基于BP神经网络的图像目标跟踪算法研究田丽平，王军宁（西安电子科技大学，西安710071）摘要：以卡尔曼滤波及预测为主要算法的跟踪过程需要对目标的运动方程有准确了解而且要求系统的过程与测量噪声为高斯噪声且相互独立，这在实时跟踪过程中都是很难满足的。本文利用神经网络对非线性系统的强学习能力和容错性，能更好地克服上述算法的主要缺点，并与卡尔曼滤波器和相关匹配算法相结合的跟踪算法进行了比较，仿真结果表明本文算法可以实现比较准确的目标跟踪，当目标运动方向发生改变时其结果明显优于卡尔曼滤波与相关匹配结合的算法。关键词：BP神经网络；目标跟踪；Kalman滤波器StudyonImageTargetTrackingTechnologyBasedonBPArtificialNeuralNetworkTIANLiPing,WANGJunNing(xidianuniversity,xi’an710071)Abstract:ThetargettrackingprocesswhichuseKalmanfilteranditsupgrademodelneedsanaccurateunderstandaboutthetarget’smotionequationsanditalsorequiresthesysterm’smeasurementnoisesandprocessingnoiseareGaussianandindependentwhicharemuchdifficulttomeetinreal-timeprocess.NeuralNetworkshaveastrongabilityofstudyingthenonlinearsystermandagoodfaulttolerant.Soitisputforwardanddesignedtoavoidtheaboveinadequacys.ThesimulationresultsshowthatthealgorithmweproposedisbetterthanthatoftheKalmanfiltercombinedwithcorrelationmatching,especiallywhenthetarget’smovingdirectionchanged.keywords:BPneuralnetwork,Targettracking,KalmanFilter1引言目标跟踪一直是人们关心的热点问题,其中机动目标的“当前”统计模型以及该模型的自适应作者简介：田丽平(1979-)，女，河北保定人，硕士研究生。研究方向：图像处理，神经网络图像目标跟踪。滤波算法得到认同并被广泛应用[1]。卡尔曼滤波与预测凭借其跟踪精度较高在跟踪中倍受青睐[2-3]。把神经网络与卡尔曼滤波器结合起来也是目标跟踪的一个研究方向[4-5]，但是此种方法是以卡尔曼滤波以及预测为主要算法的跟踪，神经网络的引入只是在目标进行机动时对此时的卡尔曼滤波器输出参数进行调整，以适应其非线性改变，算法所固有的缺点是目标模型的动力学方程与实际运动存在着不匹配，而且要求系统的过程与测量噪声为高斯噪声，且相互独立。本文，利用神经网络本身的非线性性，自学习，自调整能力，不需要对目标的运动方程有准确了解。卡尔曼滤波器的引入是预测本帧图像中目标的质心在下一帧图像中可能出现的位置，神经网络以此为中心并在一个很小的范围内进行搜索，通过BP网络的匹配，达到了对目标比较准确的跟踪。2前馈神经网络及BP算法[6]前馈神经网络一般由输入层，一个或多个隐含层和输出层组成。各层之间实行全互连接，层内神经元之间无法连接，即下一层的每个单元与上层的每个单元都实现权连接，而各层神经元之间无权连接。设网络共有N层。第L层共nl个神经元节点。L层第i个神经元和L+1层第j个神经元的连接权值为ωij(l)，L层第j个神经元输出为oij(l)。−1oljj()=+{1exp[−(∑woii+θj)]}(1)i设前向输出为y,期望输出为ye。输入神经元个数为m，隐含层神经元个数为n，k为输出神经元个数。目标函数一般取期望输出与实际输出之差的平方和。由于常规的BP算法收敛慢，初始振荡大，所以常采用有动量项和可调整学习率的自适应动量BP算法。3卡尔曼滤波基本方程Kalman滤波器是一个对动态系统的状态序列进行线性最小方差估计的算法，采用递归滤波的方法，可以以任意一点作为观测起点。主要包含状态方程和观测方程两个方程，如下：X(1)(1,)()(kkkXkW+=Φ++k)(2)Z()kHkXkVk=()()+()(3)有关卡尔曼滤波的方程如下：Λ∧