基于H分量检测的模板更新鲁棒分块跟踪方法

合集下载

基于Hausdorff距离的目标跟踪算法与实现

目标识别和跟踪系统要解决以下几个问题：目标的表示，图像的特征提取，模型的建立。图像的特征提取和匹配在跟踪算法中尤其重要，其中一个关键的问题是如何有效的评价图像间的相似程度。传统的光流法计算量大且对噪声敏感，处理遮挡的效果也比较差。
中图分类号：ＴＰ３
文献标识码：Ａ
文章编号：１６７４－３４４Ｘ（２０１３）２－００４６－０３
作者简介：尚俊（１９８０一），男，湖北随州人，研究方向是数字图像处理。
目标识别与跟踪是计算机视觉研究的重点内容和热点领域，如今它在安全监控、精确制导、遥感图像分
ｓｑｕａｒｅ）Ｈａｕｓｄｏｒｆｆ距离可以很好的克服这些问题，该方
抽象复杂的问题简单化。但是很容易看出它受噪声的影响较大，即使集合Ａ、Ｂ形状相似，但只要有Ａ中一个点偏离Ｂ较远，那么计算出的Ｈａｕｓｄｏｆｆ距离会很大。Ｓｉｍ等结合部分和平均Ｈａｕｓｄｏｆｆ距离提出了一种健壮的Ｈａｕｓｄｏｒｆｆ距离算法ＬＳＴ（ＬｅａｓｔＴｉｒｍｍｅｄＳｑｕａｒｅ），其定义如下
ｈ吣（Ａ，Ｂ）＝言１１Ｚｄ（Ａ，Ｂ）ｉ

最优控制问题的鲁棒H∞控制设计

最优控制问题的鲁棒H∞控制设计最优控制理论在工程系统控制中具有重要的应用价值。

然而，传统的最优控制方法在系统模型存在不确定性或外部干扰的情况下可能无法有效应对。

为了克服这一问题，鲁棒控制方法被引入到最优控制中，并且在实际应用中取得了显著的成果。

本文将探讨最优控制问题的鲁棒H∞控制设计方法及其应用领域。

一、鲁棒控制概述鲁棒控制是一种针对不确定性或外部干扰具有克服能力的控制方法。

其目标是在不确定性环境中实现系统稳定性和性能要求。

最常见的鲁棒控制方法之一是H∞控制，该方法通过优化问题来设计控制器，以抑制系统中不确定性的影响。

二、最优控制问题最优控制问题旨在通过选择最佳控制策略来实现系统的最优性能。

在没有不确定性时，可以使用动态规划、变分法等方法求解最优控制问题。

然而，在实际应用中，系统往往存在参数不确定性或外部干扰，导致最优控制问题变得更加复杂。

因此，需要引入鲁棒控制方法来解决这些问题。

三、鲁棒H∞控制设计方法鲁棒H∞控制方法是一种常用的鲁棒控制方法，其基本思想是在保证系统稳定性的前提下，优化系统对外部干扰的抑制能力。

鲁棒H∞控制设计问题可以被描述为一个优化问题，目标是最大化系统的H∞性能指标，并且确保控制器对系统模型不确定性具有鲁棒性。

为了实现鲁棒H∞控制设计，可以采用两种常用的方法：线性矩阵不等式（LMI）方法和基于频域分析的方法。

LMI方法通过求解一组线性矩阵不等式来得到控制器参数，从而实现系统的鲁棒H∞控制设计。

基于频域分析的方法则通过频域特性分析来设计控制器，以实现系统对不确定性的鲁棒性。

四、鲁棒H∞控制设计的应用领域鲁棒H∞控制设计方法在工程领域有广泛的应用。

它可以应用于飞行器姿态控制、机器人控制、智能电网控制等多个领域。

以飞行器姿态控制为例，鲁棒H∞控制设计可以有效提高飞行器对外部干扰的鲁棒性，并且保证姿态跟踪性能。

在机器人控制领域，鲁棒H∞控制设计可以提高机器人对环境不确定性的抑制能力，以实现精确的轨迹跟踪。

计算机视觉中的多目标跟踪与鲁棒算法分析

计算机视觉中的多目标跟踪与鲁棒算法分析引言计算机视觉是人工智能领域的重要分支之一，通过使用计算机和摄像头等设备，使得计算机能够理解和解析图像或视频中的信息。

多目标跟踪是计算机视觉领域中的一个重要问题，涉及到识别和跟踪图像或视频中的多个目标。

为了保证多目标跟踪算法的鲁棒性和准确性，需要采用一些鲁棒算法来处理不同场景和条件下的挑战。

一、多目标跟踪的概述多目标跟踪是指在图像或视频序列中同时跟踪多个目标，目标可以是人、车辆、动物等各种不同类别的物体。

多目标跟踪的目标是从目标的初始位置开始，在接下来的图像或视频帧中准确地预测和定位目标位置，从而实现目标的连续跟踪。

多目标跟踪在许多实际应用中起着重要作用，例如视频监控、智能交通系统和机器人导航等领域。

二、多目标跟踪的挑战在实际应用中，多目标跟踪面临着一些挑战。

首先，目标可能具有不同的外观和形状，这导致跟踪算法需要具备较强的适应性。

其次，目标可能在运动过程中发生姿态变换、遮挡或者尺度变化等情况，这会对跟踪算法的准确性提出更高的要求。

此外，光照变化、噪声干扰和背景混杂等问题也会影响跟踪算法的鲁棒性和准确性。

三、多目标跟踪算法的分类针对多目标跟踪问题，研究者提出了许多不同的算法。

根据使用的方法，多目标跟踪算法可以分为两大类：基于关联的方法和基于检测的方法。

基于关联的方法，通过将多个目标的位置信息进行关联，确定目标在不同帧之间的运动轨迹。

这类方法的步骤通常包括目标检测、特征提取、目标关联和目标跟踪等。

其中，目标关联是关键步骤之一，它通过测量目标之间的相似度来确定目标之间的联系。

基于检测的方法，直接在每一帧中对目标进行检测和定位，而不需要进行目标的关联。

这类算法通常使用卷积神经网络（CNN）等深度学习方法进行目标检测，然后使用跟踪器跟踪检测到的目标。

四、常见的多目标跟踪算法1. 多尺度跟踪算法多尺度跟踪算法能够在目标发生尺度变化时保持鲁棒性，实现对目标的准确跟踪。

其中，基于卡尔曼滤波的多尺度跟踪算法常用于预测目标的位置和尺度。

自适应模板更新的人体目标跟踪算法

聚类分析等领域。合理地建立人体目标模板并进行
人体目标跟踪主要问题是解决目标的搜索策
略和匹配准则。它可分为三大部分：目标匹配模板
的生成和更新；目标运动位置的预测；目标模板匹
实时更新是提高ｍｅｎｓｉ跟踪算法鲁棒性的关键。ａｈｆｔ传统的ｍｅｎｓｉ算法缺少必要的模板更新算法，ａｆｈｔ因
郭森柳伟王建华
深圳５８２）１０９（圳信息职业技术学院深
摘
要
针对人体目标所具有非刚性、对称性、态性的特点，出了自适应模板更新的人体目标跟踪算法。基于非多提
Ｋａｎ滤波器，ｌｍａ根据人体形态变化自适应调整目标像素的权值，从而获得更柔性、更合理的模板。将该方法与ｍｅｎｓｉａｈｆｔ跟踪算法相结合应用于人体目标跟踪，通过实验证明具有很好的鲁棒性和稳定性。关键词ｍｅｎｓｉＫａｎ滤波ａｈｆｔｌｍａ
统计学习的跟踪方法是将目标跟踪问题转换为在
贝叶斯理论框架下求已知目标的先验概率的问题，
常见的方法有卡尔曼滤波、均值滤波（ａｈｆ）ｍｅｎｓｉｔ以及粒子滤波等。
近年来，ａｓｉＥ算法作为一种高效、速的ｍｅｎｈｆｌｔ＿快模式匹配算法，已被成功应用于目标跟踪、式识别、模
ｎｖｌｄｐｉｅｗｅｇｔｖｌｅｐａｉｇｍｅｎｓｉｔｔａｋｎｌｏｉｈｉｐｏｏｅ，ｗｅｇｔｖｌｅｏｖｒｉｅｓｕｄｔｄａ－ｏｅａｔｖｉｈａｕｓｕｄｔｎａｈｆｒｃｉｇａｇｒｔｍｒｐｓｄａｓｉｈａｕｆｅｅｙｐｘｌｐａｅｃｉｃｒｉｇｔａｉｔｎｏｔｎｓａｅｃｌｕａｅｙａｇｏｐｏｌｎｆｌｒ．ＩｈｓｐｐｒｈｓｍｅｈｄｉａｐｉｄｉｕｏｄｎｏｖｒａｉｆｍｏｉｔｔａｃｌｔｄｂｒｕｆＫａｍａｉｅｓｎｔｉａｅ，ｔｉｏｏｔｔｏｓｐｌｈｍａｅｎｎｍｏｉｎｔａｋｎ，ｔｅｒｓｌｏｘｅｉｎａｅｎｓｐｒｉｉｎｖｄｏｓｏｔａｔｉｒｌｂｌｙａｄｒｂｓｎｓ．ｔｏｒｃｉｇｈｅｕｔｆｅｐｒｍｅｔｂｓｄｏｕｅｖｓｏｉｅｈｗｈｔｉｓｅｉｉｔｎｏｕｔｅｓａｉＫｙｗｏｒｍｅｎｓｉｔｅｄｓａｈｆ，Ｋａｍａｉｅ，ｔｍｐａｅｕｄｔ，ｈｍａｏｉｎｔａｋｎ．ｌｎｆｌｒｅｌｔｐａｅｔｕｎｍｔｒｃｉｇｏ

一种基于H∞理论的鲁棒预测控制方法

ＫｅｒｓＭｏｅｅｃｉｏｒｌＨｃｔｏｌｏｎｓｒｉｄｓｓｅｓ，ｒｕｓｔ — ｙｗｏｄｄｌｐｒｄｉｔｖｅｃｎｔｏ，ｏｎｒ，ｃｔａｎｅｙｔｍｏｂｔｓａｈｉｉｙｌｔ
１引言
摘
要
融合Ｈ控制的鲁棒概念和预测控制的滚动优化原理，出了一种全新的约束动态对提
策预测控制方法．有状态和控制约束的不确定线性系统，明了闭环系统的鲁棒稳定性并给对证出了鲁棒性条件．该方法同时具有Ｈ控制和预测控制的优点：棒性和显式处理约束的能力．鲁关键词预测控制，控制，束系统，Ｈ约鲁棒稳定性ＴＰ７．４２１７
（ｍａ＝ｈｎ＠ｊ．ｄ．ｎＥｌｆｃｅｋｔｅｕｃｕ
ｚｉｕｎｐｂ￣．ｒｈｙａ＠ｕ［ｈ．ｃｎ）
ＡｂｔａｔＢｙｃｍｂｎｉｇｈｏｕｓｎｅｓｃｓｒｃｏｉｎｔｅｒｂｔｓｏｎｓｄｒｔｏｆＨｃｔｏｉｈｔｏｖｎｇｉｅａｉｎｏｏｎｒｌｗｔｈｅｍｉｈｏｉｏｉｃｐｅｏＰＣ，ｔｓｐｐｒｐｅｅｔｖｌｇａｅａｒｚｎｐｒｎｉｌｆＭｈｉａｅｒｓｎｓａｎｏｅｍｐｐｒａｃｔｏｔａｎｄｏｈｏｃｎｓｒｉｅｍｏｌｐｅｉｔｖｃｔｏ．Ｒｏｂｕｔｌｓｄｌｏｐｓａｌｙｉｐｏｖｎｆｒｕｎｅｔｉｉａｄｅｒｄｃｉｅｏｎｒ１ｓｃｏｅｏｔｂｉｉｓｒｅｏｃｒａｎｌｎｅｒｔｓｓｅｉｈｉｕｔａｔｔｏｔａｉｓ，ａｏｙｔｍｗｔｎｐｎｄｓａｅｃｎｓｒｎｔｎｄｒｂｕｓｎｅｓｃｎｄｉｉｎｓａｅａｓｖｅｔｓｏｔｏｒｌｏｇｉｎ．ＴｈｅａｒｃｓａａｔｅｆｂｈＨｃｎｔｏｎＰＣ：ｏｓｎｅｓａｄａｉｉｙｔｎｌｐｐｏａｈｈａｄｖｎａｇｓｏｏｔｏｒｌａｄＭｒｂｕｔｓｎｂｌｔｏｈａｄｅｃｎｓｒｉｔｘｉｉｌ．ｏｔａｎｓｅｐｌｃｔｙ

基于H∞鲁棒动态逆的飞行器轨迹跟踪方法

Ａｂｔａｔｎｖｒｕｆｔｅｐｅｉｅｌｅｒｚｔｎｆｎｔｎｏｏｌｎａｙａｉｉｖｒｉｎ，ｒｇａｃｌｒｔｎｓｒｃ：Ｉｉｔｅｏｈｒｃｓｉａｉａｉｕｃｉｆｎｎｉｅｒｄｎｍｃｎｅｓｏａｄａｃｅｅａｉ－ｎｏｏｏ
Ｊｎ００ｕｅ２１
基于Ｈ∞鲁棒动态逆的飞行器轨迹跟踪方法
郑总准，王永骥，富强，谢李传锋
（中科技大学控制科学与工程系图像信息处理与智能控制教育部重点实验室，湖北武汉４０７）华３０４
摘要：利用非线性动态逆方法的精确线性化功能，合Ｈ。制理论，出了一种阻力加速度一量标准轨结。控提能
Ｋｅｗｒｓｙｅｓｎｃｖｈｃ；ｅｎｒｕｄｎｅｔｊｃｒａｋｎ；ｄｎｍｉｉｖｒｉｎｙｏｄ：ｈｐｒｏｉｅｉｅｒｅｔｇｉｃ；ｒｅｔｙｔｃｉｇｙａｃｎｅｓ；也ｌｙａａｏｒｏ
ｏｔｌｏｔｌｐｉｎｒｍａｃｏ
０引言
具有大升阻比的高超声速飞行器，再入过程中的动其力学参数变化呈现强非线性特性，飞行状态与气动参数且相互耦合，受到多种约束条件的限制。因此，们通常设并人计一条满足所有约束条件的标准轨迹，后控制飞行器跟然

基于H_范数优化的干扰观测器的鲁棒设计_尹正男

第37卷第3期自动化学报Vol.37,No.3 2011年3月ACTA AUTOMATICA SINICA March,2011基于H∞范数优化的干扰观测器的鲁棒设计尹正男1苏剑波1刘艳涛1摘要研究干扰观测器的鲁棒优化设计方法,应用H∞范数定义干扰观测器的优化性能评价函数,把低通滤波器的设计问题转换为H∞闭环回路成形问题.通过适当处理相对阶次条件等约束,把带有约束的回路成形问题转换成无约束的H∞标准问题,然后利用H∞标准问题的求解算法设计滤波器.此外,探讨了性能与频率加权函数的关系,并在此基础上提出了加权函数的选取方法.实验结果证明该方法设计简单,且具有最优性和系统性.关键词高性能鲁棒运动控制,干扰观测器,H∞标准控制问题,低通滤波器,2自由度控制系统DOI10.3724/SP.J.1004.2011.00331Design of Disturbance Observer with Robust PerformanceBased on H∞Norm OptimizationYIN Zheng-Nan1SU Jian-Bo1LIU Yan-Tao1Abstract This paper proposes a robust design method of disturbance observer(DOB),employs the H∞norm to deﬁne the optimization performance evaluation function of the DOB,and transforms the low-passﬁlter design into an H∞closed loop shaping problem.By appropriate processing the constraints such as relative order condition etc.,the loop shaping problem with constraints can be transformed into an H∞standard problem without constraints,and then the algorithms for standard problems can be applied to the design of theﬁlter.Furthermore,the relationship between performance and frequency weighted functions is investigated,based on which the selection method of weighted functions is presented.The experimental results validate the optimality and systematicness of the proposed method,which is easy to implement. Key words High-performance robust motion control,disturbance observer(DOB),H∞standard control problem, low-passﬁlter,two degrees of freedom control system基于干扰观测器(Disturbance observer,DOB)的鲁棒控制[1−3]是实现受控对象(如:机器人关节)高性能、高精度运动控制的有效方法.目前,闭环运动控制系统已发展到由内环和外环控制器组成的2自由度结构形式.内环控制的主要目的是抑制来自于外界的干扰,增强系统对被控对象参数摄动的鲁棒性;外环控制的目的是实现期望的目标轨迹跟踪性能.作为鲁棒内环控制器,目前最常采用结构简单、鲁棒性好的干扰观测器[4−8].干扰观测器由受控对象标称模型的逆模型和低通滤波器构成.由于对干扰和噪声的抑制性能及对模型摄动的鲁棒性均取决于低通滤波器,因此,低通滤波器设计是干扰观测器设计的关键.文献[1]提出在设计干扰观测器时,把干扰看作一个变化速度可忽略的状态,构造Gopinath状态收稿日期2010-06-11录用日期2010-10-22Manuscript received June11,2010;accepted October22,2010国家自然科学基金重点项目(60935001),教育部新世纪优秀人才支持计划(NCET-06-0398)资助Supported by Key Project of National Natural Science Founda-tion of China(60935001)and New Century Educational Talents Plan of Chinese Education Ministry(NCET-06-0398)1.上海交通大学电子信息与电气工程学院上海2002401.School of Electronic Information and Electric Engineering, Shanghai Jiao Tong University,Shanghai200240观测器,通过调整观测器的极点改善对干扰的抑制性能.文献[2]以最简单的一阶惯性环节作为低通滤波器,通过检测噪声的频率特性来调整惯性环节的时间常数,此方法因结构简单得到广泛应用[9−14].后来人们发现,低通滤波器的阶次越高,抑制干扰和噪声的性能就越强[15],因此,人们普遍采用阶次较高的滤波器.文献[3−4,15]注意到该点,引入了Butterworth滤波器和二项系数滤波器.文献[5]试图把一些补充参数添加到高阶(3阶及4阶)二项系数滤波器中以改善系统的鲁棒稳定性.此后出现的干扰观测器多为二项系数型[16−17]和Butterworth 型[3],或者是通过试错法(Trial and error)获取相对较优的滤波器.也有学者在滤波器结构固定的情况下,按照设计要求调整相应系数的大小,获取较优的滤波器[18].Butterworth型和二项系数型滤波器都以通频带上的频率特性尽量平滑为目的;而干扰观测器中的低通滤波器则应满足鲁棒稳定性等控制系统固有的约束,同时,尽量消除外界干扰和模型误差对系统的影响.因此,使用前述两种滤波器设计干扰观测器中的滤波器具有局限性,应当建立滤波器性能评价准则,并创新设计方法.332自动化学报37卷有学者试图以H ∞范数为评价函数设计干扰观测器的低通滤波器.例如,文献[15]把干扰观测器系统的灵敏度函数和补灵敏度函数的H ∞范数定义为评价函数,但因为灵敏度函数和补灵敏度函数之和恒等于1而无法同时最小化,所以不能用于低通滤波器的优化设计.还有学者提出在H ∞控制理论的框架内设计干扰观测器的方法.文献[19−20]引入扩展H ∞控制方法(Extended H ∞control method)设计具有积分型干扰抑制性能的H ∞控制器.文献[21]通过H ∞范数的线性矩阵不等式(Linear matrix inequality,LMI)最优化设计具有单位DC 增益的Q -滤波器.前者虽然保证基于积分作用的干扰抑制性能和鲁棒稳定性,但由于干扰观测器和外环反馈控制器的设计在同一个设计框架内进行,因此无法实现干扰观测器系统的本原功能,即2自由度性能.后者把干扰观测器和外环反馈控制器分开设计,虽然能保持2自由度性能,但此Q -滤波器设计包含由外环控制器和受控对象组成的灵敏度函数,因此滤波器的具体设计(如:阶次和零极点配置)仍受外环控制器影响.在设计干扰观测器中的Q -滤波器时,设计指标中不仅应包括低频和高频带上的频率特性,还应包括阶次及相对阶次条件和内模阶次条件等[15].上面提到的基于H ∞控制理论的Q -滤波器设计方法虽然能保证一定的频率特性和鲁棒性,但无法满足阶次及相对阶次条件,更不能保证内模阶次条件,而这些条件恰恰是设计干扰观测器时的重要指标.由以上的Q -滤波器设计方法可得到结论:1)需要建立低通滤波器的优化评价函数,此评价函数既要反映包括相对阶次条件和内模阶次条件在内的具体设计指标和频率特性,又能直接应用于设计过程;2)需要开发系统性的干扰观测器设计方法.从上述分析与观点出发,本文研究反映具体对象条件和控制目标的评价函数及其优化求解方法,采用H ∞闭环回路成形方法,设计干扰观测器中的低通滤波器.本文结构安排如下:首先,用干扰观测器系统的灵敏度函数与补灵敏度函数的加权H ∞范数定义Q -滤波器评价函数(评价函数以阶次及相对阶次条件包含为约束,并以内模阶次和频率特性为设计指标).其次,利用反馈回路的性质把带约束Q -滤波器设计问题变成无约束H ∞标准控制设计问题,以求解.再次,考察反映内模阶次条件的加权函数的选择方法,并通过设计实例验证所提设计方法的有效性,文末给出结论.文中带“∼”标的传递函数为用于理论分析引入的传递函数;带“∗”标的标识表示最优化过程得到的最优解或由最优解组成的传递函数.1干扰观测器设计的性能评价函数图1显示了干扰观测器及其等效系统的结构,其中,d 、 d、η分别表示干扰信号、干扰估计信号和检测噪声,P n (s )和Q (s )分别是受控对象P (s )的标称模型和低通滤波器.图1中的虚线框架内结构是干扰观测器,由逆模型和低通滤波器(Q -滤波器)两部分组成.(a)DOB 系统(a)System of DOB(b)DOB 等效系统(b)Equivalent system of DOB图1干扰观测器系统的框图Fig.1Block diagram of DOB system干扰观测器的任务是消除外部干扰d 和模型失配对系统的影响.低通滤波器Q (s )不仅使逆模型在物理上可实现,还能抑制检测噪声并保证系统对模型失配的鲁棒稳定性.下面讨论Q -滤波器设计时应考虑的几个重要设计指标.1.1频率特性图1的系统输入输出模型为y =P n PP n +(P −P n )Qu −P Q P n +(P −P n )Q η−P n P (1−Q )P n +(P −P n )Qd =G yr (s )u −G yη(s )η−G yd (s ) d (1)3期尹正男等:基于H∞范数优化的干扰观测器的鲁棒设计333式中, d是包含外部干扰d和模型失配所引起的内部干扰的整个等效干扰.当受控对象和模型一致时(这种情况下 d=d),式(1)可写为y=P n(s)u−Q(s)η−P n(s)(1−Q(s)) d(2)由上式可知,干扰经过Q C(s)=1−Q(s)(灵敏度函数)作用于系统,而检测噪声经过Q(s)(补灵敏度函数)作用于系统.如果Q C(s)和Q(s)分别对干扰d和噪声η具有截止性能,式(2)等号右端的第2项和第3项为零,整个系统就固定于不受到干扰和检测噪声作用的标称模型P n(s).Q C(s)还反映干扰观测器系统的灵敏度特性,如果令其在系统动作频段尽量小,即使实际对象和标称模型之间存在高频误差,也能有效保证干扰抑制性能和对模型变动的鲁棒性.因此,无论模型是否存在误差,只要灵敏度函数Q C(s)和补灵敏度函数Q(s)设计得足够小,就能保证干扰观测器的最优化性能,所以,干扰观测器设计的关键是低通滤波器的设计.由于Q C(s)和Q(s)的和恒等于1,这两个传递函数不可能同时任意小,设计时需要进行折衷.实际情况下干扰d的频谱位于低频带,噪声η处于高频带,因此设计时应该考虑此特性,使Q C(s)和Q(s)分别在低频带和高频带上足够小.同H∞控制的混合灵敏度问题一样,可以用频率加权函数解决此频率折衷问题.经上述分析,我们定义Q-滤波器的频率设计指标为maxQ(s)∈RH∞W1(s)Q C(s) ∞<1(3)W2(s)Q(s) ∞<1(4)式中,W1(s)和W2(s)分别是反映干扰频谱特性的低通加权函数和反映检测噪声频谱特性的高通加权函数.式(3)和式(4)意味着,在把检测器噪声的影响压到一定水平下的条件下,把干扰的影响在按照W1(s)给定的频段内尽量减小.1.2鲁棒稳定性由式(2)可知,Q(s)在模型匹配(P(s)= P n(s))时必须具有稳定性(标称稳定性条件).另一方面,系统运行时被控对象的变动会引起干扰观测器反馈系统的稳定性劣化.因此,设计Q-滤波器时,必须考虑系统对实际对象和标称模型间匹配误差的鲁棒稳定性.设对象可用如下乘型不确定摄动描述:P(s)=P n(s)[I+∆(s)](5)其中,∆(s)∈RH∞为摄动传递函数.本文关注含准稳定环节(如:积分环节)在内的稳定对象和存在相同不稳定极点的被控对象及其标称模型,二者是一般伺服系统(如:机器人关节系统)惯有的控制对象.由图1(b)可知,与摄动∆形成反馈环的确定部分的传递函数为Q(s).根据小增益定理(Small gain theorem),整个闭环系统鲁棒稳定的充分条件满足下式:¯σ(∆(jω)Q(jω))<1,0≤ω≤∞假定幅频上限为W T(s),即¯σ(∆(jω))<|W T(jω)|, 0≤ω≤∞,用H∞范数表示为W T(s)Q(s) ∞<1(6)式(6)与式(4)都是对Q-滤波器本身的加权范数限制约束.这说明噪声抑制问题和鲁棒稳定问题都落到Q(s)的范数限制问题.虽然检测噪声和模型不确定性都在高频上,但其具体频率特性不同,W2(s)与W T(s)的频率带宽不同.因此在Q-滤波器的设计时应考虑这一点设定加权函数W Q(s).1.3阶次及相对阶次条件干扰观测器系统必须包含被控对象的标称逆模型P−1n(s),且该模型具有非真性而无法独立实现.但由图1(b)可知,只要Q(s)P−1n(s)可实现,整个系统就能够实现.这表明Q(s)的相对阶次必须等于或大于P n(s)的相对阶次.因此,Q(s)的相对阶次是滤波器设计的重要指标(下面用k表示相对阶次指标),但这一设计指标对开发系统性的设计算法造成极大的难度,截至目前除了援引典型的滤波器设计方法(如:Butterworth或二项系数等)设计Q-滤波器之外,尚无考虑相对阶次条件的系统性设计方法.同时,Q-滤波器的阶次也是主要设计指标之一,应该加入到评价函数中(下面用n表示阶次指标).1.4内模阶次条件假设干扰d(t)=p q t q+p q−1t q−1+···+p0能够被抑制,由内模原理[22]知道干扰前段的控制器K pre(s)必须包括其传递函数模型,即含有q+1个积分环节1/s q+1.因此,为了使K pre(s)=[1−Q(s)]−1含有q+1个积分环节,Q(s)必须具有相应的传递函数结构.这样,q反映了Q-滤波器的主要性能,它表示能够抑制的干扰阶次,应把q作为设计指标加入到设计过程中.现有基于H∞控制理论的干扰观测器设计方法忽视该指标,只考虑对常值干扰的抑制性能.334自动化学报37卷1.5干扰观测器的性能评价函数根据上述Q -滤波器的设计指标,定义干扰观测器系统的性能评价函数为max γ,min Q ∈Ωk Q ∈RH∞γW C (1−Q )W Q Q∞<1(7)其中Ωk = F (s )|F (s )=N (s )D (s ),deg(D (s ))−deg(N (s ))≥k(8)是满足相对阶次条件的有理传递函数的集合,k 是给定的低通滤波器相对阶次设计条件.W C (s )是反映干扰频率特性的频率加权函数,与式(3)的W 1(s )相同.W Q (s )是检测噪声及模型摄动频率特性的频率加权函数,通过考虑W 2(s )和W T (s )的频率特性选择,具体选取方法在第4节详细说明.Q -滤波器的阶次条件和内模阶次设计条件反映在此加权函数,其具体选取方法也在第4节详细说明.式(7)通过γ-最优化,达到式(3)和式(4)所提出的频率设计目的,以保证给定的鲁棒稳定性和噪声抑制性能的同时,得到最优干扰抑制性能.式(7)表明干扰观测器Q -滤波器的设计与对象模型本身无关,模型失配的信息已反映到加权函数W Q (s )中.2基于H ∞范数优化的低通滤波器设计问题的求解评价函数(7)本质上代表混合灵敏度最优化问题,但因为干扰观测器中低通滤波器固有的设计指标而包含比较复杂的范数条件和阶次及相对阶次等约束,所以无法利用H ∞标准问题的求解方法,应寻求式(7)的系统性的求解算法.2.1变换为H ∞标准控制问题定义如下的虚拟回路传递函数 L(s ) L(s )=Q (s )1−Q (s )(9)则干扰观测器系统的灵敏度函数Q (s )和补灵敏度函数Q C (s )为Q (s )=L(s )1+ L(s )Q C (s )=1−Q C (s )=11+ L(s )(10)由上式看出, L(s )在虚拟定义的回路中可看为开环系统传递函数( L(s )本质上相当于图1(b)所示系统在模型完全匹配时的开环传递函数); L(s )∈Ωk 当且仅当其闭环回路稳定传递函数Q (s )∈Ωk ; L(s )的相对阶次反映了Q (s )的相对阶次.考虑式(9)和(10),式(7)的H ∞函数优化问题可写为max γ,min L ∈Ωk L∈ΠγW C (1+ L )−1W Q L (1+ L )−1∞<1(11)其中,Π定义为使此闭环系统稳定的所有开环传递函数的集合.这样,将式(7)求解最优闭环传递函数的问题转化为式(11)求解最优开环传递函数的问题,两式的解满足式(10).但约束 L(s )∈Ωk 仍存于优化问题中,式(11)还无法直接求解.因此,把开环回路传递函数 L(s )分解为虚拟受控对象和虚拟控制器两个因子,即L(s )= P (s ) K (s )(12)其中, P(s )为虚拟受控对象, K (s )为虚拟控制器.假设1.设 P(s )满足如下假定:1)所有极点位于复左半平面上;2)除了无限零点以外,无任何别的零点;3) P(s )∈Ωk , P (s )∈RH ∞.注意:虚拟受控对象 P(s )与实际受控对象P (s )无关,只反映标称模型P n (s )的相对阶次信息,用于实现开环回路的相对阶次指标; L(s )的分解与实际被控对象没有关系.现在的目的是求解满足式(11)的最优化开环传递函数 L(s ),而且对 L (s )的约束只是 L(s )∈Ωk ∩Π.考察如下最优化问题:max γ,min K ∈Π γW C (1+ P K )−1W Q PK (1+ P K )−1∞<1(13)定理1.若H ∞范数优化问题(13)中的受控对象 P(s )满足假设1所示的条件,则由此最优化问题的最优补偿器解 K∗和 P (s )构成的最优开环系统 L∗与此受控对象 P (s )的具体选择无关且唯一.证明.设受控对象 P(s )满足假设1,且和最优控制器 K∗(s )使式(13)的范数最小. P (s )有k 个稳定极点p ∗i (i =1,···,k ).由回路成形理论知,式3期尹正男等:基于H∞范数优化的干扰观测器的鲁棒设计335(13)的最优化解 K∗(s)一定含有由这个零点组成的因子.K∗(s)= K0(s)ki=1(s+p∗i)式中, K0(s)是最优开环传递函数,因为成立 L∗(s)= P(s) K∗(s)= K(s).再考虑满足假设1的其他 P1(s),它的k个极点为 p i(i=1,···,k)且 p=p∗(全部或部分不同).在式(13)的范数最小条件下,补偿器K 1(s)= K0(s)ki=1(s+p i)是最优化问题(13)对 P1(s)的解,因 K1(s)和 P1(s)中不存在不稳定零点极点对消,故闭环系统内部稳定. K∗(s)和 K1(s)的结果证明,开环传递函数K(s)唯一,式(13)范数不变.由此定理可知,在给定的对象阶次及相对阶次条件下只要对象满足假设1,由式(13)的解 K∗(s)和 P(s)来组成的开环系统 L∗(s)与受控对象 P(s)的具体形式无关,具有唯一性.引理1.对满足假设1的任意受控对象 P(s),以下两个H∞范数最优化问题(11)和(13)的解在式(12)的关系下完全等价:minL∈Ωk L∈ΠγW C(1+ L)−1W Q L(1+ L)−1∞=minK∈ΠγW C(1+ P K)−1W Q P K(1+ P K)−1∞<1(14)且L∗(s)= P(s) K∗(s)(15)其中, L∗(s)和 K∗(s)分别是式(11)和式(13)的最优解.同定理1的证明类似,引理1容易得证.这里不再赘述.定理1和引理1提供了用普通的H∞标准控制问题的框架设计干扰观测器Q-滤波器的重要的依据.式(12)是一般H∞混合灵敏度问题,且能采用H∞标准问题的求解方法求其优化解. K∗(s)的阶次不超过标准问题的广义受控对象的阶次,即加权函数的阶次和虚拟受控对象 P(s)的和,而且最优开环传递函数 L∗(s)的阶次等于 K∗(s),因为 P(s)的所有极点被 K∗(s)的零点对消.因 K∗(s)的真性且 L∗(s)满足相对阶次条件 L∗(s)∈Ωk,因此,Q∗(s)满足相对阶次条件Q∗(s)∈Ωk.2.2最优Q-滤波器的求解流程依据上述内容,可建立干扰观测器低通滤波器设计的一般步骤.步骤1.给定加权函数和相对阶次条件k(注意: Q∗(s)的整体阶次取决于加权函数的阶次和在 P(s)中反映的相对阶次);步骤2.任意选取满足假设1的虚拟受控对象 P(s)(相对阶次条件k在此反映);步骤3.按照H∞标准问题的求解框架,求式(13)的最优解 K∗(s);步骤4.按式(15)求最优开环传递函数 L∗(s),然后再按式(10)求最优Q-滤波器Q∗(s).值得注意的是Q∗(s)的阶次等于 K∗(s)的阶次,而且 K∗(s)的阶次取决于加权函数的阶次和相对阶次,所以通过加权函数和虚拟受控对象的适当选择,能达到期望的Q∗(s)的整体阶次n.选取步骤1的加权函数时,除应考虑阶次条件之外,还应反映内模阶次条件,这一内容在下节讨论.至于标准问题的求解方法,包括基于代数Riccati方程的状态空间求解法[23]在内,有数种系统性的方法,这里不予详述.2.3Q-滤波器的伺服条件无论内模阶次指标q≥0多大,干扰观测器系统对常数干扰就具有消除性能.假如没有给出内模阶次指标,系统可能不会满足常数干扰消除性能即伺服性能,而这是伺服系统最基础的性能要求.在步骤3的标准问题求解过程中,通过自由参数的调整,能实现此要求.由图1(b)可知,为使系统具有伺服性能须Q(0)=1,即 K∗(s)须有一个以上的积分器,但H∞标准问题的中心解一般没有积分器,可以通过标准问题的参数化解集中的参数调整得到带有积分器的特殊解.下面就这一结果进行讨论.定理2.假定¯σ(W C(0))<∞(这意味着没有提出内模阶次设计指标).在标准问题的框架内求解满足H∞范数优化性能指标式(7)的低通滤波器Q(s)时,满足伺服条件Q(0)=1的解存在于解集中的必要条件是W Q(s)满足¯σ(W Q(0))<1.证明.设Q(s)由标准问题的解 K∗(s)和式(10)、式(12)构成,则为使336自动化学报37卷γW C (1+ P K )−1W Q PK (1+ P K )−1∞<1成立,须有下式成立:¯σ γW C (0)(1+ P (0) K (0))−1W Q (0) P (0) K (0)(1+ P (0) K (0))−1=¯σ γW C (0)(1−Q (0))W Q (0)Q (0)<1该式表明,在¯σ(W C (0))<∞的情况下,使Q (0)=1成立,须有¯σ 0W Q (0)=¯σ(W Q (0))<1(16)由此定理得证.定理2说明Q -滤波器要满足静态条件,W Q (s )的DC 增益必须小于1.当频率加权函数满足此条件时,式(13)的最优化解 K∗(s )一定具有积分器才能保证Q (0)=1,而标准问题的中心解无法保证此性能,需要通过解参数化形式的自由参数的调整解决该问题.标准问题的一般解有如下的参数化形式[10]:K(s )=LF T (ˆK (s ),U (s ))=ˆK 11(s )+ˆK12(s )U (s )(I −ˆK 22(s )U (s ))−1ˆK 21(s )(17)式中,ˆK(s )=ˆK11(s )ˆK 12(s )ˆK21(s )ˆK 22(s )和U (s )分别是标准问题的一般解和自由参数,LF T (·)为线性分数变换算子,其框图如图2所示.图中G (s )是标准问题的广义受控对象,由W C (s )、W Q (s )和 P(s )组成.U (s )∈RH ∞, U (s ) ∞<1的自由参数U (s )表示满足范数限制条件(式(13))的整个稳定化控制器解集合(式(17)).图2K(s )用U (s )的参数化表现Fig.2The parameterization of K(s )with U (s )定理3.在满足¯σ(W C (0))<∞,¯σ(W Q (0))<1的条件下,使Q (s )满足Q (0)=1的 K(s )一定存在于式(17)解集合中的充要条件为ˆK −122(0)<1而且,满足静态要求的自由参数必须满足U (0)=ˆK −122(0)<1(18)定理3由式(17)和自由参数的条件可以证明.自由参数的阶次直接影响Q -滤波器的阶次,为了防止阶次增加,把U (0)选为U (s ),即U (s )=U (0)=ˆK −122(0)(19)总之,Q -滤波器的求解流程的步骤3中,依据式(17)和(19)求解 K∗(s )就能保证伺服性能.以上导出的结果是在没有给出内模阶次指标的情况下使DOB 系统具有伺服性能的措施.当给出内模阶次设计指标时,只要实现此设计指标就自动满足伺服性能,下节讨论反映内模阶次选取加权函数的方法.3内模阶次指标与加权函数的选取DOB 系统能够完全消除何种外部干扰是评价它性能的重要性能指标之一.例如,在形为d (t )=p q t q +p q −1t q −1+···+p 0的外部干扰作用下,能够彻底抑制该干扰时,q 就成为一个量化指标[15].从内模原理的角度来看,为使DOB 系统消除该干扰,图1(b)中K pre (s )必须含有q +1阶积分器.这对Q -滤波器造成一定的影响,设计Q -滤波器时应予考虑.下面讨论利用加权函数W C (s )实现此设计指标的措施.以下约定最小实现的Q -滤波器的形式为3期尹正男等:基于H∞范数优化的干扰观测器的鲁棒设计337Q(s)=N(s)M(s)=mj=0b j s jni=0a i s i,a n=0,b m=0,m<n,n−m=k定理4.假设受控对象在虚轴上有界,DOB系统能满足内模阶次q当且仅当Q-滤波器中的系数满足b l=a l(l=0,1,···,q,0≤q≤m).证明.图1(b)的等效控制器K pre(s)记为K pre(s)=11−Q(s)=M(s)M(s)−N(s)=M(s)D(s),D=s q+1ni=m+1a i s i−q−1+mj=q+1(a j−b j)s j−q−1+ ql=0(a l−b l)s l,M=ni=0a i s i(20)因此,当b l=a l,l=0,1,···,q(21)时,K pre(s)至多含有q阶积分器.此外,由于Q(s)∈RH∞,因而一定成立a i>0(i= 0,1,···,n)(即a i=0),故K pre(s)的积分器阶次不小于q+1.由此得出K pre(s)的积分器阶次一定为q+1.根据内模原理,系统具有q阶内模阶次.反过来,当系统具有q阶内模阶次时,式(21)一定成立,定理得证.引理2.Q-滤波器能达到的内模阶次q的最大值是m.引理2的内容从定理4的证明过程很容易得出.此引理显示构造Q-滤波器的重要信息,即:Q-滤波器能达到的最高内模阶次为分子多项式的阶次.这说明滤波器的阶次越高,能达到的内模阶次就越高.定理5.H∞范数最优化问题(7)的解Q∗(s)满足给定的内模阶次指标q的充分条件是加权函数W C(s)含有q+1个值为零的极点.证明.称Q∗(s)为式(7)的解,必须满足W C(s)Q∗C(s)∈RH∞.因此,如果W C(s)包含q+1个值为零的极点,Q∗C(s)=1−Q∗(s)必须具有q+1个零零点,以完全对消W C(s)的相应极点,保证W C(s)Q∗C(s)∈RH∞.Q C(s)=DM=ni=0a i s i−mk=0b j s kni=0a i s i(22)的分子D(s)含有q+1个零零点等价于式(21)成立,这意味着DOB系统具有内模阶次q的品质.定理5说明,为使干扰观测器系统满足给定的内模阶次指标q,树立Q(s)的性能指标时,应将内模阶次指标反映在灵敏度加权函数W C(s)的零极点阶次中.W C(s)=γW C(s)=γ1s q+1ˆWC(s)(23)然而,若加权函数包含虚轴上的极点,标准问题的广义受控对象因其分块矩阵有虚轴上的不变零(不可控,不可检测的零)而无法满足求解的前提假定.为避免加权函数W C(s)包含虚轴上的极点,采用充分小的参数λ>0,把式(23)改为W C(s)=γW C(s)=γ1(s+λ)q+1ˆWC(s)(24)标准问题,用式(24)的解 K∗(s)包含q+1个极点s i=−λK∗(s,λ)= K∗λ,0(s)1(s+λ)q+1(25)当λ→0时,标准问题解逼近真实的解,即K∗(s,0+)=limλ→0+K∗(s,λ)= K∗(s)1s q+1实际中,利用充分小的λ>0,得到的近似解K∗λ(s)= K∗λ,0(s)1s q+1(26)K∗(s,λ)一定令闭环系统稳定.当选取 K∗λ(s)代替K∗(s,λ)时,同样必须保证 K∗λ(s)也使得闭环系统稳定.下面,考察此替换对稳定性的影响.定理6.一定存在任意小的正数λ>0,使得由式(26)构成的闭环系统稳定,且低通滤波器Q(s)稳定.证明.对加权函数(24)的最优化问题的解一定具有式(25)的形式.此时闭环系统,即低通滤波器的传递函数为Q∗(s,λ)=L∗(s,λ)1+ L∗(s,λ)=K∗λ,0(s)(s+λ)q+1P(s)1+ K∗λ,0(s)(s+λ)q+1 P(s)(27)为了简化表达,设定N(s)D(s)= K∗λ,0(s) P(s)(28)338自动化学报37卷则Q∗(s,λ)=N(s)D(s)(s+λ)q+1+ N(s)=N(s)D∗C(s,λ)式中, D∗C(s,λ)= D(s)(s+λ)q+1+ N(s).分母多项式 D∗C(s,λ)一定为稳定多项式(所有的根均在复左半平面),因 K∗(s,λ)为最优化问题的解,使得范数最小,并保证了闭环系统内部稳定.当把式(25)替换为式(26)时,低通滤波器Q(s)为Q(s)=Q∗(s,0)=N(s)D(s)s q+1+ N(s)=N(s)DC(s)式中, D C(s)= D(s)s q+1+ N(s).根据Kharitonov定理,多项式 D C(s)的所有根位于左半平面的充要条件是误差多项式 D C(s)−D∗C (s,λ)的系数限制在一个矩形范围内.多项式DC(s)是一个稳定多项式的充分必要条件为:对∀ω, D C(jω)=0,即D C (jω)= D∗C(jω,λ)+[ D C(jω)− D∗C(jω)]= D∗C(jω,λ)+δ(jω)=0式中,δ(s)= D C(s)− D∗C(s)=[s q−(s+λ)q] D(s)为误差多项式.因为 D∗C(s,λ)稳定,对∀ω, D∗C (jω,λ)=0.用 D∗C(jω,λ)除上述等式,得1+δ(jω)D∗C(jω,λ)=0,∀ω(29)因此, D C(s)为稳定多项式,当且仅当δ(jω)/ D∗C(jω,λ)的轨迹不包围点(−1,j0).等价于sup ωδ(jω)D∗C(jω,λ)=δ(s)D∗C(s,λ)∞=[s q−(s+λ)q] D(s)D∗C(s,λ)∞<1(30)可知,一定存在正数λ,0<λ<λmax使上式成立,λmax是满足上式的最大正数.上面讨论的结果提供了选取频率加权函数的策略.一方面,应考虑Q-滤波器的低频带宽特性,可分成两个部分:一是内模阶次指标(式(23)和式(24)的第2个因数),二是反映主要干扰在低频带宽的周期性的频率特性(第3个因数),在设计Q-滤波器时,二者均反映在加权函数W C(s)中;另一方面,应考虑滤波器的阶次问题,从抑制外部干扰的角度看,低通滤波器的阶次越高,对干扰的抑制作用越强.但从实现的角度看,滤波器的阶次越高,构成运算装置的难度越大.一般来说,通过标准问题的求解过程设计的低通滤波器的阶次等于加权函数W C(s)的阶次与滤波器本身相对阶次之和(次优化问题转化为最优化问题,即γ→γmax的情况下,阶次减小一阶).因此,低通滤波器的阶次也取决于加权函数W C(s)的阶次,应合理选取加权函数W C(s).4设计实例本文提出了干扰观测器的Q-滤波器设计方法,以Q-滤波器设计问题定义为H∞函数优化问题,然后将其变为H∞标准控制问题求解.以下就该方法同已有方法进行分析和比较.4.1设计实例1考察伺服控制系统常用的阶次为3、相对阶次为2的Q-滤波器[4,15].因m=1,可知q最大为1,且k=n−m=2.在只考虑干扰抑制性能和噪声抑制性能的情况下,灵敏度函数Q C(s)和补灵敏度函数Q C(s)的幅频特性曲线分别限于s→0时Q C(s)的切线(1/s2)和s→∞时Q(s)的切线(s2)下.据此,选择W C(s),W Q(s)和 P(s)为W C(s)=γW C(s)=γ(s+λ)2W Q(s)=s2α, P(s)=1(s+δ)2(31)式中参数分别选择为λ=0.001,α=1,δ=3. W C(s)的近原点的2阶极点反映2阶的内模阶次; P(s)反映相对阶次设计条件,δ可任意选择.由式(31)可知,标准问题的广义对象的阶次为4,因此一般情况下得到的控制器解的阶次为4.但这种标量设计问题的解越逼近最优化解,就越近似于消去一个模态,即最优化解的阶次为3.采用标准H∞控制问题求解方法得到的最优化控制器 K∗opt和积分逼近控制器 K∗λ,最优开环系统 L∗为(λmax≈0.226)K∗opt(s)=(s+3)2(s+0.3283)(s+1.452)(s+0.001)2K∗λ(s)=(s+3)2(s+0.3283)s2(s+1.452)L∗(s)= K∗λ(s) P(s)=s+0.3283s2(s+1.452)最优Q-滤波器为Q∗=L∗1+ L∗=s+0.3283s3+1.452s2+s+0.3283(32)。

基于多表观特征子模型更新的鲁棒视觉跟踪

摘要：在视觉跟踪中，传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题．
为改善该性能，提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法．该算法首先建立候选子模型
库，然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息，最后将当前帧三种特征直方图信息与候
ｍｅｔｈｏｄ．Ｔｈｅａｌｇｏｒｉｔｈｍｆｉｒｓｔｌｙｂｕｉｌｄｓａｃａｎｄｉｄａｔｅｕｐｄａｔｅｓｕｂ—ｍｏｄｅｌｌｉｂｒａｒｙ．Ｓｅｃｏｎｄｌｙ，ｉｔｄｅｔｅｒｍｉｎｅｓｔｈｅｐｏｓｉｔｉｏｎａｎｄｉｎｆｏｒｍａ— ｔｉｏｎｏｆｔｈｅｃｕｒｒｅｎｔｔａｒｇｅｔｂｙｆｕｓｉｎｇｔｈｅｔｈｒｅｅｃｏｍｐｌｅｍｅｎｔａｒｙｆｅａｔｕｒｅｓｏｆｔｈｅｔｒａｃｋｉｎｇｂａｓｅｄｏｎＰａｒｔｉｃｌｅＦｉｌｔｅｒ．Ｆｉｎａｌｌｙ，ｔｈｅａｌｇｏ— ｒｉｔｈｍｄｉｖｉｄｅｓｔｈｅｔｈｒｅｅｃｈａｒａｃｔｅｒｉｓｔｉｃｈｉｓｔｏｇｒａｍｏｆｔｈｅｔａｒｇｅｔａｎｄｔｈｅｃａｎｄｉｄａｔｅｍｏｄｅｌｌｉｂｒａｒｙｔｏｃａｌｃｕｌａｔｅｔｈｅｓｉｍｉｌａｒｉｔｙｏｆｔｈｅｒｅｌｉａｂｉｌｉｔｙｗｅｉｇｈｔｓ，ｔｈｅｎｄｅｔｅｒｍｉｎｅｓｗｈｅｔｈｅｒｔｈｅｃａｎｄｉｄａｔｅｓｕｂ—ｍｏｄｅｌｌｉｂｒａｒｙａｎｄｃｕｒｅｎｔｓｕｂ—ｍｏｄｅｌＣａｌｌｂｅｕｐｄａｔｅｄ．Ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｓｅｌｅｃｔｔｏｕｐｄａｔｅｔｈｅｓｕｂ—ｍｏｄｅ１．Ｒａｔｈｅｒｔｈａｎｔｈｅｃｏｎｔｒａｓｔａｌｇｏｒｉｔｈｍｓ，ｏｕｒｍｅｔｈｏｄｃａｎａ— ｃｈｉｅｖｅａｂｅｔｔｅｒｔｒａｃｋｉｎｇａｃｃｕｒａｃｙｔｏｄｅａｌｗｉｔｈｔｈｅｓｉｔｕａｔｉｏｎｏｆｏｃｃｌｕｓｉｏｎ，ｉｌｌｕｍｉｎａｔｉｏｎｃｈａｎｇｅａｎｄｓｅｌｆｒｏｔａｔｉｏｎ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｕｐｄａｔｅｓｔｈｅｔａｒｇｅｔｍｏｄｅｌｅｆｆｅｃｔｉｖｅｌｙａｎｄｋｅｅｐｓｔｈｅｇｏｏｄｒｏｂｕｓｔｎｅｓｓｕｎｄｅｒｖａｒｉｏｕｓｔｒａｃｋｉｎｇｓｃｅｎａｒｉｏｓ．

具有实时性和鲁棒性的图像跟踪技术研究

具有实时性和鲁棒性的图像跟踪技术研究图像跟踪技术是一种将图像中的目标进行实时追踪的技术，广泛应用于商业、军事、安防等领域。

在现今科技发展日新月异的时代，越来越多的企业和组织需要高效准确的图像跟踪技术。

实时性和鲁棒性是这种技术最重要的衡量标准之一。

实时性指的是系统能够在短时间内进行图像处理、缩放、滤波等操作，从而在短时间内产生目标跟踪的数据；鲁棒性指的是系统能够对于图像不同的环境条件下，仍然能够准确地追踪目标。

目前，在图像跟踪技术领域，有许多优秀的算法和技术。

跟踪方法可分为两大类，第一种是基于特征点的跟踪，这种方法的特征点通常有角点、边缘和斑点等，根据目标在不同帧中的位置，来更新这些特征点。

第二种是基于模型的跟踪，这种方法通过目标模型和当前帧中的图像进行匹配，从而实现目标跟踪。

在这些跟踪方法中，有一种比较常用的方法是卡尔曼滤波。

卡尔曼滤波是一种基于状态空间模型的滤波器，可用于估计和跟踪目标的位置、速度等状态变量。

因此，它被广泛应用于图像跟踪和机器人导航等领域。

除了卡尔曼滤波之外，神经网络在图像跟踪领域也取得了令人瞩目的成果。

深度学习通过对大量的数据训练，可以有效地提高图像跟踪的精确度和鲁棒性。

目前，常用的深度学习模型有卷积神经网络（CNN）、循环神经网络（RNN）等，这些模型可以提取图像中的特征，并通过学习目标在不同情况下的表现来进行跟踪。

除了跟踪方法之外，自适应算法也是提高实时性和鲁棒性的关键之一。

自适应算法通过不断学习目标的行为特征，以及适应环境变化来优化跟踪算法。

由于图像跟踪涉及到光照变化、旋转、遮挡等环境变化的影响，因此，如何应对这些因素是十分重要的。

总体来说，图像跟踪技术正在飞速发展。

针对研究的问题，我们可以改进算法、采用更好的硬件设备等手段来提高实时性和鲁棒性，从而达到更好的目标追踪效果。

除此之外，我们在使用图像跟踪技术的时候，也需要充分考虑其适用的领域和环境因素，以便更好地应用于实际生产和生活中。

如何应对计算机视觉中的目标跟踪的鲁棒性问题

如何应对计算机视觉中的目标跟踪的鲁棒性问题目标跟踪是计算机视觉领域中的一个重要任务，它的目标是将视频序列中的特定目标进行跟踪并提供其位置信息。

然而，由于视频序列中存在诸多复杂性和挑战性因素，如目标的外观变化、遮挡、光照变化等，导致目标跟踪的鲁棒性问题成为了研究的重点和难点。

本文将探讨如何应对计算机视觉中的目标跟踪的鲁棒性问题。

首先，在目标跟踪中，外观变化是一个常见的挑战。

目标在视频序列中的外观可能会因为姿态、尺度、形变等因素而发生变化。

为了提高目标跟踪的鲁棒性，一种常见的方法是利用目标的模型来描述其外观特征。

通过建立目标模型，可以通过比较目标模型与当前帧中的候选目标来进行目标的匹配。

例如，可以使用主成分分析（PCA）或旋转不变的局部二进制模式（LBP）等方法来提取目标的特征，进而建立目标模型。

通过持续更新目标模型，可以更好地应对目标外观变化的问题。

其次，遮挡是目标跟踪中的另一个常见挑战。

目标在视频序列中可能会被其他物体或者遮挡物所覆盖，导致目标的一部分或者全部被遮挡住，从而使得跟踪算法难以准确地估计目标的位置。

为了应对遮挡问题，一种常见的解决方法是利用边缘信息或者背景信息来进行判别。

例如，可以使用边缘检测算法来提取目标的边缘特征，从而减小遮挡对目标跟踪的影响。

同时，可以采用基于背景建模的方法，通过对背景的建模和更新，减小遮挡对目标跟踪的影响。

此外，光照变化也是目标跟踪中一个需要克服的问题。

光照变化会导致目标的亮度、对比度等特征发生改变，从而影响目标跟踪的准确性。

为了增加目标跟踪的鲁棒性，可以通过自适应的颜色模型来对光照变化进行建模。

自适应的颜色模型可以根据当前帧中的颜色分布来自动调整模型的参数，从而更好地应对光照变化。

此外，还可以利用多个颜色模型进行融合，以获得更鲁棒的目标跟踪效果。

鲁棒目标跟踪还可以通过结合多种先进的计算机视觉技术来实现。

例如，可以利用深度学习方法中的卷积神经网络（CNN）来提取目标的高级特征，从而增强目标跟踪的鲁棒性。

基于HTP 稀疏表示的鲁棒目标追踪方法

科技与创新┃Science and Technology &Innovation·46·2017年第19期文章编号：2095－6835（2017）19－0046－02基于HTP 稀疏表示的鲁棒目标追踪方法聂欢，刘嘉穗，朱莉波（广东工业大学自动化学院，广东广州510006）摘要：稀疏表示是近年来信号处理领域发展起来的新方法，其在异常干扰抑制方面具有良好的性能，且在抗遮挡目标追踪方面具有独特的优势，已成为实现鲁棒目标追踪的重要工具。

目前，已有的稀疏表示方法在鲁棒目标追踪中存在计算速度慢、存储量大等缺陷。

硬阈值追踪（HTP ）是一种快速稀疏表示方法，能够在较少次数的迭代下达到收敛，并且具有重构精度高、鲁棒性好等优势。

为了克服已有的基于稀疏表示的目标追踪方法的不足，将迭代硬阈值追踪算法应用于稀疏表示协作模型中，该算法有效提升了协作模型的鲁棒性，且使跟踪更加快速。

关键词：目标追踪；稀疏表示；硬阈值追踪；计算量中图分类号：TP391.41文献标识码：ADOI ：10.15913/ki.kjycx.2017.19.046目标追踪一般需要实时性，但由于跟踪序列图像较多，跟踪算法比较复杂，导致计算量较大，实时跟踪目标物体困难。

所以，应该尽量降低跟踪算法的复杂度，减少计算量，提高实时性。

直到压缩感知理论的提出，由于低维压缩子空间可以很好地保留高维图像特征空间的信息，所以，很大程度上减少了计算量，在快速压缩跟踪中很好地展现了压缩感知的效果。

而将压缩感知与重构算法相结合构成的硬阈值追踪（Hard Thresholding Pursuit ，HTP ）算法在稀疏表示问题上具有更好的效果。

为提高追踪算法的实时性和鲁棒性，引入了HTP 算法来构建一个鲁棒的追踪算法，利用HTP 算法的快速性对原始图像进行稀疏表示，有效提高了整个跟踪算法的实时性。

目标跟踪的主要挑战是考虑剧烈外观变换和遮挡，将HTP 应用于稀疏表示协作模型中，用基于HTP 的稀疏表示构建判别分类器和生成模型，构成整体模版和局部表示相结合的鲁棒外观模型，更新方案考虑了最新的观测图像和原始的模版，因此，使跟踪器能有效处理外观变化和减少漂移问题。

基于递推估计和上下文更新的鲁棒单目标跟踪方法

基于递推估计和上下文更新的鲁棒单目标跟踪方法
杨建辉;吴聪;余梅生
【期刊名称】《重庆邮电大学学报（自然科学版）》
【年(卷),期】2017(029)001
【摘要】针对杂乱背景和光照变化等容易使目标跟踪产生漂移的问题,提出一种基于递推估计和上下文更新的鲁棒目标跟踪方法,该方法是颜色粒子滤波目标跟踪的有效扩展.通过建立颜色粒子滤波跟踪的通用框架,利用上下文信息分配目标外观变化的置信度,在重采样阶段,采用递推估计从其外观相似度分数计算的权重选择粒子,并初始化异常粒子.形变和光照变化的视频测试表明,该方法可以克服光照变化和背景的影响,递推估计可以处理偏离整体估计的异常粒子.相比于标准颜色粒子滤波、粒子随机搜索法等方法,该方法在跟踪框中心误差和平均重叠方面均优于其他方法,在鲁棒性和准确性方面具有明显优势.
【总页数】7页(P106-112)
【作者】杨建辉;吴聪;余梅生
【作者单位】周口师范学院数学与统计学院,河南周口466001;周口师范学院计算机科学与技术学院,河南周口466001;燕山大学信息科学与工程学院,河北秦皇岛066004
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于多模板的鲁棒运动目标跟踪方法 [J], 陆惟见;尚振宏;刘辉;李润鑫;钱谦
2.基于H分量检测的模板更新鲁棒分块跟踪方法 [J], 王晓华;滕炯华;赵春晖
3.复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法 [J], 何容;赖际舟;吕品;刘国辉;王博
4.优化分类模块和估计模块的快速鲁棒目标跟踪方法 [J], 熊丽婷;张绍彪;娄莉
5.基于自适应正交单纯形CKF的鲁棒目标跟踪方法 [J], 郝思冲;陈树新;吴昊;汪家宝;何仁珂
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多表观特征子模型更新的鲁棒视觉跟踪

基于多表观特征子模型更新的鲁棒视觉跟踪范舜奕;管桦;侯志强;余旺盛;戴铂【摘要】In computer vision tracking,the traditional model updating has poor robustness in solving the problem of occlusion,illumination change and self rotation.To improve these problems,this study proposes a new visual object tracking method.The algorithm firstly builds a candidate update sub-model library.Secondly,it determines the position and informa-tion of the current target by fusing the three complementary features of the tracking based on Particle Filter.Finally,the algo-rithm divides the three characteristic histogram of the target and the candidate model library to calculate the similarity of the reliability weights,then determines whether the candidate sub-model library and current sub-model can be updated.Results show that the algorithm can effectively select to update the sub-model.Rather than the contrast algorithms,our method can a-chieve a better tracking accuracy to deal with the situation of occlusion,illumination change and self rotation.The proposed method updates the target model effectively and keeps the good robustness under various tracking scenarios.%在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明:本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.【期刊名称】《电子学报》【年(卷),期】2018(046)002【总页数】7页(P440-446)【关键词】视觉跟踪;粒子滤波;模型更新;多特征融合;候选子模型库;加权相似度【作者】范舜奕;管桦;侯志强;余旺盛;戴铂【作者单位】空军工程大学信息与导航学院,陕西西安710077;空军工程大学信息与导航学院,陕西西安710077;空军工程大学信息与导航学院,陕西西安710077;空军工程大学信息与导航学院,陕西西安710077;空军工程大学信息与导航学院,陕西西安710077【正文语种】中文【中图分类】TP391.41 引言如何适应目标的表观变化及应对背景干扰的影响是鲁棒视觉跟踪所面临的挑战之一[1].其中，粒子滤波算法[2]由于原理简单、计算复杂度低及易解决多模情况等优点已广泛应用于许多实时跟踪系统中，但由于缺少模型更新，当出现目标旋转，遮挡或光照变化时易导致跟踪失败.其他早期跟踪算法也具有此类问题[3].关于模型更新，往往需要考虑三个问题：(1)选择怎样的特征才能更有效的进行模型更新？(2)大多数算法是直接对模型整体更新，如果更新目标的不同子模型分量，是否更有效？(3)如何选择恰当的更新时机？对于(1)，使用多特征融合的跟踪鲁棒性优于单一特征[4]，因此其模型更新也更具可靠性.如文献[5]针对单特征描述目标模型的缺陷，采用互补特征灰度和梯度直方图来描述；文献[6]基于相似性融合，集成多特征，计算成对模型匹配的相似度，将融合有效运用到模型更新中.针对(2)，建立多子模型分量比整体更新更具优势.如文献[7]中提出选择性子模型更新，将目标模型中的每个分量作为独立个体，根据匹配贡献度大小，选择当前帧内需更新的分量.就(3)而言，选择合适的门限对于更新时机尤为重要.如封闭感知的模型更新算法[8]利用稀疏编码确定一个强分类器，有效判断更新区间；文献[9]通过穷搜索跟踪确定目标，并建立大量正负样本的预训练选择分类器，在保留首帧同时，在跟踪中建立100帧具有可靠性权值模型库，在线持续更新模型库.综合考虑以上三个问题及各文献，本文提出一种多表观模型更新算法.首先选取互补的颜色、梯度、纹理特征，在粒子滤波中加入文献[4]融合规则，得到跟踪结果并提取各特征直方图，同时建立初始的候选子模型库.不同于文献[9]将模型整体更新，本文对候选子模型设置有效且更易于计算的可靠性权值，然后与当前帧各特征子模型对比，并更新候选子模型库，最后将库中最大加权相似度值与更新阈值比较，判断是否更新当前3个子模型.2 多特征融合粒子滤波算法2.1 粒子滤波粒子滤波基于贝叶斯递归推理和蒙特卡洛方法对非线性非高斯系统分析[2].设xk，zk分别表示k时刻系统的状态和观测向量，使用N个粒子构成的集表示状态的后验概率密度：(1)式中，{x0∶k,i=1,2,…,N}是支持样本集合，抽取自后验概率分布的状态空间.各样本粒子权值为且满足为归一化权值，重要性权值由下式得到：(2)式中，为似然函数，为概率密度转移函数，为重要性采样密度，则后验滤波密度可近似为：(3)2.2 特征提取2.2.1 颜色特征传统颜色特征直方图将整个颜色空间进行均匀剖分，本文中将图像按RGB通道划分进行直方图统计，每个通道分为8个区间，得到8×8×8=512维.2.2.2 HOG特征梯度方向直方图[10](Histograms of Oriented Gradients,HOG)是描述目标边缘特征的有效算子，使目标的表象和形状能够被梯度方向密度分布很好的描述，在处理背景和目标颜色分布相近的问题上具有较强的鲁棒性，可以弥补某些颜色直方图在跟踪中的缺陷，但由于不具有方向和尺度不变性，在跟踪过程中对旋转和尺度的适应性不强.本文将图像分成8×8的小图像单元，并分别计算每个单元的HOG，得到一个9维的直方图，将每相邻2×2个单元组成一个块，每块4×9=36维，相邻两块部分重叠，则共(8-1)×(8-1)=49块，最终图像得到49×36=1764维.2.2.3 LBP特征局部二值模式[11](Local Binary Pattern，LBP)是一种有效的纹理描述算子，具有旋转及局部灰度不变性，识别能力强，对灰度单调变化不敏感，计算复杂度小.基本LBP是一个3×3的矩形块，以中心像素的灰度值为阈值，将其邻域8个灰度值与阈值相比较，计算其LBP值，例如图1.计算公式为：(4)式中，指数p指邻域内第p个像素，N表示p的总数，而s(x)是一个二值函数:(5)因此可得到一幅数值大小分布于0～255的图像，对其进行灰度直方图统计即可得到纹理信息.2.3 特征融合2.3.1 特征不确定性特征不确定性是指特征似然函数的尖锐程度及离子的空间分布.不同场景每种特征对目标位置估计的准确度不相同，为描述每种特征在跟踪过程中的不确定性大小，文献[4]提出一种自适应的特征不确定性度量：(6)式中，σt表示粒子空间分布的分散程度.第i种特征下，表示t+1时刻的不确定性；似然函数pi为对应的目标与候选模型的巴氏系数(Bhattacharyya)指标，是t时刻所有粒子观测概率值的熵，表示粒子的分散程度.2.3.2 融合策略在假设n种观测特征是条件独立的情况下，文献[4]的融合策略中将每种特征的观测概率值加上一个正比于该特征不确定性的均匀分布，归一化处理后，结合式(6)，再取乘积：式中，U(x)是一个离散的均匀分布，设粒子数为N，则U(x)=1/N.这里的观测概率值即为目标与候选模型之间的相似度.通过融合n种互补特征直方图信息得到的目标，比起单一或不互补多特征更能使跟踪位置准确.3 子模型更新3.1 初始候选子模型库构建设像素坐标Χ=(x,y)T，第n帧图像信息是Mn(Χ)，目标区域信息是In(Χ).由In(Χ)可以分别得出3个直方图信息：u1(Color)、u2(HOG)、u3(LBP).本文选取前10帧每帧3种特征直方图信息组成3×10初始子模型库.初始子模型为候选库首列数据，且更新后的子模型均在候选库中.3.2 更新策略3.2.1 直方图相似性度量建立初始候选库后，需将其与每帧3种特征对应的直方图信息分别进行巴氏系数度量，以更新候选子模型库.其中，巴氏指标是一种模型匹配指标，当得到目标与候选模型时，作为二者的相似性度量，值越大，表示越相似.3.2.2 可靠性加权文献[9]提出图像序列增加，初始模型对目标的描述越来越差，引起模型可靠性下降.本文通过实验论证发现，往往当前帧目标对应特征信息与相隔最近一帧的候选子模型相似度最大，更新时便只会选择候选库中最邻近一帧的数据，这样便失去了通过检测而选择性更新模型的意义.在此提出一个对候选库可靠性加权的计算，加权后的相似度为：r=ρi-ηi·c(8)ρi为第i(i=1,2,3)个特征的巴氏指标.ηi为该特征对应的权值系数，其中随着间隔帧数增加，目标逐渐运动，HOG特征变化相对较快，η在相对较小时使得r比重微大，增加更新可靠性，适用于绝大多数视频序列.c(c=1～10)为子模型库数据中对应列坐标.上式为数值相减，即通过一个加性权值确定加权相似度值，意味着帧数越靠前，可靠性越大；反之误差越大，模型漂移可能性越大.3.2.3 更新子模型候选库将候选子模型库与当前帧对应特征直方图信息逐一进行巴氏系数判定，并逐一赋予可靠性权值，然后将同一帧不同特征对应的加权相似度值进行相加，总共得到10个加权相似度的和值.在保留初始3个特征子模型的基础上，每次替换时，去除该和值最小的一列，即该列数据为最不可靠的候选子模型，候选库中被移除列的后续数据列依次前移一列，然后将当前帧信息加入候选库，放至最后一列.候选库的持续在线更新具有一定的包容性且兼具更新的严谨性.若某帧出现遮挡或光照变化等突变情况，该帧仍进入候选库，但在之后跟踪中的候选库更新检测时，会很快发现该列数据的“异常”，即相似度很低，该帧数据会被很快剔除出候选库，避免了候选库中候选数据出现异常，导致模型与目标差异过大，跟踪失败的问题. 3.2.4 更新阈值判断更新候选子模型库后，选取数据归一化后的候选子模型库相似度和值的最大值rsum，与达到更新条件的阈值比较，其中满足更新子模型的相似度值和阈值点判断为：rsum≥τ(9)判断表示候选库数据中与当前帧目标最相似列信息改变量不大，即仅发生自身变化，满足更新条件，将该列数据标为新的当前子模型用于之后的跟踪；反之表示目标区域出现较大改变，可能发生遮挡或光照改变，为避免风险不更新当前子模型.综上所述，为使当前各特征对应子模型能够适应目标变化，且不因产生突变而更新使得模型漂移过大而跟丢，在运动过程中，目标应逐渐自适应更新模型，即变化越小越应该更新与调整，变化过大规避风险则应保持之前模型继续跟踪.4 本文整体算法算法步骤(1)读入视频序列.(2)由初始目标的颜色、HOG、LBP特征直方图建立对应初始子模型，并对前10帧进行非更新的融合粒子滤波跟踪.(3)建立前10帧3种特征直方图对应的3×10候选子模型库.(4)逐帧进行跟踪，输出当前帧目标信息In(Χ).(5)将当前帧目标对应每种特征直方图模型都分别与候选子模型库10个数据进行巴氏系数判定，3种特征可得到30组数据，然后逐一赋可靠性权值，最后将相同帧得出的3个加权相似度数据相加，得出可能成为下一帧子模型的10个相似度和值，归一化后即为候选子模型结果.(6)将步骤(5)的结果之间进行比较，去除对应候选库中值最小列的数据，将当前帧对应数据加入候选库最后一列，更新候选子模型库.(7)将步骤(5)的结果中的最大值与子模型更新阈值τ比较，若大于τ，则将该列信息更新为当前子模型并返回步骤(4)；反之直接返回步骤(4).流程图,如图2所示.5 实验结果对比分析为验证本文算法的有效性，在大量的视频序列上进行测试，均表现出了较为稳定的跟踪性能.实验将本文算法(ours)与目标的真实位置(Ground Truth)、粒子滤波算法(CPF)、CT[12]、VTD[13]、DFT[14]、LOT[15]及文献[6]中SimilarityFusion(SF)跟踪算法一同进行比较，其中，除CPF算法以外均有模型更新部分.本文的仿真软件为MATLAB 7.12.0.可靠性权值ηi设定为(Color=0.012，HOG=0.009，LBP=0.01)，更新阈值τ=0.9.5.1 定性分析由于篇幅有限，图3选取了实验结果中有代表性的6段视频序列，并选取其中2帧进行分析.实验(a)跟踪对象为图中人物，序列中出现轻微遮挡及目标自身旋转，阻碍了跟踪完整性.86与333帧目标分别出现局部遮挡和旋转，本文算法能更精确锁定目标中心.实验(b)跟踪对象为人手中的可乐罐，序列中频繁出现遮挡、旋转和光照变化.77、181帧目标分别出现遮挡和微小旋转，本文算法合理更新模型，保持了稳定的跟踪能力.实验(c)跟踪对象为图中汽车，背景中存在与目标颜色、形状相似的房屋，视频中目标遭遇树木遮挡，且目标运动速度快，尺度大幅度变化，跟踪难度增加.135、161帧中目标分别发生轻微尺度变化及遮挡，本文算法模型漂移量小，中心位置更靠近标准点.实验(d)跟踪对象为右边小鹿头部，跟踪过程中，目标由于快速运动造成局部模糊，且背景相似物体易造成干扰.12与58帧中，本文算法有效更新模型，跟踪鲁棒性较好.实验(e)跟踪对象为老虎玩具，序列中频繁出现遮挡、旋转和光照变化.126与311帧中本文算法对目标跟踪精确，较对比算法更具模型更新有效性.实验(f)跟踪对象为人脸部，由于光照强弱的变化，导致目标颜色特征不断变化.322与398帧目标光照强弱反复变化，本文算法能够适应并获得较好跟踪鲁棒性.5.2 定量分析5.2.1 中心位置误差比较中心位置误差(Center Location Error,CLE)是指跟踪结果与目标真实之间的中心位置欧氏距离，以此作为对算法跟踪精度的度量，其值越小跟踪精度越高，反之越低.图4为该6种算法对6段视频序列跟踪的目标中心位置误差曲线图.可以看出，本文算法相比其他对比算法，中心位置误差始终保持较低值.表1给出了所得的平均中心位置误差比较.数据表明，与CPF以及LOT算法相比，中心位置误差均有降低，说明通过有效模型更新提高了跟踪精度；与CT、DFT算法相比，在遮挡或光照变化强烈干扰下具有更准确的判断机制，不盲目更新模型，更好在目标小变化及时调整模型，更能稳定跟踪目标；与VTD算法相比，本文算法整体性能相对优越；与SF算法相比，跟踪精确度上有所不足，但SF算法对特征的提取和集成主要依靠深度学习，而本文算法不需要前期大量预训练即可完成实验，有着低成本且易于操作的优势.表1 平均中心位置误差比较序列\算法CPFLOTCTDFTVTDSF∗本文算法Walking5．66343．833218．75347．50635．31762．32．3259Coke104．228176．939740．4844110．032568．92825．915．4358CarScale57．998 571．021263．684728．008915．96626．413．4517Deer67．869756．87 34242．120893．4671130．59097．510．3061Tiger44．4894113．087495．426754．2874109．982910．323．1298Trellis21．786250．137152．732 242．580737．89443．818．8196注：其中，黑色加粗为几种算法最优，斜体为次优，SF算法数据引自文献[6]．5.2.2 精度与成功率比较图5将30组有代表性的测试视频序列归一化的精度曲线和成功率曲线进行展示.图5(a)图说明了在不同误差阈值内，跟踪到目标的帧数所占总帧数百分比；图5(b)图说明了在达到不同覆盖率百分比时成功跟踪到的帧数所占总帧数百分比.本文算法与对比算法比较可以看出综合精度与成功率最高，跟踪效果理想.表2给出了6种跟踪算法中心位置误差阈值为20的精度值比较以及成功率的AUC指数(Area Under the Curve,曲线覆盖面积)，可以看出，本文算法跟踪效果均为最优.表2 精度成功率比较指数\算法CPFLOTCTDFTVTD本文算法精度0．51030．58610．47820．54470．62330．6785AUC0．34010．41620．3 2870．41930．44320．4712注：其中，“精度”为中心位置误差阈值为20的帧数百分比，“AUC”为成功率曲线的覆盖面积，加黑为最优．6 结论本文针对跟踪算法存在的由于延误或无效的模型更新产生的跟踪漂移问题，从改进模型更新策略方法的角度，以粒子滤波为主要跟踪框架，多种互补特征构建候选子模型库的更新策略，提出一种多特征融合更新子模型的跟踪算法.实验结果表明，本文算法较参考算法能够更好解决跟踪中遇到遮挡、光照变化以及自身旋转时的模型更新问题，提高了整体鲁棒性.本文算法利用了颜色、梯度及纹理特征，因此，之后工作将会考虑空间、运动等特征信息.参考文献【相关文献】[1]侯志强,韩崇昭.视觉跟踪技术综述[J].自动化学报,2006,32(4):603-617.Hou Z Q,Han C Z.A survey of visual tracking[J].Acta Automatica Sinica,2006,32(4):603-617.(in Chinese)[2]王法胜,鲁明羽,赵清杰，等.粒子滤波算法[J].计算机学报,2014,37(8):1679-1694.Wang F S,Lu M Y,Zhao Q J,et al.Particle filter algorithm[J].Chinese Journal of Computers,2014,37(8):1679-1694.(in Chinese)[3]Wu Y,Lim J,Yang M-H.Online object tracking:a benchmark[A].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition[C].Portland,United States:IEEE Press,2013.2411-2418.[4]顾鑫,王海涛,汪凌峰,等.基于不确定性度量的多特征融合跟踪[J].自动化学报,2011,37(5):550-559. Gu X,Wang H T,Wang L F,et al.Fusing multiple features for object tracking based on uncertainty measurement[J].Acta Automatica Sinica,2011,37(5):550-559.(in Chinese)[5]武君胜,杨恒,李阳.基于粒子滤波框架下的自适应多特征融合目标建模算法[J].西北工业大学学报,2013,31(5):746-752.Wu J S,Yang H,Li Y.Object modeling algorithm based on self-adaptive multi-feature fusion in particle filter[J].Journal of Northwestern Polytechnical University,2013,31(5):746-752.(in Chinese)[6]Zhou Y,Bai X,Liu W,et al.Similarity fusion for visual tracking[J].International Journal of Computer Vision,2016,118(3):1-27.[7]沈志熙,杨欣,黄席樾.均值漂移算法中的目标模型更新方法研究[J].自动化学报,2009,35(5):478-483.Shen Z X,Yang X,Huang X Y.Study on target model update method in mean shift algorithm[J].Acta Automatica Sinica,2009,35(5):478-483.(in Chinese)[8]Ma B,Shen J,Liu Y,et al.Visual tracking using strong classifier and structural local sparse descriptors[J].IEEE Transactions on Multimedia,2015,17(10):1818-1828.[9]Gao C,Chen F,Yu J G,et al.Robust visual tracking using exemplar-based detectors[J].IEEE Transactions on Circuits & Systems for Video Technology,2015.1-1.[10]Wang N Y,Shi J P,Yeung D-Y,et al.Understanding and diagnosing visual tracking systems[A].Proceedings ofthe International Conference on ComputerVision,2015[C].Santiago，Chile:Springer-Verlag,2015.3101-3109.[11]Zhao G Y,Pietikainen M.Dynamic texture recognition using local binary patterns withan application to facial expressions[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(6):915-928.[12]Zhang K,Zhang L,Yang M H.Real-time compressive tracking[A].Proceedings of the European Conference on Computer Vision[C].Florence，Italy:Springer-Verlag,2012.7574(1)：866-879.[13]Kwon J,Lee K.Visual tracking decomposition[A].Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition[C].San Francisco,USA:IEEEPress,2010.119(5):1269-1276.[14]Sevilla-Lara L,Learned-Miller E.Distribution fields for tracking[A].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition[C].Providence:IEEEPress,2012.1910-1917.[15]Shaul O,Aharon B-H,Dan L,et al.Locally orderless tracking[A].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition[C].Rhode Island,United States:IEEE Press,2012.111(2):1940-1947.。

基于H分量检测的模板更新鲁棒分块跟踪方法

基于H分量检测的模板更新鲁棒分块跟踪方法王晓华;滕炯华;赵春晖【期刊名称】《计算机应用》【年(卷),期】2012(32)5【摘要】Robust fragments-based tracking cannot update template, so the paper proposed a template updating method based on hue detecting. First, hue histogram distance between template and current target was calculated, and then the distance was compared with the threshold. If the distance is more than the threshold, the template should be fixed in next frames, or the template should be updated every frame. The experimental results on challenging sequences demonstrate the method can track targets when illumination changes as well as improve tracking accuracy.%针对鲁棒分块跟踪方法不能进行模板更新的问题,提出一种基于H分量检测的模板更新方法.隔帧计算当前目标与目标模板的H直方图距离,通过检测该距离是否大于阈值来判定所采用的目标模板更新策略,若该距离大于阈值则采用固定加权目标模板,否则逐帧更新目标模板.将新方法在不同视频上进行仿真,实验结果表明该方法能提升鲁棒分块跟踪方法对光照变化的鲁棒性,同时能提高跟踪精度.【总页数】4页(P1261-1264)【作者】王晓华;滕炯华;赵春晖【作者单位】西北工业大学自动化学院,西安710072;西北工业大学自动化学院,西安710072;西北工业大学自动化学院,西安710072【正文语种】中文【中图分类】TN911.73【相关文献】1.基于多特征在线模板更新的鲁棒目标跟踪算法 [J], 陈东岳;陈宗文;桑永嘉2.基于多模板的鲁棒运动目标跟踪方法 [J], 陆惟见;尚振宏;刘辉;李润鑫;钱谦3.基于容积粒子滤波的交互式声源鲁棒跟踪方法 [J], 曹洁;吴尧帅;李伟;王进花4.复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法 [J], 何容;赖际舟;吕品;刘国辉;王博5.基于自适应正交单纯形CKF的鲁棒目标跟踪方法 [J], 郝思冲;陈树新;吴昊;汪家宝;何仁珂因版权原因，仅展示原文概要，查看原文内容请购买。

基于峰值特性判定模型更新的鲁棒视觉跟踪算法

基于峰值特性判定模型更新的鲁棒视觉跟踪算法
范舜奕;倪磊;刘斌斌;平宗伟;贾航川
【期刊名称】《空天预警研究学报》
【年(卷),期】2024(38)1
【摘要】为解决传统的模型更新算法在视觉跟踪中出现遮挡、光照变化以及自身旋转等情况下存在的鲁棒性较差问题,提出一种利用峰值特性对模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先通过粒子滤波跟踪确定目标位置,接着利用当前模型在当前帧跟踪的结果位置附近进行局部穷搜索,然后通过检测到的峰值分布确定目标置信度的数值矩阵,最后采用峰值旁瓣比阈值判断法确定是否更新当前模型.仿真结果表明:所提算法能够对目标模型进行有效更新,与对比算法比较,在应对视觉跟踪中常见的遮挡、光照变化以及自身旋转等情况时,总体上能够达到更好的跟踪效果.
【总页数】7页(P50-56)
【作者】范舜奕;倪磊;刘斌斌;平宗伟;贾航川
【作者单位】94028部队;空军预警学院
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于多表观特征子模型更新的鲁棒视觉跟踪
2.基于多特征在线模板更新的鲁棒目标跟踪算法
3.利用巴氏系数判定模型更新的视觉跟踪算法
4.基于二阶池化网络的鲁棒视觉跟踪算法
5.基于鲁棒PCA的视觉跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。

鲁棒的基于改进Mean-shift的目标跟踪

鲁棒的基于改进Mean-shift的目标跟踪薛陈;朱明;陈爱华【期刊名称】《光学精密工程》【年(卷),期】2010(018)001【摘要】为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了相应的改进措施.其一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型,从而有效地减小背景像素的影响.另外,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,由此很好地实现了目标部分遮挡情况下的稳定跟踪.当目标被严重遮挡时,则采用简单的线性预测,估计下一帧目标可能出现的位置.实验结果表明:提出的改进算法可以准确地进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性.【总页数】6页(P234-239)【作者】薛陈;朱明;陈爱华【作者单位】中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033;中国科学院,研究生院,北京,100039;中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033;中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033;中国科学院,研究生院,北京,100039【正文语种】中文【中图分类】TP301.6;TP391【相关文献】1.基于改进 Mean－shift算法的铲斗目标跟踪 [J], 于华琛;袁祖强2.复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法 [J], 何容;赖际舟;吕品;刘国辉;王博3.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇4.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇5.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇因版权原因，仅展示原文概要，查看原文内容请购买。

基于分块提取与异步更新的目标跟踪算法

基于分块提取与异步更新的目标跟踪算法
欧阳美龙
【期刊名称】《火力与指挥控制》
【年(卷),期】2022(47)9
【摘要】为解决复杂环境下跟踪算法面临的光照变化、遮挡及相似干扰等问题,提出了基于多模型融合的自适应分块鲁棒目标跟踪算法,算法基于局部敏感直方图构建光照不敏感特征,基于超像素分割对采集图像进行自适应分块,以充分发挥子块的特征一致优势;通过相对熵和均值聚类构建双权值约束,以自适应提取高置信度子块进行目标跟踪,从而避免全局搜索并提高跟踪的精确性和实时性;算法通过遮挡检测和子块异步更新,进一步提高算法的运行效率和鲁棒性,提高模型对背景信息的过滤能力。

实验结果表明,与其他跟踪方法相比,在包括遮挡、光照变化、相似目标和背景干扰等复杂场景下,该算法具有更优的跟踪精度和跟踪正确率,以及对不同场景的适应性和鲁棒性。

【总页数】9页(P120-127)
【作者】欧阳美龙
【作者单位】辽东学院工程技术学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于局部分块和模型更新的视觉跟踪算法
2.基于分块SURF特征提取的图像目标跟踪算法
3.基于分块背景更新的均值飘移跟踪算法
4.基于遮挡检测和多块位置信息融合的分块目标跟踪算法
5.基于光流法与分块思想的目标跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。