基于顏色模型的KP濾波跟蹤算法在人體上肢運(yùn)動(dòng)中的應(yīng)用研究

董英輝

(商洛學(xué)院，河南 商洛 726000)

基于顏色模型的KP濾波跟蹤算法在人體上肢運(yùn)動(dòng)中的應(yīng)用研究

董英輝

(商洛學(xué)院，河南 商洛 726000)

針對(duì)傳統(tǒng)粒子濾波算法導(dǎo)致的更多粒子的估算后概率分布問題，提出了一種基于Kalman濾波的改進(jìn)粒子濾波算法，使得采樣粒子大多集中在高概率分布區(qū)域，提高了運(yùn)算效率；同時(shí)，針對(duì)在對(duì)人體上肢運(yùn)動(dòng)被大面積同色干擾或遭遇長時(shí)間遮擋的情況下，提出了一種聚類結(jié)果方法，從而實(shí)現(xiàn)了對(duì)人體上肢的跟蹤。

Kalman-Particle濾波；人體上肢；自適應(yīng)

ApplicationofKPFilteringintheHumanUpperLimbMotion

復(fù)雜背景下實(shí)現(xiàn)對(duì)目標(biāo)跟蹤成為當(dāng)前目標(biāo)識(shí)別領(lǐng)域研究的熱點(diǎn)，在醫(yī)學(xué)、軍事等領(lǐng)域具有廣泛的應(yīng)用前景。在顏色模型下，傳統(tǒng)的粒子濾波算法中，測(cè)量值僅被應(yīng)用在權(quán)值的計(jì)算階段，從而導(dǎo)致需要更多粒子來估算后概率分布,大大減少了運(yùn)算效率。對(duì)此，針對(duì)視覺領(lǐng)域中目標(biāo)跟蹤問題，提出了一種基于顏色目標(biāo)模型的改進(jìn)KP濾波算法，通過在采樣階段引入Kalman濾波的方式，使得粒子大多分布在集中在高概率分布的區(qū)域,從而減小了粒子的數(shù)目，提高了運(yùn)算的效率[1-2]。

1 目標(biāo)顏色模型建立

顏色模型作為粒子運(yùn)算的第1步，是指在任意的三維顏色空間中，所包含的可見的顏色子集都被稱為顏色模型，通過該模型，可表示其中的任意的顏色。常見的顏色模型中包括RGB、HSV、CMY、LAB、CHL和HSI等。它們可以被應(yīng)用在多個(gè)不同領(lǐng)域，特別是在計(jì)算機(jī)視覺領(lǐng)域當(dāng)中，其中，用于圖像處理的模型通常有RGB、HSV和YUV等。

1.1 RGB顏色模型

該模型結(jié)合笛卡爾坐標(biāo)機(jī)，其中任意的一種顏色都可以通過紅、藍(lán)、綠3種基色的分量對(duì)其進(jìn)行表示，從而建立一個(gè)類似于立方體的彩色子空間。在該立方體當(dāng)中，白色對(duì)應(yīng)的是離原點(diǎn)最遠(yuǎn)的點(diǎn)，黑色則為原點(diǎn)，從而形成顏色漸變的過程。在彩色空間當(dāng)中，各點(diǎn)的RGB值分別對(duì)應(yīng)了相應(yīng)的顏色，從離原點(diǎn)最遠(yuǎn)的白色到最近的黑色原點(diǎn)，形成了彩色空間的灰度值。為方便對(duì)其灰度值進(jìn)行運(yùn)算，定義其R∈[0,1],G∈[0,1],B∈[0,1]。

1.2 HSV顏色模型

該模型則以色度(Hue)、飽和度(Saturation)和亮度(Value)3個(gè)基本的基色來確定顏色。其中,色度表示色彩的基本屬性，取決于繞V軸的旋轉(zhuǎn)角，HSV中每種顏色和其對(duì)應(yīng)的顏色的色差都在180°；飽和度是指顏色的純度，其取0～1的數(shù)值，顏色的飽和度越高則顏色越純，顏色飽和度越低，則表示飽和度越暗，所以在實(shí)際的運(yùn)用中圓錐的頂面半徑通常為1；亮度表示明亮的程度，取值為0～1。在HSV顏色模型當(dāng)中，建立了一個(gè)圓錐體的彩色的空間，圓錐體的中心軸和RGB空間中的黑色和白色點(diǎn)的連線相互對(duì)應(yīng)。

1.3 RGB到HSV的顏色轉(zhuǎn)換

由于亮度對(duì)RGB顏色空間的影響非常大 ，因此本文在采用粒子濾波算法對(duì)目標(biāo)進(jìn)行跟蹤的時(shí)候，需要將RGB空間轉(zhuǎn)換到HSV顏色空間，從而減小因?yàn)榱炼鹊膯栴}而影響跟蹤的有效性，則有：

V=max(R,G,B)

if(H<0)then(H=H+360)

同時(shí)，為了更好地反映顏色之間的相似度，采用二次距離的方式對(duì)其進(jìn)行客觀反映，具體的計(jì)算式為：

(1)

2 基于顏色的目標(biāo)模型

本文研究的跟蹤目標(biāo)的顏色被限定在一定矩形范圍之內(nèi)，并且是由Hx,Hy共同決定，而矩形框的位置由lx,ly決定。假設(shè)在該直方圖的顏色分布當(dāng)中存在m個(gè)離散的值，可以得到y(tǒng)位置的顏色分布：

(2)

對(duì)2種不同顏色P(u)和q(u)，通過Bhattacharyya距離測(cè)量公式可以得到2種不同顏色的相似性。假設(shè)2種顏色的距離等于0，則表示2種顏色分布相似，其距離計(jì)算公式為：

(3)

3 基于改進(jìn)的KP濾波算法

在對(duì)運(yùn)動(dòng)場(chǎng)景的捕捉當(dāng)中，對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤在很大的程度上是不確定和非線性的過程，因此，濾波算法已不再適用，對(duì)此，引入了粒子算法。該算法的核心在于通過一組帶有權(quán)值的樣本集合來逼近后概率，用級(jí)數(shù)求得近似數(shù)值的積分，從而得到次優(yōu)貝葉斯解。如果選取的樣本足夠大，則這種估算可以將其等同于真實(shí)的后概率，換句話說就是如果能從樣本中抽取Ns個(gè)獨(dú)立的樣本，則可得到其近似的后概率的分布：

(4)

針對(duì)式4中存在著粒子很難獲得的問題，本文引入重要性采樣，從而可以將其描述為后驗(yàn)概率可用一組粒子來對(duì)其進(jìn)行表示，并且每個(gè)粒子中對(duì)應(yīng)一個(gè)權(quán)重wki。因此，式4可以表示為：

(5)

從上述分析可以發(fā)現(xiàn)，通過重要采樣對(duì)粒子進(jìn)行的采集主要取決于其中的權(quán)重，權(quán)重比較大的通常被經(jīng)常采用，使得粒子多樣性缺乏；因此，引入Kalman濾波，在采樣階段讓粒子形成一個(gè)好的分布，從而減小這種重復(fù)計(jì)算所帶來的問題。

在改進(jìn)算法中，St= (St(i),πt(i))|i= 1,2,…，N表示粒子組，ZPt={zp1,zp2,…zpt}表示測(cè)量值，其權(quán)值則為：

(6)

通過式6并結(jié)合粒子濾波的原理，可以得到其后驗(yàn)概率分布：

(7)

因此，通過上述引入的卡爾曼濾波，使得每個(gè)粒子其可以采用單獨(dú)的卡爾曼濾波來產(chǎn)生新的概率分布，每個(gè)不同的粒子也隨著其均值和協(xié)方差的高斯推移而呈現(xiàn)出同步的進(jìn)化，由此就很自然的獲取了當(dāng)前幀獲得的測(cè)量信息，這些信息又可以有效地驅(qū)動(dòng)新的粒子向后驗(yàn)概率密度的狀態(tài)空間移動(dòng)。具體過程可表示為：

(8)

(9)

(10)

式中，A表示狀態(tài)轉(zhuǎn)移矩陣。式8表示通過t-1時(shí)刻對(duì)t時(shí)刻狀態(tài)的預(yù)測(cè)，式9表示相應(yīng)的協(xié)方差預(yù)測(cè)方程,式10為測(cè)量值的計(jì)算公式。

4 基于改進(jìn)的KP濾波算法設(shè)計(jì)

KP濾波算法設(shè)計(jì)見表1。

5 遮擋處理

結(jié)合上述分析，過去采用的自適應(yīng)方式對(duì)濾波器進(jìn)行調(diào)整已經(jīng)不再合適，因此，本文針對(duì)人體運(yùn)動(dòng)肢體被遮擋的問題，提出在對(duì)Kalman測(cè)量值計(jì)算過程中采用聚類結(jié)果，使得遮擋初步為再次出現(xiàn)。具體的實(shí)現(xiàn)過程如下。

表1 KP濾波算法設(shè)計(jì)

結(jié)合顏色聚類算法，可以得到在初始時(shí)刻和在t時(shí)刻的目標(biāo)點(diǎn)的數(shù)目，分別為M0、Mt。定義：

通過計(jì)算可得到其中λ的值，因此，定義給定限制條件，當(dāng)λ>0.3的時(shí)候，濾波算法中求算測(cè)量值的過程中相應(yīng)的參數(shù)才被更新，否則則一直被顯示。

6 試驗(yàn)驗(yàn)證

本文采用CanonIXUS55相機(jī),從而使得人體目標(biāo)定位結(jié)果處于二維平面之中，通過試驗(yàn)比較可得到如圖1所示的結(jié)果，雖然存在遮擋，但是采用改進(jìn)算法后，其不受到影響。

在傳統(tǒng)的算法中，需要采用32粒子才能完成人體肢體的定位，在本算法中只選用了23粒子，從而提高了計(jì)算的效率。

7 結(jié)語

通過上述對(duì)人體肢體運(yùn)動(dòng)算法的構(gòu)建，實(shí)現(xiàn)了在遮擋情況下對(duì)人體肢體目標(biāo)的定位，從而更好地提高了當(dāng)前視覺特征的目標(biāo)定位，成果可被用于軍事偵察、醫(yī)學(xué)中風(fēng)檢測(cè)等方面。

圖1 傳統(tǒng)粒子算法與KP算法結(jié)果

[1] 張兆楊，楊高波，劉志，等.視頻對(duì)象分割提取的原理與應(yīng)用[M].北京：科學(xué)出版社，2009.

[2] 徐玉玲,李中偉,鐘凱,等.基于數(shù)學(xué)形態(tài)學(xué)光筆測(cè)量系統(tǒng)的特征點(diǎn)圖像識(shí)別算法[J].新技術(shù)新工藝， 2014(6)：65-71.

[3] 徐小龍，高錦宏，王殿君，等. 基于MATLAB的七自由度機(jī)器人運(yùn)動(dòng)學(xué)及工作空間仿真[J].新技術(shù)新工藝，2014(5)：21-24.

責(zé)任編輯李思文

TrackingAlgorithmbasedontheColorModel

DONG Yinghui

(Shangluo College, Shangluo 726000, China)

Aimed at the particle leads to more traditional particle filter algorithm to estimate the posterior probability distribution problems, proposed an improved particle filter algorithm based on Kalman filter, which makes the sampling particles are mostly concentrated in the region of high probability, improve operational efficiency. At the same time, according to the motion of the human upper limb was in large area with color interference or suffered a long time in case of occlusion, proposed a method of clustering results, the realization of the human upper limb tracking.

Kalman-Particle filter, human upper limb, adaptive

G 804.66

：A

董英輝(1980-)，男，碩士，講師，主要從事體育訓(xùn)練等方面的研究。

2015-01-03