Opencv实现粒子滤波算法

 

           摘要

 

　　本文通过opencv实现了一种目标跟踪算法——粒子滤波算法，算法的思想来源于文献[1][2],且在其思想上稍微做了些修改。其大概过程是：首先手动用鼠标框出一个目标区域，计算其直方图特征值作为模板，然后在该目标中心周围撒粒子，根据所撒粒子为中心的矩形框内计算其直方图特征，并与目标相比较，最后根据比较出的结果重复上面过程，即重采样的方法撒粒子，粒子扩散，状态观察，目标预测。最后通过实验证明，取得了较好的效果。

 

关键字：目标跟踪，粒子滤波，opencv

 

      前言

 

　　目标跟踪过程分为2部分，即目标特征提取和目标跟踪算法。

　　其中目标特征提取又包括以下几种：1. 各种色彩空间直方图，利用色彩空间的直方图分布作为目标跟踪的特征，可以减少物体远近距离的影响，因为其颜色分布大致相同。2.轮廓特征，提取目标的轮廓特征，可以加快算法的速度，且可以在目标有小部分影响的情况下同样有效果。3. 纹理特征，如果被跟踪目标是有纹理的，则根据其纹理特征来跟踪效果会有所改善。

　　目标跟踪算法目前大概分为以下4种：1. 基于meanshift算法，即利用meanshift算法可以快速找到领域目标最相似的地方，效果还不错，但是其只能找到局部最大值，且不能解决遮挡问题以及不能自适应跟踪目标的形状，方向等。其后面有学者对其做了改进，比如说camshift，就可以自适应物体的大小，方向，具有较好的跟踪效果。2. Kalman滤波的思想，该思想是利用物体的运动模型来，即服从高斯模型，来对目标状态进行预测，然后与观察模型进行比较，根据2者之间的误差来寻找运动目标的状态，但是该算法的精度不高，因为其高斯运动模型在现实生活中很多条件下并得不到满足，并且该算法对杂乱的背景也很敏感。3. 基于粒子滤波的思想，每次通过实验可以重采样粒子的分布，根据该分布对粒子进行扩散，然后通过扩散的结果来观察目标的状态，最后更新目标的状态。该算法最大的特点是跟踪速度快，且能解决一部分遮挡问题，在实际应用过程中越来越多。4.基于目标建模的方法。该方法具有一定的针对性，需要提前知道所需跟踪的目标是什么，比如说车辆，人脸，行人等。由于已经知道了跟踪目标，所以必须对目标进行建模，然后利用该模型来进行跟踪。该方法的局限性是必须提前知道所跟踪的目标是什么，因而其推广性比较差。

　　本文通过学习文献[1],初步从理论上了解了粒子滤波的几个步骤，然后参考文献[2]中基于颜色直方图的跟踪算法，自己实现了一个粒子滤波目标跟踪器。本文实现的算法只能进行单目标跟踪，后面有学者将粒子滤波的思想扩展到多目标跟踪，比如说文献[3].

　　

            实现过程

 

　　1. 在摄像头采集到的视频序列中手动标注一个目标区域，用矩形框表示，并计算该目标区域内的直方图，作为匹配模板。

　　2. 在选中的目标区域中心处撒预定值为100的粒子数目，并对这100个粒子的结构体都初始化为同样的值，比如说粒子位置为目标区域中心，粒子矩形长宽为目标矩形长宽，粒子的初始尺寸为1.等等。

　　其粒子的结构体和注释如下：

　　/****定义粒子结构体****/

　　typedef struct particle

　　{

　　   int orix,oriy;//原始粒子坐标

　　   int x,y;//当前粒子的坐标

　　   double scale;//当前粒子窗口的尺寸

　　   int prex,prey;//上一帧粒子的坐标

　　   double prescale;//上一帧粒子窗口的尺寸

　　   Rect rect;//当前粒子矩形窗口

　　   Mat hist;//当前粒子窗口直方图特征

　　   double weight;//当前粒子权值 

　　}PARTICLE;

　　3. 利用二阶动态模型对这100个粒子进行随机扩散，每个粒子根据二阶随机动态模型扩散到一个新的位置。

　　4. 计算以新位置处每个粒子为中心的矩形框内图像的直方图特征，然后每个特征都与目标模板直方图进行比较，计算其相似度。

　　5. 根据计算得到的相似度算出每个粒子的权值，即相似度伟大的权值越大，并且对权值进行归一化。

　　6. 取最大权值处的粒子中心为跟踪目标中心，并根据粒子结构体中的尺寸成员算出目标的矩形框。

　　7. 根据上一个状态的粒子分布情况，按照其权值乘以粒子总数100进行重采用，即权值大的粒子其采样得到的粒子数也大。这样可以重采用重新得到100个粒子。

　　8. 根据这100个粒子的情况，重新进入步骤3进行循环，经过对粒子权值分布的重采样，根据二阶随机运动模型进行粒子扩散，根据直方图的巴氏距离推断粒子权值，然后取权值最大的那个作为目标，如此循环。

 

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　      程序流程图

 

                                                                         

　　　　　　　　　　　　　　　　　　　　　　　　　　

 

 实验代码

实验代码如下：

// particle_tracking.cpp : 定义控制台应用程序的入口点。//#include "stdafx.h"#include <opencv2/core/core.hpp>#include "opencv2/imgproc/imgproc.hpp"#include <opencv2/highgui/highgui.hpp>#include <stdio.h>#include <iostream>using namespace cv;using namespace std;Rect select;bool select_flag=false;bool tracking=false;//跟踪标志位bool select_show=false;Point origin;Mat frame,hsv;int after_select_frames=0;//选择矩形区域完后的帧计数/****rgb空间用到的变量****///int hist_size[]={16,16,16};//rgb空间各维度的bin个数//float rrange[]={0,255.0};//float grange[]={0,255.0};//float brange[]={0,255.0};//const float *ranges[] ={rrange,grange,brange};//range相当于一个二维数组指针/****hsv空间用到的变量****/int hist_size[]={16,16,16};float hrange[]={0,180.0};float srange[]={0,256.0};float vrange[]={0,256.0};//int hist_size[]={32,32,32};//float hrange[]={0,359.0.0};//float srange[]={0,1.0};//float vrange[]={0,1.0};const float *ranges[]={hrange,srange,vrange};int channels[]={0,1,2};/****有关粒子窗口变化用到的相关变量****/int A1=2;int A2=-1;int B0=1;double sigmax=1.0;double sigmay=0.5;double sigmas=0.001;/****定义使用粒子数目宏****/#define PARTICLE_NUMBER 100 //如果这个数设定太大，经测试这个数字超过25就会报错，则在运行时将会出现错误/****定义粒子结构体****/typedef struct particle{    int orix,oriy;//原始粒子坐标    int x,y;//当前粒子的坐标    double scale;//当前粒子窗口的尺寸    int prex,prey;//上一帧粒子的坐标    double prescale;//上一帧粒子窗口的尺寸    Rect rect;//当前粒子矩形窗口    Mat hist;//当前粒子窗口直方图特征    double weight;//当前粒子权值}PARTICLE;PARTICLE particles[PARTICLE_NUMBER];/************************************************************************************************************************//****                            如果采用这个onMouse()函数的话，则可以画出鼠标拖动矩形框的4种情形                        ****//************************************************************************************************************************/void onMouse(int event,int x,int y,int,void*){    //Point origin;//不能在这个地方进行定义，因为这是基于消息响应的函数，执行完后origin就释放了，所以达不到效果。    if(select_flag)    {        select.x=MIN(origin.x,x);//不一定要等鼠标弹起才计算矩形框，而应该在鼠标按下开始到弹起这段时间实时计算所选矩形框        select.y=MIN(origin.y,y);        select.width=abs(x-origin.x);//算矩形宽度和高度        select.height=abs(y-origin.y);        select&=Rect(0,0,frame.cols,frame.rows);//保证所选矩形框在视频显示区域之内        //        rectangle(frame,select,Scalar(0,0,255),3,8,0);//显示手动选择的矩形框    }    if(event==CV_EVENT_LBUTTONDOWN)    {        select_flag=true;//鼠标按下的标志赋真值        tracking=false;        select_show=true;        after_select_frames=0;//还没开始选择，或者重新开始选择，计数为0        origin=Point(x,y);//保存下来单击是捕捉到的点        select=Rect(x,y,0,0);//这里一定要初始化，因为在opencv中Rect矩形框类内的点是包含左上角那个点的，但是不含右下角那个点。    }    else if(event==CV_EVENT_LBUTTONUP)    {        select_flag=false;        tracking=true;        select_show=false;        after_select_frames=1;//选择完后的那一帧当做第1帧    }}/****粒子权值降序排列函数****/int particle_decrease(const void *p1,const void *p2){    PARTICLE* _p1=(PARTICLE*)p1;    PARTICLE* _p2=(PARTICLE*)p2;    if(_p1->weight<_p2->weight)        return 1;    else if(_p1->weight>_p2->weight)        return -1;    return 0;//相等的情况下返回0}int main(int argc, unsigned char* argv[]){    char c;    Mat target_img,track_img;    Mat target_hist,track_hist;    PARTICLE *pParticle;    /***打开摄像头****/    VideoCapture cam(0);    if (!cam.isOpened())        return -1;    /****读取一帧图像****/    cam>>frame;    if(frame.empty())        return -1;    VideoWriter output_dst( "demo.avi", CV_FOURCC('M', 'J', 'P', 'G'), 10, frame.size(), 1 );    /****建立窗口****/    namedWindow("camera",1);//显示视频原图像的窗口    /****捕捉鼠标****/    setMouseCallback("camera",onMouse,0);    while(1)    {        /****读取一帧图像****/        cam>>frame;        if(frame.empty())            return -1;        /****将rgb空间转换为hsv空间****/        cvtColor(frame,hsv,CV_BGR2HSV);        if(tracking)        {            if(1==after_select_frames)//选择完目标区域后            {                /****计算目标模板的直方图特征****/                target_img=Mat(hsv,select);//在此之前先定义好target_img,然后这样赋值也行，要学会Mat的这个操作                calcHist(&target_img,1,channels,Mat(),target_hist,3,hist_size,ranges);                normalize(target_hist,target_hist);                /****初始化目标粒子****/                pParticle=particles;//指针初始化指向particles数组                for(int x=0;x<PARTICLE_NUMBER;x++)                {                    pParticle->x=cvRound(select.x+0.5*select.width);//选定目标矩形框中心为初始粒子窗口中心                    pParticle->y=cvRound(select.y+0.5*select.height);                    pParticle->orix=pParticle->x;//粒子的原始坐标为选定矩形框(即目标)的中心                    pParticle->oriy=pParticle->y;                    pParticle->prex=pParticle->x;//更新上一次的粒子位置                    pParticle->prey=pParticle->y;                    pParticle->rect=select;                    pParticle->prescale=1;                    pParticle->scale=1;                    pParticle->hist=target_hist;                    pParticle->weight=0;                    pParticle++;                }            }            else if(2==after_select_frames)//从第二帧开始就可以开始跟踪了            {                double sum=0.0;                pParticle=particles;                RNG rng;//随机数产生器                /****更新粒子结构体的大部分参数****/                for(int i=0;i<PARTICLE_NUMBER;i++)                {                    int x,y;                    int xpre,ypre;                    double s,pres;                    xpre=pParticle->x;                    ypre=pParticle->y;                    pres=pParticle->scale;                    /****更新粒子的矩形区域即粒子中心****/                    x=cvRound(A1*(pParticle->x-pParticle->orix)+A2*(pParticle->prex-pParticle->orix)+                        B0*rng.gaussian(sigmax)+pParticle->orix);                    pParticle->x=max(0,min(x,frame.cols-1));                    y=cvRound(A1*(pParticle->y-pParticle->oriy)+A2*(pParticle->prey-pParticle->oriy)+                        B0*rng.gaussian(sigmay)+pParticle->oriy);                    pParticle->y=max(0,min(y,frame.rows-1));                    s=A1*(pParticle->scale-1)+A2*(pParticle->prescale-1)+B0*(rng.gaussian(sigmas))+1.0;                    pParticle->scale=max(1.0,min(s,3.0));                    pParticle->prex=xpre;                    pParticle->prey=ypre;                    pParticle->prescale=pres;            //        pParticle->orix=pParticle->orix;            //        pParticle->oriy=pParticle->oriy;                    //注意在c语言中，x-1.0，如果x是int型，则这句语法有错误,但如果前面加了cvRound(x-0.5)则是正确的                    pParticle->rect.x=max(0,min(cvRound(pParticle->x-0.5*pParticle->scale*pParticle->rect.width),frame.cols));                    pParticle->rect.y=max(0,min(cvRound(pParticle->y-0.5*pParticle->scale*pParticle->rect.height),frame.rows));                    pParticle->rect.width=min(cvRound(pParticle->rect.width),frame.cols-pParticle->rect.x);                    pParticle->rect.height=min(cvRound(pParticle->rect.height),frame.rows-pParticle->rect.y);            //        pParticle->rect.width=min(cvRound(pParticle->scale*pParticle->rect.width),frame.cols-pParticle->rect.x);            //        pParticle->rect.height=min(cvRound(pParticle->scale*pParticle->rect.height),frame.rows-pParticle->rect.y);                    /****计算粒子区域的新的直方图特征****/                    track_img=Mat(hsv,pParticle->rect);                    calcHist(&track_img,1,channels,Mat(),track_hist,3,hist_size,ranges);                    normalize(track_hist,track_hist);                    /****更新粒子的权值****/                    //            pParticle->weight=compareHist(target_hist,track_hist,CV_COMP_INTERSECT);                    //采用巴氏系数计算相似度,永远与最开始的那一目标帧相比较                    pParticle->weight=1.0-compareHist(target_hist,track_hist,CV_COMP_BHATTACHARYYA);                    /****累加粒子权值****/                    sum+=pParticle->weight;                    pParticle++;                }                /****归一化粒子权重****/                pParticle=particles;                for(int i=0;i<PARTICLE_NUMBER;i++)                {                    pParticle->weight/=sum;                    pParticle++;                }                /****根据粒子的权值降序排列****/                pParticle=particles;                qsort(pParticle,PARTICLE_NUMBER,sizeof(PARTICLE),&particle_decrease);                /****根据粒子权重重采样粒子****/                PARTICLE newParticle[PARTICLE_NUMBER];                int np=0,k=0;                for(int i=0;i<PARTICLE_NUMBER;i++)                {                    np=cvRound(pParticle->weight*PARTICLE_NUMBER);                    for(int j=0;j<np;j++)                    {                        newParticle[k++]=particles[i];                        if(k==PARTICLE_NUMBER)                            goto EXITOUT;                    }                }                while(k<PARTICLE_NUMBER)                    newParticle[k++]=particles[0];EXITOUT:                for(int i=0;i<PARTICLE_NUMBER;i++)                    particles[i]=newParticle[i];            }//end else            //????????这个排序很慢，粒子数一多就卡        //    qsort(pParticle,PARTICLE_NUMBER,sizeof(PARTICLE),&particle_decrease);            /****计算粒子期望，采用所有粒子位置的期望值做为跟踪结果****/            /*Rect_<double> rectTrackingTemp(0.0,0.0,0.0,0.0);            pParticle=particles;            for(int i=0;i<PARTICLE_NUMBER;i++)            {                rectTrackingTemp.x+=pParticle->rect.x*pParticle->weight;                rectTrackingTemp.y+=pParticle->rect.y*pParticle->weight;                rectTrackingTemp.width+=pParticle->rect.width*pParticle->weight;                rectTrackingTemp.height+=pParticle->rect.height*pParticle->weight;                pParticle++;            }*/            /****计算最大权重目标的期望位置，作为跟踪结果****/            Rect rectTrackingTemp(0,0,0,0);            pParticle=particles;            rectTrackingTemp.x=pParticle->x-0.5*pParticle->rect.width;            rectTrackingTemp.y=pParticle->y-0.5*pParticle->rect.height;            rectTrackingTemp.width=pParticle->rect.width;            rectTrackingTemp.height=pParticle->rect.height;            /****计算最大权重目标的期望位置，采用权值最大的1/4个粒子数作为跟踪结果****/            /*Rect rectTrackingTemp(0,0,0,0);            double weight_temp=0.0;            pParticle=particles;            for(int i=0;i<PARTICLE_NUMBER/4;i++)            {                weight_temp+=pParticle->weight;                pParticle++;            }            pParticle=particles;            for(int i=0;i<PARTICLE_NUMBER/4;i++)            {                pParticle->weight/=weight_temp;                pParticle++;            }            pParticle=particles;            for(int i=0;i<PARTICLE_NUMBER/4;i++)            {                rectTrackingTemp.x+=pParticle->rect.x*pParticle->weight;                rectTrackingTemp.y+=pParticle->rect.y*pParticle->weight;                rectTrackingTemp.width+=pParticle->rect.width*pParticle->weight;                rectTrackingTemp.height+=pParticle->rect.height*pParticle->weight;                pParticle++;            }*/            /****计算最大权重目标的期望位置，采用所有粒子数作为跟踪结果****/            /*Rect rectTrackingTemp(0,0,0,0);            pParticle=particles;            for(int i=0;i<PARTICLE_NUMBER;i++)            {                rectTrackingTemp.x+=cvRound(pParticle->rect.x*pParticle->weight);                rectTrackingTemp.y+=cvRound(pParticle->rect.y*pParticle->weight);                pParticle++;            }            pParticle=particles;            rectTrackingTemp.width = pParticle->rect.width;            rectTrackingTemp.height = pParticle->rect.height;*/            //创建目标矩形区域            Rect tracking_rect(rectTrackingTemp);            pParticle=particles;            /****显示各粒子运动结果****/            for(int m=0;m<PARTICLE_NUMBER;m++)            {                rectangle(frame,pParticle->rect,Scalar(255,0,0),1,8,0);                pParticle++;            }            /****显示跟踪结果****/            rectangle(frame,tracking_rect,Scalar(0,0,255),3,8,0);            after_select_frames++;//总循环每循环一次，计数加1            if(after_select_frames>2)//防止跟踪太长，after_select_frames计数溢出                after_select_frames=2;        }        if(select_show)            rectangle(frame,select,Scalar(0,0,255),3,8,0);//显示手动选择的矩形框        output_dst<<frame;        //显示视频图片到窗口        imshow("camera",frame);        //    select.zeros();        //键盘响应        c=(char)waitKey(20);        if(27==c)//ESC键            return -1;    }    return 0;}

 

                                                                                                  　　实验结果

 

　　实验结果如下图所示，其中红色框为跟踪到的目标，绿色框为跟踪过程中粒子所在位置的矩形框。分为4组实验对比，分别手动标注4个不同的部位进行跟踪，达到了较好的效果。（此处图略，图片是用摄像头跟踪本人多个部位的结果，不好贴图）

目标1的跟踪效果：(略)

目标2的跟踪效果：(略)

目标3的跟踪效果：(略)

目标4的跟踪效果：(略)

 

      　　　　　　　　　　　　　　　　　　　　　　　　　　               实验总结

 

　　通过本次实验可以更加深刻的理解了粒子滤波的算法思想，熟悉了粒子滤波算法的几个步骤，并且对opencv这个工具有了更深一步的认识，编程功底也得到了相应的提高，体会 到了科研的乐趣。

 

  　　　　　　　　　　　　　　　　　　　　　　　　　　                    参考文献：

 

1. Isard, M. and A. Blake (1998). "Condensation—conditional density propagation for visual tracking." International journal of computer vision 29(1): 5-28.

2. Nummiaro, K., E. Koller-Meier, et al. (2003). "An adaptive color-based particle filter." Image and Vision Computing 21(1): 99-110.

3. Okuma, K., A. Taleghani, et al. (2004). "A boosted particle filter: Multitarget detection and tracking." Computer Vision-ECCV 2004: 28-39.