=1 是為最優(yōu)經(jīng)驗(yàn)值).其次，對(duì)本文提出的尺度因子α自適應(yīng)的UKF算法進(jìn)行仿真.

實(shí)驗(yàn)結(jié)果如表1.表1中真值與UKF濾波值的誤差比公式為:

表1 不同α下的跟蹤精度Tab.1 Tracking performance with difference α

從表1可以看出，尺度因子α的不同取值時(shí)對(duì)跟蹤精度有很大的影響，濾波精度有明顯的差異，因此實(shí)際應(yīng)用時(shí)需要人工反復(fù)調(diào)節(jié)α的大小以獲得最優(yōu)值(α=1)，使真值和濾波值的差異最小.此操作復(fù)雜，智能性和實(shí)用性不高.

圖1(a)和圖1(b)對(duì)比可知，尺度因子α自適應(yīng)的UKF算法能夠取得和最優(yōu)經(jīng)驗(yàn)值(α=1)時(shí)的UKF算法基本相同的跟蹤精度.

圖1 不同α下的跟蹤精度Fig.1 Tracking performance with difference α

4.2 算法的實(shí)用性驗(yàn)證

4.2.1 實(shí)驗(yàn)條件

為了測(cè)試本文算法的實(shí)用性和智能性，本文分別對(duì)動(dòng)態(tài)背景下的行人行走視頻(實(shí)驗(yàn)一)和多干擾復(fù)雜環(huán)境下的車(chē)輛行駛視頻(實(shí)驗(yàn)二)進(jìn)行試驗(yàn)，并將仿真結(jié)果與卡爾曼濾波的跟蹤算法進(jìn)行對(duì)比.兩組實(shí)驗(yàn)的狀態(tài)向量設(shè)置為二維空間的目標(biāo)的位置、速度，即→x=［x，y，vx，vy］，狀態(tài)初始值由手動(dòng)選取目標(biāo)區(qū)域完成，考慮到實(shí)時(shí)視頻任意相鄰兩幀幀差為幾十毫秒，目標(biāo)速度基本不會(huì)發(fā)生變化，所以設(shè)置系統(tǒng)運(yùn)動(dòng)模型為勻速即狀態(tài)轉(zhuǎn)移矩陣:

A=［1，1，0，0;0，1，0，0;0，0，1，1;0，0，0，1］T，觀(guān)測(cè)模型參數(shù)為t時(shí)刻目標(biāo)中心處的斜距和方位角，如公式(21)，系統(tǒng)噪聲和觀(guān)測(cè)噪聲均調(diào)到最佳.

4.2.1 實(shí)驗(yàn)結(jié)果與分析

如圖2所示，本組實(shí)驗(yàn)是在視頻第三幀時(shí)，人工的選取要跟蹤的目標(biāo)(也就是確定初始狀態(tài)值)，黑色矩形框是目標(biāo)的跟蹤框.視頻中的樹(shù)木和其他行人構(gòu)成了變化的背景，地面顏色與選定的目標(biāo)人物上衣顏色相仿，圖2(a)～(c)中，由于動(dòng)態(tài)背景和周?chē)s物的影響，普通的卡爾曼跟蹤算法在第30幀時(shí)跟蹤框已經(jīng)逐漸偏離目標(biāo)，在第60幀時(shí)已經(jīng)無(wú)法對(duì)目標(biāo)進(jìn)行跟蹤.而圖2(d)～(f)(本文算法實(shí)驗(yàn)結(jié)果)具有明顯的優(yōu)勢(shì)，在動(dòng)態(tài)背景環(huán)境下，本文算法卻仍然能夠穩(wěn)定地跟蹤目標(biāo).

(1)普通卡爾曼濾波進(jìn)行人體跟蹤結(jié)果如圖2(a)～(c);本文算法進(jìn)行人體跟蹤結(jié)果如圖2(d)～(f).

圖2 卡爾曼濾波和本文算法的比較Fig.2 Comparisons between Kalman filter and improved UKF

(2)普通卡爾曼濾波進(jìn)行交通車(chē)輛跟蹤結(jié)果如圖3(a)～(c);本文算法進(jìn)行交通車(chē)輛跟蹤跟蹤結(jié)果如圖3(d)～(f).

圖3 卡爾曼濾波和本文算法的比較Fig.3 Comparison between Kalman filter and improved UKF

圖3是普通卡爾曼濾波和本文算法用于監(jiān)測(cè)交通車(chē)輛的實(shí)驗(yàn)結(jié)果，初始狀態(tài)也是通過(guò)人工選取，即圖3(a)中的第5幀和圖3(d)中的第2幀中黑色矩形框選定的卡車(chē).視頻中其他來(lái)往的車(chē)輛構(gòu)成復(fù)雜的非線(xiàn)性背景.實(shí)驗(yàn)表明，在復(fù)雜的非線(xiàn)性環(huán)境下，普通卡爾曼算法不能達(dá)到跟蹤的目的，如圖3(b)所示，在視頻第10幀時(shí)黑色跟蹤框已經(jīng)偏離目標(biāo)，基本上失去了跟蹤的意義.而本文算法如圖3(f)所示，可以一直很穩(wěn)定的對(duì)目標(biāo)進(jìn)行跟蹤，具有很好的跟蹤效果.

綜合圖2和圖3可以看出，不同場(chǎng)景條件下，不用人為的調(diào)節(jié)尺度因子，本文算法都具有很好的跟蹤效果，自適應(yīng)能力很強(qiáng)，實(shí)用性很好.

5 結(jié)語(yǔ)

本文提出的尺度因子自適應(yīng)的UKF跟蹤算法能夠取得和最優(yōu)經(jīng)驗(yàn)值條件下的普通UKF算法大致相同的精度;在不同的實(shí)際環(huán)境下都能取得理想的跟蹤效果，提高了非線(xiàn)性濾波的實(shí)時(shí)跟蹤能力和濾波的數(shù)值穩(wěn)定性，具有非常好的實(shí)用價(jià)值.

［1］付東莉，柴 毅.基于滾動(dòng)時(shí)域估計(jì)的帶約束運(yùn)動(dòng)目標(biāo)跟蹤［J］.計(jì)算機(jī)應(yīng)用研究，2011，28(3):1-3.

［2］Baumberg A，Hogg D C.Learning spatiotemporalmodels from training exemples［C］//Proc.British Machine Vision Conference.Birmingham:Proc，1995:45-74.

［3］Simon J.Julier，Jeffrey K.unlmann.A new extension of the kalman filter to nonlinear systems［C］//Proc.The 11th International Symposium on Automatic Control，Aerosense:Proc，2000，21(45):447-482.

［4］Zhu Anfu，Jing Zhanrong.UKF and its application to target tracking［J］.Fire Control and Command Control，2008，33(8):2-3.

［5］Mathicu ST-Pierre，Denis Gingars Dr Ing.Comparison between the unscented kalman filter and the extended kalman filter for the position estimation module of an intergrated navigation information system［J］.IEEE Intelligent Vehicles Symposium University of Parma，2004，34(7):832-834.

［6］Julier S，Unlmann J，DurrantWhf.A new method for the nonlinear transformation ofmeans and covariance in filters and estimators［J］.IEEE Transactions on Automatic Control，2000，45(3):477-482.

［7］劉 錚.UKF算法及其改進(jìn)算法的研究［D］.長(zhǎng)沙:中南大學(xué)，2009:25-28.

［8］Julier S J，Uhlmann JK.Reduced sigma point filters for the propa-gation of means and covariance through nonlinear transformations［C］.//Proc.American Control Conf.Jefferson:Proc，2002:887-892.

［9］Yong Rui，Chen Yunqiang.Better proposal distributions:object tracking using unscented particle filter［J］.Computer Vision and Pattern Recognition，2001，10(21):47-51.

［10］MOSHE BEN-ALIVA.Nonliner kalman filtering algorithms for on-line calibration of dynamic traffic assignmentsmodels［J］.IEEE Transaction on Intelligent Transportation Systems，2007，8(4):664-665.

［11］Julie S J.The scaled unscented transformation［C］//Proc.American Control Conf.Jefferson:Proc，2002:4555-4559.

［12］Jiang Weinan，Zhou Haiyin.Self-adaptive selectingmethod for scaling factor of scaled unscented transformation［J］.Chinese Space Science and Technology，2008，6(3):3-5.