基于加权颜色直方图和粒子滤波的彩色物体跟踪

第21卷第8期

V o l .21N o.8

　控　制　与　决　策

Con trol

and

D ecision

　2006年8月

A ug .2006

收稿日期:2005206207;修回日期:2005210212.

基金项目:辽宁省高等学校学科拔尖人才资金项目(2003254);大连理工大学青年教师培养基金项目.

作者简介:庄严(1975—),男,沈阳人,博士,从事移动机器人定位、地图创建、导航及图像处理研究;王伟(1955—),

男,辽宁鞍山人,教授,博士生导师,从事预测控制、智能控制及机器人控制技术的研究.

文章编号:100120920(2006)0820868205

基于加权颜色直方图和粒子滤波的彩色物体跟踪

庄　严1,战洪斌2,王　伟1,王　珂1

(1.大连理工大学信息与控制研究中心,辽宁大连116024;2.沈阳交通技术学校,沈阳110026)

摘　要:结合粒子滤波技术,提出一种基于加权颜色直方图的彩色物体跟踪算法.将目标颜色直方图作为目标的颜色模型,同时考虑其大小及像素点的位置对颜色分布的影响,将颜色直方图进行加权处理,使模型对区域特征描述更加合理.利用巴特查理亚距离描述粒子与目标颜色模型的相似性,作为粒子更新权值的有力依据.目标颜色模型的合理建立使得算法的粒子需求量少,计算复杂度降低,利于实现实时跟踪.试验结果验证了该算法的有效性和实用性.关键词:粒子滤波;加权颜色直方图;彩色物体跟踪;巴特查理亚距离中图分类号:T P 24 文献标识码:A

W e ighted Color H istogram Based Particle F ilter for V isual Target Track i ng

ZH UA N G Y an 1

,ZH A N H ong 2bin 2

,W A N G W ei 1

,W A N G K e

1

(1.R esearch Center of Info r m ati on and Contro l ,D alian U niversity of T echno logy ,D alian 116024,Ch ina ;2.Shenyang Comm unicati on T echno logy Schoo l ,Shenyang 110026,Ch ina .Co rrespondent :ZHUAN G Yan ,E 2m ail :zhuang @dlut .edu .cn )

Abstract :A m ethod of track ing co lo red object in no isy environm ent is discussed .In o rder to i m p lem ent an effective and robust track ing task ,a novel app roach of w eigh ted co lo r h istogram based particle filter algo rithm is p resented ,w h ich no t only integrates co lo r h istogram into particle filtering ,but also takes into account the target’s shape as a necessary facto r in target model

.Further mo re ,Bhattacharyya distance is emp loyed to esti m ate the si m ilarity

betw een the target model and each hypo theses of the particle filter ,w h ich m akes the m easurem ent m atch ing and samp les’w eigh t updating mo re reasonable .T he i m p lem entati on of th is m ethod exh ibits robust results fo r different situati on such as partial occlusi on ,ro tati on and shape disto rti on .Experi m ent results show the validity and

p racticability of the m ethod .

Key words :Particle filter ;W eigh ted co lo r h istogram ;Co lo red object track ing ;Bhattacharyya distance

1　引 言

动态场景中的物体跟踪问题是目前机器视觉研究领域的热点问题.它的主要任务是从图像序列中检测、识别并跟踪动态目标,甚至能够理解并描述目标物体行为,可广泛应用于视觉监控、人机交互以及机器人足球赛[1～3]等领域.针对跟踪对象和应用场景的不同,研究人员提出了不同的跟踪方法.卡尔曼滤波和扩展卡尔曼滤波是在概率框架下对目标状态进行递归预测的两种常用方法,但其运动模型和观

测模型受高斯分布的约束,无法有效处理多峰值分布模式的情况.

粒子滤波(PF )为解决非高斯、非线性系统的目标跟踪问题提供了有效手段.它基于蒙特卡洛方法实现递归贝叶斯估计.由于利用了随机粒子组离散的表示目标状态的后验概率密度函数(PD F ),该方法不受动态系统各个随机量分布形式的限制,能够有效地应用于非线性、非高斯的运动系统中.例如,

Isard 等[3]

利用PF 算法跟踪连续图像序列中的轮

廓;N umm iaro等[4]将其应用于监控系统中跟踪非刚性物体.本文引入一种特殊的粒子滤波方法——浓缩算法(Conden sati on)[3].该算法起源于计算机视觉领域,通常用来处理图像序列中的目标跟踪问题.

在彩色物体跟踪的研究中,本文力图将目标的颜色信息引入PF中,所以建立目标的颜色分布模型尤为关键,它是实现PF权值更新以及目标状态估计的依据.目前有很多建立目标颜色模型的方法,文献[4]利用自适应的阈值方法将目标从背景图像中分离出来;文献[5]将目标像素的亮度分量建模成正态分布;文献[6]利用高斯混合模型表示环境图像中的像素.但在实际应用中,当背景环境或目标本身颜色分布较为复杂时,这些方法都不能提供一个鲁棒性强且计算高效的解决方案.

相比较而言,颜色直方图是一种较为实用的区域颜色建模方法.该方法对于目标被部分遮挡、旋转以及形变等情况都有较强的适应性,且易于实现[4].本文将其与PF相结合,提出一种基于加权颜色直方图的彩色物体跟踪算法.利用PF算法跟踪目标的颜色分布模型,同时引入巴特查里亚距离,比较粒子区域的颜色直方图与目标颜色直方图的相似性,作为PF粒子权值更新的依据.考虑到目标区域的大小及其中像素点所在位置的不同对颜色分布的影响,对颜色直方图进行加权处理,使得粒子的观测匹配以及权值更新更加合理有效.同时,利用对粒子所在区域的局部计算代替对环境图像进行全局分割,大大降低了计算量,提高了方法的实时性.此外,本文还讨论了利用动态颜色模型代替恒定模型处理目标的颜色分布发生显著变化的情况,以及在监控系统中应用初始化策略发现并跟踪目标.

2　颜色分布模型

本文采用加权颜色直方图作为目标的颜色分布模型.假设整个颜色空间被离散化成m个子区域,统计环境图像中每个像素的颜色向量落在相应子区域中的频数,得到由m个条柱组成的颜色直方图.同时考虑到目标大小以及像素点在目标区域中所处的位置对颜色直方图的构建产生的影响,算法又对每个像素进行了加权处理,从而使目标的颜色模型将更加准确.由于图像采集设备输出为R GB模式的图像,而R GB色彩空间中亮度信息不独立,为了增加跟踪方法对光照变化的适应性,将R GB色彩空间转换到H S I色彩空间,且不考虑亮度分量I的影响.这样,颜色直方图可由m=8×8×1个条柱组成.

对于一个长半轴为w,短半轴为h的特定区域,在建立其颜色分布模型时,不同位置的像素对于颜色直方图的贡献不同,那些距离目标区域中心较远的像素被赋予较小权值,尤其位于区域边界的像素,由于其权值很小,对颜色直方图的建立几乎不起作用.这里,权值函数为

k(r)=

1-r2,r<1;

0,r≥1.

(1)其中r为某点到区域中心的距离.用p y= {p(u)y}u=1,2,…,m表示中心点在y处的区域颜色分布,那么

p(u)y=f∑

N

i=1

k(‖y-x i‖

a

)?[h(x i)-u].(2)其中:N表示目标区域内的像素数;x i为目标区域中的某个点;h(x i)将x i点的颜色分配给颜色直方图中的相应条柱;?为狄拉克函数;参数a= w2+h2描述目标区域的大小;标准化因子

f=

1

∑N

i=1

k(‖y-x i‖

a

)

,(3)

使得∑m

u=1

p(u)y=1.

3　基于加权颜色直方图的粒子滤波跟踪实现

3.1　跟踪算法

PF的核心思想是利用一组带有权值的粒子{S(i)k,Ξ(i)k}N s i=1近似表示k时刻目标状态的后验PD F,每个粒子S(i)k=[x(i)y(i)x

α(i)

y

α(i)

w(i)h(i)w

α(i)

h

α(i)]T代表目标的一个假设状态,用一个与目标区域一致的特定形状(圆、椭圆、矩形等)表示.Ξ(i)k对应粒子的离散采样概率,且∑

N s

i=1

Ξ(i)k=1.当粒子数足够大时,这种对目标状态的后验离散加权估计可以接近贝叶斯最优解,所以能够解决动态系统的状态估计问题.本文利用目标的加权颜色直方图作为前景观测信息更新粒子的权值,粒子区域的颜色分布与目标颜色分布越相似,权值越大,反之越小.为此,本文引入巴特查理亚距离作为目标颜色直方图与粒子区域的颜色直方图相似性的量度[4].一般两个连续分布p(u)和q(u)的巴特查理亚系数为

Θ[p,q]=∫p(u)q(u)d u.(4)将式(4)中的连续积分函数离散化,并将两个颜色直方图p={p(u)}u=1,…,m和q={q(u)}u=1,…,m代入,得

Θ[p,q]=∑m

u=1

p(u)q(u),(5)其中Θ∈[0,1].于是,巴特查理亚距离表示为

d=1-Θ[p,q].(6)

968

第8期庄严等:基于加权颜色直方图和粒子滤波的彩色物体跟踪

d 越小,说明粒子所在区域的颜色直方图与目标颜

色直方图越相似,所以该粒子应被赋予较大权值.这

样,得到粒子S (i )

的权值更新公式为

Ξ(i )

=

1

2ΠΡ

exp (-d

2

2Ρ2)

=

1

2ΠΡ

exp (-1-Θ[p s (i )

,q ]

2Ρ2

),(7)

其中p s (i )和q 分别代表粒子区域的颜色直方图以及

目标颜色直方图.在PF 的重采样过程中,权值较小的粒子被忽略,而权值较大的粒子依照其权值大小复制生成若干子代.这样通过层层迭代,这些粒子就能越来越接近目标的真实状态.

假设由式(2)得到目标的颜色直方图表达式

q

(u )

,并给定k -1时刻目标物体的后验估计X

k -1

,由

粒子组{S (i )

k -1,Ξ(i )

k -1}N s

i =1表示,那么基于加权颜色直方图的粒子滤波方法的一步迭代过程分为以下4个步骤:

Step 1:重采样.由粒子组{S (i )k -1,Ξ(i )k -1}N s i =1以概率

P r (S δ(i )k -1=S (j )k -1)=Ξ(j )k -1生成一组新的粒子{S ′

(i )k -1,

1 N s }N s i =1:

1)计算标准累加概率c ′

k -1

c (0)

k -

1

=0,…,c (i

)

k -1

=c (i -1)k -1+Ξ(i )

k -1,

c ′(i )k -1

=c

(i )k -1

∑N s

i =1

c

(i )

k -1

;

2)生成一组服从均匀分布的随机数u ～U (0,1);

3)找到最小的j ,使得c ′

(j )k -1≥u ;

4)令S ′

(i )k -1=S (j )k -11

Step 2:状态预测.粒子组{S ′(i )

k -1,1

N s }N

s i =1利用二维离散时间近似常速度运动模型[7]S δ(i )

k =5k S ′(i

)

k -1

+W

k

作一步预测,得到新的粒子组{S ′(i )

k ,1 N s }N

s i =1.Step 3:权值更新.

1)利用式(2)计算每个粒子S δ(i )

k 所在区域的颜

色直方图表达式P (u )S (i )k

;2)计算巴特查理亚系数

Θ[p s (i )k ,q ]=

∑

u

u =1

p (u )S (i )k q

(u )

;

3)计算更新权值

Ξδ(i )k

=1

2ΠΡ

exp (1-Θ[p (u )s (i )k ,q (u )

]

2Ρ2),

且归一化为Ξ(i )k =Ξδ(i )

k

∑N s

i =1Ξ

δ(i )k

,得到{S

(i )

k ,Ξ(i )

k }N

s i =1;

Step 4:输出,目标状态的均值估计为

E (S k )=

∑N s

i =1

Ξ

(i )

k

S (i )

k .

3.2　动态目标颜色分布模型

光照、视角以及摄像机内部参数等诸多因素都会影响目标的颜色分布,而跟踪过程中目标颜色分布模型的改变也必然影响PF 中粒子权值的准确更新以及最终的跟踪效果.反复试验证明,在室内环境下,目标的景深变化以及人脸的旋转等都会使目标的颜色分布模型发生明显改变(见图1).所以恒定不变的目标颜色模型不能满足准确跟踪的需要.

为此,作者尝试过很多自适应的模型更新方法,但很多情况下由于背景中相似颜色的干扰以及目标被部分遮挡等因素,导致目标模型被错误更新,使PF 中粒子出现误匹配,大大影响了跟踪效果.本文依据经验以及实际情况,采用动态目标颜色模型.如图1所示,跟踪目标球时,目标运动到图像中间1 3部分时,其颜色模型由于景深变化而明显改变;在人脸跟踪过程中,当目标将要进门时,其脸部必然发生旋转,颜色模型也随之改变.在实际应用中,首先对环境图像进行反复学习,找到目标颜色模型可能改变的区域,记录边界特征值(行列值等),并根据区域的不同建立多个目标颜色分布模型.在跟踪过程中,随着目标进入不同的区域来切换不同颜色模型,确保跟踪的准确进行.3.3　初始化策略

初始化策略的基本思想是将初始粒子分布在目标可能出现的区域附近,当粒子满足某种目标出现条件时,跟踪系统由初始化模式切换到跟踪模式;反之,由跟踪模式返回到初始化模式.初始化策略可应用于很多特殊的跟踪任务,例如应用初始化策略可以重新发现被长时间遮挡的目标物体,或在监控系

图1　目标颜色分布模型的动态变化

078控 制 与 决 策

第21卷

图2　跟踪效果

统中检测并跟踪进入摄像机视野的目标.

考虑到目标出现时,位于目标位置附近的初始化粒子与目标颜色分布的巴特查理亚距离会明显小于初始粒子组的平均值,因此为了定义粒子满足的目标出现条件,首先计算初始化粒子组的巴特查理亚距离的均值Λb 和标准差Ρb .

Λb =

1

N

s ∑

N s i =11-Θ[p x i ,q ],(8)Ρ2b =

1

N

s ∑N s i =1

(

1-Θ[p x i ,q ]-Λ)2,

(9)

于是,目标出现条件定义为

d =

1-Θ[p x i ,q ]<Λb +2Ρb .

(10)

由上式可知,某个粒子满足目标出现条件时,意味着该粒子所在区域的颜色分布与目标物体的颜

色分布存在95%的相似度,此时认为该粒子发现目标.当满足出现条件的粒子数大于某一阈值T =b ×N s 时,认为目标出现,系统由初始化模式切换到跟踪模式;反之,在跟踪模式中,如果满足出现条件的粒子数小于该阈值时,切换到初始化模式,等待目标重新出现.

4　实验结果

实验视觉系统由S m artRob2自主移动机器人上机载三星CCD 彩色摄像机以及集成了BT 848芯片的彩色视频捕捉卡组成.图像的采集频率为0.2s 帧,分辨率为192×144像素.4.1　彩色球跟踪试验

实验为对连续图像中的目标球进行跟踪,目标初始位置未知,目标由右至左运动.目标初始状态设定为x 0～U (1,144),y 0～U (1,192),x α0～N (2,2),y α0～N (-22,7),w 0=h 0～N (6,6),w α0=h α0～N (1,3);粒子数N s =100.图2为跟踪效果,其中黑色圆表示粒子,白色圆为对目标状态的估计.图

3,图5和图6分别为跟踪曲线以及目标位置的后验概

率密度在x 方向和y 方向的传播情况

.经反复实验得出如下结论:

1)

基于加权颜色直方图的PF 跟踪算法可以有

效处理目标初始位置未知情况下的跟踪问题1

2)由于噪声影响,状态的后验概率密度传播都是由多峰到单峰的分布(见图5和图6).这表明所提出方法能够通过不断跟踪目标颜色模型,克服干扰,使粒子收敛到目标的真实状态附近1

3)粒子分布的方差可用来判断是否开始准确跟踪.对于不同的跟踪任务,其对应的方差阈值不

图3　跟踪曲线

图4　粒子方差随时间变化情况

图5　后验概率密度在x 方向的传播

图6　后验概率密度在y 方向的传播

1

78第8期庄严等:基于加权颜色直方图和粒子滤波的彩色物体跟踪

图7　

试验结果

图8　监控系统中1号机器人(上行)和2号机器人(下行)的初始化以及跟踪效果

同.本试验从第10帧开始,也就是当粒子方差小于20时(见图3和图4),认为已经找到目标并开始准确跟踪.

4.2　初始化策略在监控系统中的应用

在一个实际的监控系统中,应用本文方法以及初始化策略跟踪图像序列中的人脸.试验中利用2个可以进行实时无线通讯的Sm artRob 2全自主机器人作为监控系统中的监视器,系统的基本结构如图7(a )所示.在人脸的颜色分布模型已知的前提下,走廊中的1号机器人利用初始化策略在人脸最可能出现的位置附近分布300个粒子;当有人进入其视野时,立即由初始化模式转换为跟踪模式,同时位于室内的2号机器人接收到1号机器人的指令,进入初始化模式,将200个粒子分布在门口附近;当目标进入室内被2号机器人检测到时,2号机器人立即进入跟踪模式;同时1号机器人接收到指令转入初始化模式.整个监控系统的跟踪结果如图8所示.

初始化模式与跟踪模式的切换应用了式(10)定义的出现条件,图7(b )为2个机器人满足出现条件的粒子数随时间的变化情况.试验中,1号和2号机器人满足出现条件的粒子阈值T 分别设为40和25.因此,由图7(b )可以看出,对于2个机器人而言,第

10帧和第22帧是它们进行模式切换的关键帧.

5　结 论

本文重点研究了如何应用基于加权颜色直方图的PF 算法实现噪声环境下的彩色物体跟踪问题.利用加权颜色直方图作为目标颜色分布模型,将目标的大小以及各个像素点对颜色直方图的贡献以加权方式描述.将巴特查理亚距离引入PF 算法,用于比较粒子模型与目标模型的相似性,使得粒子的权值更新更加合理、有效.在此基础上,本文还讨论了如何应用动态目标颜色模型以及初始化策略处理复杂的跟踪问题.试验结果表明,本文方法不仅能有效处理目标初始位置未知时的跟踪问题,而且可以成功地应用于监控系统中跟踪动态目标,具有一定实用价值.如何利用本文方法实现多物体跟踪以及将其应用到移动机器人的动态跟踪中是下一步研究工作的重点.参考文献(References )

[1]T rep tow A ,Zell A .R eal 2ti m e O bject T rack ing fo r

Soccer 2robo ts w ithout Co lo r Info r m ati on [J ].R obotics and A u tono m ous S y ste m s ,2004,48(1):41248.

(下转第878页)

参考文献(References)

[1]Chen Y Y,L eitm ann G,X i ong Z K.Robust Contro l

D esign fo r Interconnected System s w ith T i m e2varying

U ncertainties[J].Int J C on trol,1991,54(4):14572 1477.

[2]L iu X P,H uang G S.Global D ecentralized Robust

Stabilizati on fo r Interconnected U ncertain N onlinear System s w ith M ulti p le Inputs[J].A u to m atica,2001,37

(5):143521442.

[3]X ie S L,L ie L H.D ecentralized Global Robust

Stabilizati on of a C lass of Interconnected M ini m um2 phase N onlinear System s[J].S y ste m s&L etters,2000, 41(2):2512263.

[4]J iang Z P.D ecentralized D isturbance A ttenuating

O utput2feedback T rackers fo r L arge2scale N onlinear System s[J].A u to m atica,2002,38(5):140721415. [5]A rsian G,Basar T.D ecentralized R isk2sensitive

Contro ller D esign fo r Strict2feedback System s[J].

S y ste m s&L etters,2003,50(2):3832393.

[6]Tong S,L i H,Chen G.A dap tive Fuzzy D ecentralized

Contro l fo r a C lass of L arge2scale N onlinear System s

[J].IE E E T rans SM C2P art B,2004,34(1):7702775.

[7]W u H S.D ecentralized A dap tive Robust Contro l fo r a

C lass of L arge2scale System s Including

D elayed State

Perturbati ons in the Interconnecti ons[J].IE E E T rans

A u to m atic C on trol,2002,47(10):174521751.

[8]谢立,何星.随机非线性时滞大系统的输出反馈分散镇

定[J].控制理论与应用,2003,20(6):8252830.

(X ie L i,H e X.D ecentralized O utput Feedback Stabilizati on fo r L arge2scale Stochastic N onlinear System w ith T i m e D elays[J].C ontrol T heory&

A p p lications,2003,20(6):8252830.)

[9]Po lycarpou M M.Stable A dap tive N eural Contro l

Schem e fo r N onlinear System s[J].IE E E T rans

A u to m atic C on trol,1996,41(3):4472451.

[10]H ale J K,L unel S M.In trod uction to F unctional

D if f eren tia l

E quations[M].N ew Yo rk:Sp ringer2

V erlag,1993.

[11]W ang D,H uang J.N eural N etw o rk2based A dap tive

D ynam ic Surface Contro l fo r a C lass of U ncertain

N onlinear System s in Strict2feedback Fo r m[J].IE E E T rans N eu ra l N et w orks,2005,16(1):1952202.

(上接第867页)

[3]M ousseau V,Slow insk i R.Inferring an EL ECTR E TR I

M odel from A ssignm ent Examp les[J].J of G lobal Op ti m iz ation,1998,12(2):1572174.

[4]A n N go T he,M ousseau V.U sing A ssignm ent

Examp les to Infer Catego ry L i m its fo r the EL ECTR E TR IM ethod[J].J of M u lti2criteria D ecision A naly sis, 2002,11(1):29243.

[5]Beuthe M,Scannella https://www.wendangku.net/doc/ca5209419.html,parative A nalysis of U TA

M ulticriteria M ethods[J].E u rop ean J of Op erations R esearch,2001,130(2):2462262.

[6]Zopounidis C,Doumpo s M.M ulti2group D iscri m inati on

U sing M ulti2criteria A nalysis:Illustrati ons from the

F ield of F inance[J].E u rop ean J of Op erational

R esearch,2002,139(2):3712389.

[7]Yang J B.R ule and U tility Based Evidential R easoning

A pp roach fo r M ultiattribute D ecisi on A nalysis under

U ncertainties[J].E u rop ean J of Op erational R esearch, 2001,131(1):31261.

[8]玄光男,程润伟.遗传算法与工程设计[M].北京:清华

大学出版社,2004.

(Gen M S,Cheng R W.Genetic A lg orithm s and

E ng ineering Op ti m iz ation[M].Beijing:T singhua

U niversity P ress,2004.)

(上接第872页)

[2]Bobick A,W ilson A.A State2based T echnique fo r the

Summ arizati on and R ecogniti on of Gesture[A].P roc of In t C onf on C o m p u ter V ision[C].Cam bridge,

B ritain,1995:3822388.

[3]Isard M,B lake A.Condensati on2conditi onal D ensity

P ropagati on fo r V isual T rack ing[J].Int J of

C o m p u ter V ision,1998,29(1):5228.

[4]N umm iaro K,Ko ller M E,V an G L.O bject T rack ing

w ith an A dap tive Co lo r2based Particle F ilter[A].P roc of the S ym p osium f or P attern R ecog n ition of the DA GM,L N CS2449[C].Sw itzerland:Sep tem ber, 2002:3532360.[5]O lson T,B rill F.M oving O bject D etecti on and Event

R ecogniti on A lgo rithm s fo r Sm art Cam eras[A].P roc of DA R PA Im ag e U nd erstand ing W orkshop[C].San M ateo:M o rgan Kauf m ann,1997:1592175.

[6]F riedm an N,R ussell S.I m age Segm entati on in V ideo

Sequences:A P robabilistic A pp roach[A].P roc of the 13th C onf on U ncerta in ty in A rtif icia l Intellig ence

[C].San F rancisco,1997:1752181.

[7]Co ralupp i S,Gri m m ett D.Intra2p ing T i m ing Issues in

M ultistatic Sonar T rack ing[A].P roc of the7th Int

C onf on Inf or m a tion F usion[C].Stockho l m,2001:

5102517.

几种非线性滤波算法的研究-内附程序

2017 年秋季学期研究生课程考核 （读书报告、研究报告） 考核科目:雷达系统导论 学生所在（系）:电子与信息工程学院 学生所在学科:电子与同学工程 学生姓名: 学号: 学生类别: 考核结果阅卷人 第 1 页（共页）

几种非线性滤波算法的介绍与性能分析 作者姓名：学号： 专业院系：电信学院电子工程系 电子邮件： 摘要—非线性滤波算法在雷达目标跟踪中有着重要的应用，对雷达的跟踪性能有着至关重要的影响。好的滤波算法有利于目标航迹的建立及保持，能够得到较精确的目标位置，为发现目标后的后续工作提供可靠的数据依据。本文重点介绍了雷达数据处理中的几种非线性滤波算法：扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）、粒子滤波（PF），并且给出了一个利用这三种算法进行数据处理的一个实例，通过这个实例对比分析了这三种算法的性能以及优劣。 关键字—非线性滤波算法；扩展卡尔曼滤波；不敏卡尔曼滤波；粒子滤波； I.概述（一级表题格式） 在雷达对目标进行跟踪前要先对目标进行检测。对于满足检测条件的目标就需要进行跟踪，在跟踪的过程中可以利用新获得的数据完成对目标的进一步检测比如去除虚假目标等，同时利用跟踪获得数据可以进一步完成对目标动态特性的检测和识别。因此对目标进行准确的跟踪是雷达性能的一个重要指标。在检测到满足条件的目标后，根据目标运动状态建立目标运动模型，然后对目标跟踪算法进行设计，这是雷达目标跟踪中的核心部分。 目前主要的跟踪算法包括线性自回归滤波，两点外推滤波、维纳滤波、- αβ滤波、加权最小二乘滤波、维纳滤波和卡尔曼滤波[1]。对于线性系统而言最优滤波的方法就是卡尔曼滤波，卡尔曼滤波是线性高斯模型下的最优状态估计算法。但是实际问题中目标的运动模型往往不是线性的，因此卡尔曼滤波具有很大的局限性。目前主要用的非线性滤波算法可以分为高斯滤波和粒子滤波[2]。不敏卡尔曼滤波和扩展卡尔曼滤波就是高斯滤波中的典型代表，也是应用相对较为广泛的。粒子滤波的应用范围比高斯滤波的适用范围要广，对于系统状态非线性，观测模型非高斯等问题都有很好的适用性。本文具体分析阐述了扩展卡尔曼滤波算法，不敏卡尔曼滤波算法，粒子滤波算法，并且通过一个实例利用仿真的方法分析了这三种算法在滤波性能上的优劣，最后对这三种算法做了一定的总结。 我本科毕业设计题目为《基于历史数据的路径生成算法研究》，由于我是跨专业保研到电信学院，该课题所研究内容不属于雷达系统研究范围，是一种城市路网最快路径生成算法。 II.几种非线性滤波算法 A.扩展卡尔曼滤波 扩展卡尔曼滤波是将非线性系统转换为近似的线性系统的一种方法，其核心思想是围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计。 扩展卡尔曼滤波状态空间模型： k k k w x f+ = + ) ( x 1 状态方程 k k k v x h+ =) ( z观测方程 其中(.) f和(.) h为非线性函数 在扩展卡尔曼滤波中，状态的预测以及观测值的预测由非线性函数计算得出，线性卡尔曼滤波中的状态转移矩阵A阵和观测矩阵H阵由f和h函数的雅克比矩阵代替。 对 (.) f和(.) h Taylor展开，只保留一次项有： ) ? ( ) ?( ) ( k k k k k x x A x f x f- + ≈ ) ? ( ) ?( ) ( k k k k k x x H x h x h- + ≈ 其中： k k x x k k dx df A ?= =为f对 1- k x求导的雅克比矩阵 k k x x k k dx dh H ?= =为h对 1- k x求导的雅克比矩阵 ) ?( ? 1-k k x f x=，于是可以得出： k k k k k k k w x A x f x A x+ - + ≈ + ) ? ) ?( ( 1 k k k k k k k v x H x h x H z+ - + ≈ + ) ? ) ?( ( 1 通过以上变换，将非线性问题线性化。接下来EKF 滤波过程同线性卡尔曼滤波相同，公式如下: )) | (?( ) |1 ( X?k k X f k k= + ) ( ) ( ) | ( ) ( ) |1 (P k Q k k k P k k k+ Φ' Φ = + )1 ( )1 ( ) |1 ( )1 ( )1 (S+ + + ' + + = +k R k H k k P k H k )1 ( )1 ( ) |1 ( )1 ( K1+ + ' + = +-k S k H k k P k

基于粒子滤波和贝叶斯估计的目标跟踪

大庆石油学院学报 第32卷第3期2008年6月J OU RNAL OF DAQ IN G PETROL EUM INSTITU TE Vol.32No.3J un.2008 收稿日期:2007212224;审稿人:付光杰;编辑:郑丽芹 作者简介:任伟建(1963-),女,博士生导师,教授,主要从事复杂系统的控制及故障诊断方面的研究. 基于粒子滤波和贝叶斯估计的目标跟踪 任伟建1,山茂泉1,谢　锋2,王文东3 (1.大庆石油学院电气信息工程学院,黑龙江大庆　163318;　2.大庆油田有限责任公司第二采油厂,黑龙江大庆　 163414;　3.大庆钻井技术服务公司钻井工具分公司,黑龙江大庆　163461) 摘　要:针对颜色直方图的彩色物体的运动目标,在各种噪声的干扰下多呈现非线性和非高斯的特点,利用粒子滤 波的方法进行运动估计和跟踪.利用粒子滤波对非线性和非高斯的有效逼近的性质,获得粒子的后验概率分布,估计目 标状态,实现目标的有效跟踪.采用累加权值概率并且引入随机正态分布进行采样,保证粒子的多样性,有效避免粒子退 化问题.仿真结果表明该方法的有效性. 关　键　词:粒子滤波;贝叶斯估计;目标跟踪;彩色直方图 中图分类号:TP182 文献标识码:A 文章编号:100021891(2008)0320067204 0　引言 目标存在变化多样和跟踪设备对环境适应性不完善等问题,复杂环境下的运动目标跟踪是个难题[1,2].为了有效跟踪运动目标,必须对运动对象进行有效的估计,利用已有的信息,获得当前运动物体估计状态,然后利用现有观察数据对运动状态进行修正.该类问题经常采用广义卡尔曼滤波方法.广义卡尔曼滤波依赖于模型的线性化和高斯假设.在估计系统状态和方差时,由于线性逼近,可能导致滤波发散.且如果密度函数不是高斯分布,该方法估计精度不高.近年来出现一种新的最优非线性方法———粒子滤波,它源自序列蒙特卡罗方法[3].该方法不受动态系统各个随机变量的限制,能够有效地应用于非线性、非高斯的运动系统中. 文中首先对选定区域目标建立颜色直方图模型,然后在选定区域附近产生目标粒子区域,利用巴特查理亚系数测量粒子区域和选定区域2种分布之间的相似度,运用粒子滤波估计方法实现运动目标的跟踪.在跟踪过程中,粒子存在退化现象.文献[4]采取重采样方法在一定程度上解决了退化问题,但由于重采样是根据权值大小进行的,导致采样后的粒子由大量重复的粒子构成,失去了多样性.文中采取概率累加的方法保持粒子的多样性,防止粒子退化,取得较好的效果. 1　运动目标模型 在确定运动目标后,建立基于指数分布的统计模型.在区域中心,属于运动目标的概率为1,在偏离中心的距离大于阈值时,概率属于指数衰减[5]: p pos (z i )=1,‖z i ‖≤T ; exp -‖z i ‖-T max (‖z i ‖-T )N i =1 ,‖z i ‖>T ,(1)可得到目标的统计直方图分布模型: p pos (u )=C 6N i =1p pos (z i )δ(b (z i )-u ),(2) C =1 6N i =1p pos (z i ). (3)

基于颜色直方图的图像检索(实验分析)

基于颜色直方图的图像检索 作者:吴亚平学号:200812017081203009 1.概述 在过去的十几年间，有许多知名机构都对图像检索系统进行了深入的研究，病开发出了相应的检索系统，例如IBM Almaden研究中心研制的QBIC系统，Virage公司研发的VIRAGE系统，麻省理工大学多媒体实验室研发的Photobook系统，哥伦比亚大学研发的VisualSeek系统，斯坦福大学研发的WBIIS系统，U.C.伯克利分校研发的Blobworld系统等等。 这些检索系统的基本特征都是基于图像像素值的特征提取相应的规则图像，例如形状、颜色、纹理等，并以此为依据对图像进行比较检索，在这篇论文中，系统采用了基于颜色特征提取的检索。基于直方图在两个颜色空间对图像特征进行判定检索。这两个颜色空间是RGB和HSV。通过对两副图像对应的RGB和HSV 值计算其距离，依据距离的远近来判断相似性，这种方法简单易行，由于丢弃了图像的形状、颜色、纹理等信息，判定的计算量相对较小。当然这也导致了两副图像之间的判定没有实际的语义上的关联，也就是说，距离相近的图像并不一定有事实上的相应联系。但是，经过试验的判定，这种基于直方图的图像检索系统能够为图片检索提供相对精确的检索结果。 2.相关知识 2.1. RGB颜色空间 RGB颜色模型中每种颜色都是由红绿蓝三种颜色组成。这种颜色模型在许多CRT显示器和彩色光栅图形设备中被广泛使用。这三种颜色被认为是其他颜色的

添加剂，对于所需要的颜色通过对这三种颜色进行不同的比例进行相加即可得到。RGB模型可以用如下的颜色坐标系表示。注意从（0，0，0）到（1，1，1）的对角线，白色代表了灰阶，RGB色彩模式俯视从白色开始的。 2.2. HSV颜色空间（也称HIS颜色空间） HSV字母分别代表了色度（Hue），饱和度（Saturation），色调。上面的锥形图说明HSV的颜色模型。Value代表了颜色的强度，他是从图像信息中分离出来，可以表示相关信息的部分。色度和饱和度代表了颜色在人眼中的生理特征。色度与红色等颜色从0到1的表示不同，色度是从红色通过黄，绿，青，蓝，洋红色，再回到红色。饱和度的区分是从0 到 1，他通过值大小来影响颜色的饱和度。对于色调，也是从0到1，随着他的增大，图像的颜色就会越来越亮。

粒子滤波的目标跟踪算法研究与实现

龙源期刊网 https://www.wendangku.net/doc/ca5209419.html, 粒子滤波的目标跟踪算法研究与实现 作者：韩雪王元亮 来源：《现代商贸工业》2011年第15期 摘要：通过已经获得的运动目标的先验特征点，以及基于这些特征点在各种噪声的干扰 下多呈现非线性和非高斯的特点，我们可以利用粒子滤波的方法进行运动估计和跟踪。由于粒子滤波具有对非线性和非高斯的有效逼近的性质，获得粒子的后验概率分布，估计目标状态，实现目标的有效跟踪。为了有效避免粒子退化问题，采用累加权值、聚类算法并且引入高斯分布函数进行采样，保证粒子的多样性。经过程序测试，结果很有效。 关键词：粒子滤波；高斯分布；目标跟踪；先验概率分布 中图分类号：TB 文献标识码：A 文章编号：1672-3198（2011）15-0271-03 目标存在变化多样和跟踪设备对环境适应性不完善等问题，复杂环境下的运动目标跟踪是个难题。例如：由于检测结果不连续，在连续帧间，有些帧没有检测结果。为了有效跟踪运动目标，必须对运动对象进行有效的估计，利用已有的信息，获得当前运动物体估计状态，然后利用现有观察数据对运动状态进行修正。该类问题经常采用广义卡尔曼滤波方法。广义卡尔曼滤波依赖于模型的线性化和高斯假设。不过卡尔曼滤波存在许多缺点：在估计系统状态和方差时，由于线性逼近，可能导致滤波发散；如果密度函数不是高斯分布，该方法估计精度不高；在多维、多因素等复杂性的限制情况下，其结果计算量往往几何倍的增长。近年来出现一种新的最优非线性方法———粒子滤波，它源自序列蒙特卡罗方法。该方法不受动态系统各个随机变量的限制，能够有效地应用于非线性、非高斯的运动系统中。 粒子滤波的核心思想是利用一系列随即样本的加权和表示所需的后验概率密度，得到状态的估计值。当样本点数增至无穷大时，蒙特卡罗特性与后验概率密度的函数表示等价。一般都是用序贯粒子滤波算法，由于此方法会产生退化现象，随意在此基础上用重新采样方法。但这又会导致有大量重复的粒子构成，增加了计算量。而文中的方法加入了聚类算法和当前帧的特征点，进一步减少了粒子退化。 1 蒙特卡罗法基本原理 粒子滤波的理论基础是基于蒙特卡罗方法，即利用一系列随机抽取的样本，计算后验概率分布的方法。因为当这个抽样足够大的时候，这样计算的结果和实际后验分布的概率分布近

基于粒子滤波的目标跟踪算法浅析

基于粒子滤波的目标跟踪算法浅析 高 翔 （甘肃联合大学 电子信息工程学院 甘肃 兰州 730010） 摘 要： 所做的工作是利用粒子滤波理论解决目标跟踪所面临的技术问题。首先介绍粒子滤波中的两种重要算法：贝叶斯理论和蒙特卡罗方法，接着在此基础上详细阐述基于粒子滤波的目标跟踪算法。 关键词： 目标跟踪；粒子滤波；序列重要性采样 中图分类号：TN.2 文献标识码：A 文章编号：1671－7597（2011）0510193－02 1 绪论 时就可以根据上式计算出p 的概率分布。可以表示为： 粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛有原因之一。本文首先介绍了粒子滤波理论的基础，接下来在此基础上研究了基于粒子滤波的目标跟踪算法。 2 粒子滤波的计算理论方法 其中，为模拟随机试验的次数，即是p 的子样本的个数。p i ，表示试2.1 贝叶斯理论 验所得到的相应的子样本。 贝叶斯估计理论较经典的统计估计理论具有更大的优势，逐渐成为科蒙特卡罗方法是以概率模型为基础的，它解题的三个主要步骤是：学界推理的一个重要工具。贝叶斯推论提供了一种与传统方法不同的概率分布形式的估计，它利用所有的已知信息来构造系统状态变量的后验概率密度，即用系统模型预测状态的先验概率密度，再利用最新的量测值进行修正，得到后验概率密度。这样它就包括了量测值和先验知识在内的所有可以利用的信息，得到的估计误差自然就小一些。 我们将会描述一个以状态x 为参数的一般模型的框架，其中t 表示离散时t 间。对于跟踪所关心的分布是后验概率 也叫滤波分布，其中 波分布可以用两步递归迭代来计算： 其中预测阶段是一个边缘分布，而新的滤波分布则是由贝叶斯法则直 接得到的。递归过程的完成需要有状态演进 的动态模型和一个当前测量值 的状态似然模型，迭代过程用一些初始状态的分布来初始化。上述跟踪迭代只是在极少的情况下具有严格的表述形式。其中最著名的是用于线性和高斯动态系统与似然模型的卡尔曼滤波器（KF ），而对于一般的非线性和非高斯模型跟踪迭代变得束手无策，这时就需要逼近技术。而序列蒙特卡罗方法也叫粒子滤波器由于它们具有有效、简单、适应性强、易实现等优点，作为一个计算复杂模型的跟踪迭代近似方案近年来受到广泛的欢迎。 2.2 蒙特卡罗方法 蒙特卡罗方法的基本原理是：在物理、数学、建筑工程以及工业生产等领域，如果要求解的问题是某种事件出现的概率，或者是某个随机变量的数学期望时，首先按照一定的方法建立一个数学模型，使该模型的参数等于要求的问题的解，然后以此数学模型为基础通过抽样试验来计算出参数的统计特性，最后给出所求问题的近似估计值。在实际的应用中，解的精确度可以用估计值的标准误差来表示。 假如有以下的函数关系式：P 二f （x ） 其中，变量x 服从某一概率分布，是一个随机变量。f （x ）是一个包含多重积分的表达式，直接用解析的方法很难求出函数 p 的概率分布。 按照蒙特卡罗方法的基本思想，要想用“试验”的方法求出函数p 的概率分布概率分布，就要在函数表达式满足的定义域内，随机的抽取每一个随机变量二，并把它带入表达式f （x ）中，进而求出函数p 的值。由于变量：的值是在一定的定义域内随机抽取的，所以经过多独立的模拟试验后，可以得到相应的抽样数据Pi 。当对变量：进行模拟抽取的次数足够大 第一步：构造或者描述概率过程。在实际的应用中，有些问题不具有随机性质，比如计算多重积分问题，偏微分方程的边值求解问题等。使用传统的计算方法求解这些问题比较困难，为了能利用蒙特卡罗方法求解，就需要人为的设计一个概率过程，并且该概率过程要能很好的描述该事件的发生，同时把要求问题的解设置为该概率过程的某些参数。对于本身就具有随机性质的问题，其主要任务是如何准确的描述和模拟这个概率过程。把不具有随机性质的问题，通过特定的模型转化为具有随机性质的问题，是蒙特卡罗方法应用和研究的主要问题之一。 第二步：实现从已知概率分布中抽样。由概率论的知识可知，各种各样的概率分布都可以按照一定的方式构造出相应的概率模型。当概率 模型构造完成以后，如何准确的产生己知概率分布的随机变量，就成为实现蒙特卡罗方法的关键步骤。从另一个方面来讲，如何产生合适的随机变量也是蒙特卡罗方法随机抽样原理的重要体现。通常情况下，一个最典型的概率分布是（0，l ）区间上的均匀分布。同时，这种分布也是最简单的概率分布，在这种分布上产生的随机变量就是我们常说的随机数。具有相同分布的随机数构成的一个序列就是随机数序列，随机数序列中的各个子样都是相互独立的。因此，随机数的产生问题，就演化为从己知的概率分布中抽样的问题。随机数的独立性就保证了抽取的样本是若干次独立的试验，这样就保证了样本的多样性。具有这些特性的样本总体就能准确的表达相应的概率分布，这就是蒙特卡罗方法的重要特征。 第三步：建立各种估计量。通常情况下，要实现蒙特卡罗模拟试验，首先要构造概率模型，然后从已经的概率分布中抽样，最后还要设置一个合适的随机变量。使该随机变量恰好是所求问题的解，我们称之为无偏估计。在前两步的基础上，建立各种估计量，相当于对模拟实验的结果进行考察和登记，进而得到所求问题的解。 3 粒子滤波的基本原理 3.1 序列重要性采样 序列重要性采样算法，是一种通过蒙特卡罗模拟实现递推的贝叶斯滤波的技术。它的主要思想可以描述为：利用一系列随即样本的加权和来表示所需状态的后验概率密度，进而得到状态的估计值。当样本点增至无穷大时，蒙特卡罗特性与后验概率密度的函数表示等价，515滤波器逼近最优的贝叶斯估计。重要采样技术是一个关键的步骤，因为粒子的权值就是根据重要采样技术来选择的，所以提议分布的设计是一项重要的工作。如果粒子是根据重要密度q （x0：k|z0：k ）选择的，那么粒子的权值可以表 示为： 预测阶段：

目标定位跟踪算法及仿真程序

目标定位跟踪算法及仿真程序 质心算法是最简单的定位算法，如图2-1所示，四个小圆为观测站，实线三角形是目标真实的位置，假设四个圆形观测站都探测到目标的存在，则根据质心定位算法，目标的位置（x,y ）可以表示为：4 4 321x x x x x +++= ， 4 4 321y y y y y +++= ，这里观测站得位置为),(i i y x ，同理，当观测站数目为N 时，这时候的质心定位算法可以表示为： ???? ? ? ??????=??????∑∑==N i i N i i y N x N y x 11 11 图1 质心定位 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 质心定位算法Matlab 程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function main % 定位初始化 Length=100; % 场地空间，单位：米 Width=100; % 场地空间，单位：米 d=50; % 目标离观测站50米以内都能探测到，反之则不能 Node_number=6; % 观测站的个数 for i=1:Node_number % 观测站的位置初始化，这里位置是随机给定的 Node(i).x=Width*rand; Node(i).y=Length*rand; end % 目标的真实位置，这里也随机给定 Target.x=Width*rand; Target.y=Length*rand; % 观测站探测目标 X=[]; for i=1:Node_number

基于颜色特征的图像检索算法的实现

目录 摘要 (1) 关键字 (1) 1绪论 (1) 1.1 基于内容的图像检索的概念 (1) 1.2 基于内容的图像检索的发展历史 (1) 1.3 基于内容的图像检索的特点和主要应用 (1) 1.4 基于内容的图像检索的关键技术 (2) 1.5 国内外研究现状 (3) 1.5.1 国外研究现状 (3) 1.5.2 国内研究现状 (4) 2 基于颜色特征的图像检索方法 (4) 2.1 颜色度量体系 (4) 2.2 颜色空间 (5) 2.2.1 RGB颜色空间 (5) 2.2.2 HSV颜色空间 (5) 2.2.3 CMY颜色空间 (6) 3 颜色特征的表达 (7) 3.1 颜色直方图 (7) 3.2 累加直方图 (8) 4 图像特征的相似性匹配 (9) 4.1 距离度量方法 (9) 4.2直方图的交集的方法 (9) 4.3 欧式距离法 (9) 5 图像检索算法实现 (10) 5.1程序开发运行环境 (10) 5.2 程序检索逻辑 (10) 5.3 算法具体实现 (11) 5.4 实例演示 (14) 6 全文总结与展望 (15) 6.1 全文总结 (15) 6.2 展望 (15) 致谢 (15) 参考文献 (16) 英文摘要 (16)

基于颜色特征的图像检索算法的实现 摘要：文章介绍了一种基于颜色特征的图像检索技术的算法并给出了程序实现。首先介绍了基于内容的图像检索技术、发展历史及基于内容的图像检索技术的特点和主要应用，并在此基础上探讨了该领域所用到的一些关键技术。文章着重探讨了图像的颜色空间、图像特征提取及图像相似性度量等内容，并利用matlab技术实现了一个简单图像检索的程序。文章最后则对当前基于内容图像检索技术研究热点和今后的发展方向进行简单的阐述。 关键字：基于内容的图像检索；颜色特征；颜色直方图；相似度度量方法 1 绪论 1.1 基于内容的图像检索的概念 基于内容的图像检索[1]（Content Based Image Retrieval, CBIR）是一项从图像数据库中找出与检索式内容相似的图像的检索技术。它利用从图像中自动抽取出来的底层特征，如颜色、纹理、轮廓和形状等特征，进行计算和比较，检索出符合用户需求的结果图像集。目前图像检索系统技术实现的基础是对底层特征信息的计算和比较，也即是“视觉相似”。 1.2 基于内容的图像检索的发展历史 图像检索技术的发展[2]可以分为两个阶段，第一阶段始于70年代，当时的图像检索是通过人工的标注来实现的，随着计算机技术和通信网技术的发展，特别是因特网的快速发展，图像数据的容量越来越大了，这种“以关键字找图”的方法越来越不适应检索技术的发展了。由于图像内容的丰富内涵以及人们对图像内容进行抽象时的主观性不同的人对同一幅图像有不同的理解，这就引入了主观多义，不利于检索。为了克服文本标注检索的弊端，90年代研究者提出了基于内容的图像检索，其方法是:根据图像的颜色特征、纹理特征、形状特征以及空间关系等作为索引，计算查询图像和目标图像之间的相似距离，然后按相似度匹配进行检索，这种技术很大程度地利用了人们的视觉客观特性，避免不同人对图像主观理解的不同而达不到理想的搜索效果。从研究方向的层面来看，基于内容的图像检索可分为三层：第一层是根据图像的底层特性来进行检索，如颜色、纹理，形状等等，涉及图像信息处理、图像分析和相似性匹配技术；第二层是基于图像对象语义，如图像中实体及实体之间的拓扑关系的检索，对象级检索技术建立在下层特征基础上，并引入了对象模型库、对象识别和人工智能等图像理解技术；第三层是基于图像的抽象属性如行为语义，情感语义和场景语义的推理学习来进行检索。需要用到知识库和更加有效的人工智能和神经网络技术。这三个层次由低到高，与人的认知接近，下一个层次通常包含了比上一个层次更高级的语义，更高层的语义往往通过较低层的语义推理获得。尽管经过了多年的研究，较为成熟的基于内容的图像检索技术目前仍处于底层水平，由于底层研究是上层研究的基础，为了给上层建立准确、有效的图像特征提取方法，底层的研究仍在不断的发展。 1.3 基于内容的图像检索的特点和主要应用 基于内容的图像检索技术有以下特点[3]： 一是它突破了传统的基于表达式检索的局限，从媒体内容中提取信息线索。

基于颜色特征的图像检索

基于颜色特征的图像检索

摘要 随着多媒体及网络技术的发展，互联网中的图像等多媒体信息的数量在迅速增加。如何在庞大的多媒体数据资源海洋中搜索到自己所需要的图像，随之成为一个函待解决的问题。近年来基于内容的图像检索技术己经成为了研究的热点，该技术具有传统文本检索方式所无法比拟的优越性，目前已被应用于多媒体通信、生物识别、知识产权保护等方面，具有广阔的发展前景。 本课题设计了基于颜色特征的图像检索系统，该系统主要包括两个关键步骤：颜色特征的提取和相似度匹配。本文中首先采用应用广泛的HSV颜色空间来表示图像的颜色特征，对颜色分量进行非等间隔量化形成特征矢量；然后用欧式距离度量函数进行图像的相似性匹配；最后在MATLAB平台下编程实现了基于颜色特征的检索系统。根据用户输入的样本图像与图像库中的图像进行特征匹配，找出与样本图像距离比较小的若干幅图像，并按照图像之间的距离由小到大的顺序显示给用户。 关键词：图像检索；直方图；颜色特征；MATLAB I

ABSTRACT With the development of multimedia technology, In Internet the number of images and other multimedia information in the rapidly increasing. How to locate the useful image in the vast multi-media is a great technology problem. In recent years, Content-based image retrieval has become a research focus, the technology has the superiority which the traditional text retrieval methods can not match.It has been widely used in multimedia communications, biometrics, intellectual property protection and so on, and has broad prospeets for development. This topic is designed based Color Image Retrieval System, which includes two key steps: color feature extraction and similarity matching. In this article was first used widely HSV color space to represent color feature image. We carried out color components quantification of non-interval to form feature vector; Then use the Euclidean distance metric function to match the similarity function of the image. Finally, this system should be implemented under the platform of the MATLAB by programming. Under user input sample image to conduct feature matching with image which in library images. In this system, It also can identify the images that have a short distance to the sample images, And in accordance with the distance between the images displayed to the user in the order from small to big. Keywords：Image Retrieval；Histogram Algorithm；Color Features；MATLAB II

基于HSI颜色空间统计直方图的图像检索

基于HSI颜色空间统计直方图的图像检索 摘要: 给出了一种对图像的特征进行提取、分析并识别出一定形状及色彩差别的方法，主要目的是提取图像的颜色变化。首先是对采集到的彩色图像进行预处理，包括：图像的滤波、目标图像的定位等；然后采取了相应的图像颜色空间和识别算法，包括：图像颜色空间的变换、颜色量化、图像特征提取、识别算法。计算机仿真结果表明，该算法可行，并取得了较好的效果。 关键词：颜色空间；颜色量化；特征提取；识别算法 Abstract：This article provides a approach that can extracte, analyse and identify a certain shape and color differences for the image features, the main purpose is to extract the color changement of image. The first step is the pre-processing of the collected color image, including: image filtering, target image positioning. What follows is signal image recognition, including: transformation of image color space, color quantization, image feature extraction, recogonition algorithm and the algorithm implementation. Finally, get the recognition results. Keywords:color space; color quantization; feature extraction; recognition algorithm 1引言 当今是一个信息肆意滋生的互联网时代，要想有效利用网上的这些信息，就需要将这些杂乱的信息梳理成可以查询的数据，这就必然要使用信息检索。图像检索是信息检索的重要组成部分，常用的百度、谷歌、雅虎等搜索引擎均提供图像检索，它的重要性正逐渐增加。我们正处于一个视觉的时代，几乎人人都有成百上千的数字图片想要发布到互联网上，这正是图像检索的意义所在。 图像检索是计算机视觉中非常重要的部分,其目的是构造自动处理某些信息的机器系统，用以代替人类完成分类和辨别的任务。目前图像识别检索的研究主要涉及物体表面形状检索、尺寸与面积的检测以及色彩的检索等方面。颜色是物体重要的外在特性，具有对物体本身的尺寸、方向、视角等依赖性小、鲁棒性高等优点，因而在图像识别中占有重要地位，对彩色图像的处理己经成为当前图像处理领域重要的研究课题[1]，如：近年来，国内外对农产品品质自动检索、彩色印刷及纺织品中的彩色图样的检索研究中，都采用了基于图像的颜色检索技术。

扩展卡尔曼滤波和粒子滤波算法比较

扩展卡尔曼滤波和粒子滤波算法比较上海大学2013 , 2014学年秋季学期 研究生课程小论文 课程名称: 随机信号导论课程编号: 07SB17002 论文题目: 扩展卡尔曼滤波和粒子滤波算法比较 研究生姓名: 班孝坤 (33%) 学号: 13720843 研究生姓名: 倪晴燕 (34%) 学号: 13720842 研究生姓名: 许成 (33%) 学号: 13720840 论文评语: 成绩: 任课教师: 刘凯 评阅日期: 扩展卡尔曼滤波和粒子滤波算法比较 第一章绪论 在各种非线性滤波技术中, 扩展卡尔曼滤波是一种最简单的算法, 它将卡尔曼滤波局部线性化,适用于弱非线性、高斯环境下。卡尔曼滤波用一系列确定样本来逼近状态的后验概率密度, 适用于高斯环境下的任何非线性系统。粒子滤波用随机样本来近似状态的后验概率密度, 适用于任何非线性非高斯环境, 但有时选择的重要性分布函数与真实后验有较大差异, 从而导致滤波结果存在较大误差, 而粒子滤

波正好克服了这一不足, 它先通过UKF产生重要性分布, 再运用PF 算法。通过仿真实验, 对其的性能进行比较。 严格说来,所有的系统都是非线性的,其中许多还是强非线性的。因此,非线性系统估计问题广泛存在于飞行器导航、目标跟踪及工业控制等领域中,具有重要的理论意义和广阔的应用前景。 系统的非线性往往成为困扰得到最优估计的重要因素，为此，人们提出了大量次优的近似估计方法。包括EKF,基于UT变换的卡尔曼滤波(UKF)，粒子滤波，等等。 第二章扩展卡尔曼滤波介绍 2.1 扩展卡尔曼滤波的理论(EKF) 设非线性状态空间模型为: xfxv,(,)(1)ttt,,11 yhxn,(,)(2)ttt 式中和分别表示在t时刻系统的状态和观测，和 xR,yR,vR,nR,tttt分别表示过程噪声和观测噪声，f和h表示非线性函数。 扩展卡尔曼滤波(Extended kalman filter,以下简称EKF)是传统非线性估计的代表,其基本思想是围绕状态估值对非线性模型进行一阶Taylor展开,然后应用线性系统Kalman滤波公式。 EKF是用泰勒展开式中的一次项来对式(1)和 ( 2 ) 中的非线性函数f和h 进行线性化处理, 即先计算f和h 的雅克比矩阵, 然后再在标准卡尔曼滤波框架下进行递归滤波。和均为零均值的高斯白噪声。 vntt 2.2 扩展卡尔曼滤波的算法 EKF的算法同KF 一样, 也可分为两步预测和更新。如图2.1所示

颜色直方图

颜色直方图, HSV直方图, histogram bins 颜色特征是在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性。 面向图像检索的颜色特征的表达涉及到若干问题。首先，我们需要选择合适的颜色空间来描述颜色特征；其次，我们要采用一定的量化方法将颜色特征表达为向量的形式；最后，还要定义一种相似度（距离）标准用来衡量图像之间在颜色上的相似性。在本节中，我们将主要讨论前两个问题，并介绍颜色直方图、颜色矩、颜色集、颜色聚合向量以及颜色相关图等颜色特征的表示方法。 1 颜色直方图 颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。 当然，颜色直方图可以是基于不同的颜色空间和坐标系。最常用的颜色空间是RGB颜色空间，原因在于大部分的数字图像都是用这种颜色空间表达的。然而，RGB空间结构并不符合人们对颜色相似性的主观判断。因此，有人提出了基于HSV空间、Luv空间和Lab空间的颜色直方图，因为它们更接近于人们对颜色的主观认识。其中HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value）。 计算颜色直方图需要将颜色空间划分成若干个小的颜色区间，每个小区间成为直方图的一个bin。这个过程称为颜色量化（color quantization）。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。颜色量化有许多方法，例如向量量化、聚类方法或者神经网络方法。最为常用的做法是将颜色空间的各个分量（维度）均匀地进行划分。相比之下，聚类算法则会考虑到图像颜色特征在整个空间中的分布情况，从而避免出现某些bin中的像素数量非常稀疏的情况，使量化更为有效。另外，如果图像是RGB 格式而直方图是HSV空间中的，我们可以预先建立从量化的RGB空间到量化的HSV空间之间的查找表（look-up table），从而加快直方图的计算过程。 上述的颜色量化方法会产生一定的问题。设想两幅图像的颜色直方图几乎相同，只是互相错开了一个bin，这时如果我们采用L1距离或者欧拉距离（见3.1.1节）计算两者的相似度，会得到很小的相似度值。为了克服这个缺陷，需要考虑到相似但不相同的颜色之间的相似度。一种方法是采用二次式距离[4]（见3.1.3节）。另一种方法是对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也有贡献。这样，相似但不相同颜色之间的相似度对直方图的相似度也有所贡献。 选择合适的颜色小区间（即直方图的bin）数目和颜色量化方法与具体应用的性能和效率要求有关。一般来说，颜色小区间的数目越多，直方图对颜色的分辨能力就越强。然而，bin的数目很大的颜色直方图不但会增加计算负担，也不利于在大型图像库中建立索引。而且对于某些应用来说，使用非常精细的颜色空间划分方法不一定能够提高检索效果，特别是对于不能容忍对相关图像错漏的那些应用。另一种有效减少直方图bin的数目的办法是只选用那些数值最大（即像素数目最多）的bin来构造图像特征，因为这些表示主要颜色的bin能够表达图像中大部分像素的颜色。实验证明这种方法并不会降低颜色直方图的检索效果。事实上，由于忽略了那些数值较小的bin，颜色直方图对噪声的敏感程度降低了，有时会使检索效果更好。两种采用主要颜色构造直方图的方法可以在文献[5,6]中找到。

扩展卡尔曼滤波和粒子滤波算法比较

上海大学2013 ～2014学年秋季学期 研究生课程小论文 课程名称：随机信号导论课程编号：07SB17002 论文题目: 扩展卡尔曼滤波和粒子滤波算法比较 研究生姓名: 班孝坤（33%）学号: 13720843 研究生姓名: 倪晴燕（34%）学号: 13720842 研究生姓名: 许成（33%）学号: 13720840 论文评语: 成绩: 任课教师: 刘凯 评阅日期:

扩展卡尔曼滤波和粒子滤波算法比较 第一章绪论 在各种非线性滤波技术中, 扩展卡尔曼滤波是一种最简单的算法, 它将卡尔曼滤波局部线性化,适用于弱非线性、高斯环境下。卡尔曼滤波用一系列确定样本来逼近状态的后验概率密度, 适用于高斯环境下的任何非线性系统。粒子滤波用随机样本来近似状态的后验概率密度, 适用于任何非线性非高斯环境, 但有时选择的重要性分布函数与真实后验有较大差异, 从而导致滤波结果存在较大误差, 而粒子滤波正好克服了这一不足, 它先通过UKF产生重要性分布, 再运用PF 算法。通过仿真实验, 对其的性能进行比较。 严格说来,所有的系统都是非线性的,其中许多还是强非线性的。因此,非线性系统估计问题广泛存在于飞行器导航、目标跟踪及工业控制等领域中,具有重要的理论意义和广阔的应用前景。 系统的非线性往往成为困扰得到最优估计的重要因素，为此，人们提出了大量次优的近似估计方法。包括EKF,基于UT变换的卡尔曼滤波（UKF），粒子滤波，等等。

第二章 扩展卡尔曼滤波介绍 2.1 扩展卡尔曼滤波的理论（EKF ） 设非线性状态空间模型为： 11(,)(1)(,) (2) t t t t t t x f x v y h x n --== 式中t x R ∈和t y R ∈分别表示在t 时刻系统的状态和观测，t v R ∈和t n R ∈ 分别表示过程噪声和观测噪声，f 和h 表示非线性函数。 扩展卡尔曼滤波(Extended kalman filter,以下简称EKF)是传统非线性估计的代表,其基本思想是围绕状态估值对非线性模型进行一阶Taylor 展开,然后应用线性系统Kalman 滤波公式。 EKF 是用泰勒展开式中的一次项来对式（1）和 ( 2 ) 中的非线性函数f 和h 进行线性化处理, 即先计算f 和h 的雅克比矩阵, 然后再在标准卡尔曼滤波框架下进行递归滤波。t v 和t n 均为零均值的高斯白噪声。 2.2 扩展卡尔曼滤波的算法 EKF 的算法同KF 一样, 也可分为两步预测和更新。如图2.1所示 图 2.1

基于颜色直方图的图像检索 开题报告

南京邮电大学毕业设计(论文)开题报告 题目基于颜色直方图的图像检索系统的设计与实现 学生姓名班级学号专业 提纲(开题报告2000字以上)： 1. 对指导教师下达的课题任务的学习与理解 2. 阅读文献资料进行调研的综述 3. 根据任务书的任务及文献调研结果，初步拟定的执行（实施）方案（含具体进度计划） 1.对指导教师下达的课题任务的学习与理解 从20世纪70年代开始，图像检索的技术就已经开始。传统的文本检索技术，是通过关键字式的提问查询，可以检索的关键字有图像名称、图像尺寸、压缩类型、作者、年代等图像标引。到90年代以后，多媒体信息迅速膨胀，全世界的数字图像的容量以惊人的速度增长，这些图像分布在世界各地，它们都是无序、无索引的。要检索靠传统技术全部都要人工标注，而人工标太主观，不确定，不同人，不同语种，对同一幅图像的理解不同，标注描述就会千差万别。而且随着数据库数以万计地增加，人们寻找资料变得非常耗时，造成资源无法有效利用。因此人们提出了一种新的对图像内容语义的检索技术——基于图像内容的检索CBIR （Contented-Based Image Retrieval），它不需要用户的参与，而利用图像自身的特征，如颜色、纹理、形状等特征来进行检索，具有较强的客观性。 基于内容图像的检索CBIR主要依据图像的画面内容特征和主题对象特征来进行检索。由图像分析软件对输入的图像先进行图像分析，根据图像自身所包含的颜色(灰度)、纹理、形状、空间关系等特征以及这些特征的组合，自动抽取特征，在将输入图像存入图像库的同时将其相应的特征向量也存入与图像库相连的特征库。在进行检索图像时，对每一幅给定的查询图，进行图像分析，并提取图像特征向量，利用基于这些特征定义的特征度量函数计算或评价特征之间的相似性，将该图像的特征向量和特征库中的特征向量进行匹配，根据匹配的结果搜索图像库中将最相似的一些检索结果就可以提取出所需要的检索图，返回给用户。CBIR的目的不是去理解或识别图像目标，它所关注的是能否基于内容快速发现信息，旨在对视觉信息提供强有力的描述，实现视觉信息的结构化，在用户可以接受的响应时间内从图像库中查询到符合要求的图像，最终达到用户对这些视觉信息内容自由访问的目标。

粒子滤波算法

粒子滤波算法 09S003057 徐飞 由于我的课题是用粒子滤波进行目标跟踪，今天参加了一场粒子滤波算法的讲座，对经典粒子滤波与其它粒子滤波进行了详细的讲解，学到了很多知识。 经典粒子滤波 算法的一般描述： 1.初始化：取k ＝0，按0()p x 抽取N 个样本点() 0i x ，i ＝1,…,N 。 2.重要性采样： ()()0:11:(|,)i i k k k k x q x x z -~，令 ()() ()0:0:1(,)i i i k k k x x x -=，其中i ＝1,…,N 。 3.计算权值： ()()() () ()11 ()() 0:11:(|)(|)(|,) i i i i i k k k k k k i i k k k p z x p x x q x x z ---ω =ω 若采用一步转移后验状态分布，该式可简化为()()() 1(|)i i i k k k k p z x -ω=ω。 4.归一化权值： () j j i i k k N k () ()=1 ωω = ω ∑ 5.重采样：根据各自归一化权值 () i k ω 的大小复制/舍弃样本 () 0:i k x ，得到N 个近似服从()0:1:(|)i k k p x z 分布的样本()0:i k x 。令()i k ω＝ ()i k ω＝1/N ，i ＝1,…,N 。 6.输出结果：算法的输出是粒子集() 0:{: 1...}i k x i N =，用它可以近似表示后验概率和函数 0:()k k g x 的期望 0:0:1:0:11(|)()i k N k k k x i p x z dx N ()==δ∑ 0:0:1 1(())()N i k k k k i E g x g x N ==∑ 7.K=K+1,重复2步至6步。 其它粒子滤波 正则粒子滤波 正则粒子滤波(Regularized Particle Filter ，RPF)是为了解决由重采样引入的新问题而提出的一种改进的粒子滤波。当通过序贯重要性采样后引起粒子退化问题时，前面提到可以用重采样的方法来减小退化的影响，但是引入重采样策略同时也引入了新的问题，即粒子匮乏问题，经过若干次迭代之后，所有粒子都趋向于同一个粒子，导致粒子的多样性丧失。这是因为在重采样过程中，粒子是从离散分布中采样取得的，而不是从连续分布中采样得到的。 正则粒子滤波正是为了解决上述问题而提出的。它与SIR 粒子滤波的区别在于：在重采样过程中，SIR 从离散近似的分布中重采样，而正则粒子滤波则从连续近似的分布中重采样。 1 0:1 {,} (|)()N j j m i i k k j k k k h k k i x p x y K x x ==ω~≈ω-∑ 其中,1()()h n x x K x K h h = 是对核密度()K 进行了重新标度后的结果，n 为x 的维数,h 称为