尺度因子自適應的UKF算法在目標跟蹤中的應用

侯建華，劉 倩，笪邦友，馬曉路

(中南民族大學電子信息工程學院，武漢430074)

在目標跟蹤領域，當系統(tǒng)的狀態(tài)方程和觀測方程是線性時，普通的卡爾曼濾波可以達到較好的跟蹤效果［1］.而在實際應用中，現(xiàn)實背景復雜多變，導致系統(tǒng)方程或觀測方程往往是非線性的，因此若采用線性的卡爾曼濾波跟蹤，就會變得不穩(wěn)定甚至發(fā)散，導致跟蹤失敗.傳統(tǒng)的解決非線性估計問題的方法是采用擴展卡爾曼濾波器，1995年，Baumberg等提出了基于擴展卡爾曼濾波(EKF)的跟蹤方法［2］.該算法是對非線性的系統(tǒng)方程或觀測方程進行泰勒展開，取其一階近似項，這種把非線性問題線性化的處理會不可避免地引入線性化誤差，此外，系統(tǒng)方程或觀測方程的Jacobian矩陣計算非常復雜、耗時，影響整個算法的實時性.為了解決此問題，Julier等提出了用Unscented卡爾曼濾波器來解決非線性濾波的問題［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采樣點(Sigma)來表達系統(tǒng)的統(tǒng)計特性，這些采樣根據(jù)真正的非線性方程進化而無需將其線性化.研究表明，UKF 算法與 EKF 算法［4，5］相比，能夠為卡爾曼濾波器提供更好的非線性均值和方差近似解，對系統(tǒng)狀態(tài)的估計精度和穩(wěn)定性都有不同程度的提高.

本文在傳統(tǒng)UKF對稱采樣策略的基礎上，引入了比例修正框架［6］以保證協(xié)方差的半正定性，減少非局部效應的發(fā)生.此外，UKF采樣過程中，傳統(tǒng)的設定尺度因子的方法是根據(jù)實時的環(huán)境人工的調(diào)整尺度因子α，以得到最優(yōu)經(jīng)驗值.為了提高UKF跟蹤算法的實際應用性和智能性，有必要研究一種更優(yōu)的自適應的尺度因子調(diào)整方法.因此，本文將一種尺度因子自適應的UKF算法應用于不同場景的目標跟蹤中，實驗證明該算法具有很好的跟蹤性能和實用性.

1 Unscented變換

Unscented變換是計算非線性變換的隨機變量的統(tǒng)計特征的一種新方法，它使用一組適當選擇的帶權重的離散采樣點(Sigma點)來表征系統(tǒng)狀態(tài)概率密度的均值和方差.U具體實現(xiàn)步驟是:把被估計的狀態(tài)視為一個隨機變量，在原先狀態(tài)分布中按照某種采樣策略［7］采樣一些點，使這些點的均值和協(xié)方差與原狀態(tài)分布中的均值和協(xié)方差相同，然后將非線性變換作用于每一個采樣，得到相應的函數(shù)值點集，再求取這些點集的均值和方差，最后通過觀測值調(diào)節(jié)樣本點的位置，使采樣點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n是隨機變量x的維數(shù)，x的均值為ˉx，協(xié)方差為Px，y=f(x)是一個非線性函數(shù)，通過Unscented變換估計隨機變量y的均值和協(xié)方差的過程如下［8，9］.

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

(2)根據(jù)非線性變換Yi=f(Xi)計算隨機變量Yi的采樣.

(3)計算隨機變量Yi的均值和協(xié)方差:這里列出的Unscented變換是采用對稱采樣策略，文獻［6］證明y均值的計算精度可以精確到三階，對于協(xié)方差的精度可以精確到二階.在利用公式(5)求權值時加入了比例修正(1－α2+β)，確保輸出y的協(xié)方差的半正定性［11］.在目標跟蹤算法中，就是用這些離散采樣點來表征目標狀態(tài)的.

2 尺度因子α的自適應方法

文獻［3］證明可以通過調(diào)整尺度因子α的值來控制采樣點到中心點的距離di，在對稱采樣方式下的該距離越遠相應的采樣點的參考價值就越小，即會產(chǎn)生非局部效應.在仿真實驗時可以通過對α取不同的值，從中選擇最優(yōu)的值以達到最好的跟蹤效果.但在實時環(huán)境中，不允許嘗試，必須給出一個具體的尺度因子的取值方案.所以，參考文獻［12］，本文將尺度因子α隨環(huán)境自適應變化的算法應用于UKF的目標跟蹤.

假設t時刻的UKF濾波值為x^t/t，真實值為xt/t，而由公式(9)可知，Pt/t表征了預測值與真實值的關系(也就是誤差)，可以近似的計算出x^t/t與xt/t之間的距離dt/t，為了方便計算，利用公式(10)近似計算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(采樣點)到中心點的距離di不超過dt/t，即令:

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

3 UKF對跟蹤系統(tǒng)的建模

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

考慮一般的目標跟蹤問題，目標的狀態(tài)方程和觀測方程分別為:

其中A為表征運動模型的參數(shù)，xt表示t時刻系統(tǒng)的狀態(tài)向量，zt為時刻的觀測向量，vt為系統(tǒng)噪聲，ωt為觀測噪聲.

本文UKF濾波過程的實現(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)計算2n+1個加權Sigma點xi(t－1/t－1)來表征系統(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)計算相應的權值W(m)i，W(c)i.

3)預測.由系統(tǒng)狀態(tài)方程和觀測方程對各個采樣的Sigma點集里的每個采樣點進行非線性變換，得到變換后的Sigma點集:

計算預測的狀態(tài)均值和協(xié)方差:

4)觀測更新.計算觀測均值、自相關函數(shù)和觀測的互相關函數(shù):

計算狀態(tài)更新的濾波增益:

狀態(tài)更新后的濾波值:

狀態(tài)后驗概率方差陣:

若繼續(xù)跟蹤t=t+1，轉(zhuǎn)(2);否則結束.

4 仿真方案

為了驗證尺度因子自適應的UKF跟蹤算法的效果，分別對傳統(tǒng)的UKF算法和自適應的UKF算法進行了仿真，并對新算法的實用性進行了測試.

4.1 算法的自適應性驗證

4.1.1 仿真條件

在二維直角坐標系中，假設目標做勻速運動，取目標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表示目標中心點的坐標，vx，vy分別表示x，y的導數(shù)，即速度.觀測向量zt的兩個分量分別表示t時刻目標中心處的斜距和方位角，xct和yct分別表示t時刻目標中心處的觀測值.vt是從傳感器得到的噪聲，ωt是從觀測樣本得到的噪聲(仿真時加入隨機噪聲以模擬復雜環(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 仿真結果與分析

首先對標準的UKF算法進行仿真，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)驗值).其次，對本文提出的尺度因子α自適應的UKF算法進行仿真.

實驗結果如表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的不同取值時對跟蹤精度有很大的影響，濾波精度有明顯的差異，因此實際應用時需要人工反復調(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.此操作復雜，智能性和實用性不高.

圖1(a)和圖1(b)對比可知，尺度因子α自適應的UKF算法能夠取得和最優(yōu)經(jīng)驗值(α=1)時的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 算法的實用性驗證

4.2.1 實驗條件

為了測試本文算法的實用性和智能性，本文分別對動態(tài)背景下的行人行走視頻(實驗一)和多干擾復雜環(huán)境下的車輛行駛視頻(實驗二)進行試驗，并將仿真結果與卡爾曼濾波的跟蹤算法進行對比.兩組實驗的狀態(tài)向量設置為二維空間的目標的位置、速度，即→x=［x，y，vx，vy］，狀態(tài)初始值由手動選取目標區(qū)域完成，考慮到實時視頻任意相鄰兩幀幀差為幾十毫秒，目標速度基本不會發(fā)生變化，所以設置系統(tǒng)運動模型為勻速即狀態(tài)轉(zhuǎn)移矩陣:

A=［1，1，0，0;0，1，0，0;0，0，1，1;0，0，0，1］T，觀測模型參數(shù)為t時刻目標中心處的斜距和方位角，如公式(21)，系統(tǒng)噪聲和觀測噪聲均調(diào)到最佳.

4.2.1 實驗結果與分析

如圖2所示，本組實驗是在視頻第三幀時，人工的選取要跟蹤的目標(也就是確定初始狀態(tài)值)，黑色矩形框是目標的跟蹤框.視頻中的樹木和其他行人構成了變化的背景，地面顏色與選定的目標人物上衣顏色相仿，圖2(a)～(c)中，由于動態(tài)背景和周圍雜物的影響，普通的卡爾曼跟蹤算法在第30幀時跟蹤框已經(jīng)逐漸偏離目標，在第60幀時已經(jīng)無法對目標進行跟蹤.而圖2(d)～(f)(本文算法實驗結果)具有明顯的優(yōu)勢，在動態(tài)背景環(huán)境下，本文算法卻仍然能夠穩(wěn)定地跟蹤目標.

(1)普通卡爾曼濾波進行人體跟蹤結果如圖2(a)～(c);本文算法進行人體跟蹤結果如圖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)普通卡爾曼濾波進行交通車輛跟蹤結果如圖3(a)～(c);本文算法進行交通車輛跟蹤跟蹤結果如圖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)測交通車輛的實驗結果，初始狀態(tài)也是通過人工選取，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.視頻中其他來往的車輛構成復雜的非線性背景.實驗表明，在復雜的非線性環(huán)境下，普通卡爾曼算法不能達到跟蹤的目的，如圖3(b)所示，在視頻第10幀時黑色跟蹤框已經(jīng)偏離目標，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)定的對目標進行跟蹤，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，自適應能力很強，實用性很好.

5 結語

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

［1］付東莉，柴 毅.基于滾動時域估計的帶約束運動目標跟蹤［J］.計算機應用研究，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算法及其改進算法的研究［D］.長沙:中南大學，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.