（检测技术与自动化装置专业论文）智能视觉监控中的人体检测和跟踪研究.pdf

西南交通大学硕士研究生学位论文第1 页 摘要 智能视觉监控是计算机视觉领域新兴的研究方向，它通过对摄像机拍 录的图像序列进行自动分析来对被监控场景中的变化进行定位、跟踪和识 别，并在此基础上分析和判断有关目标的行为，从而傲到既能完成日常管 理又能在异常情况发生时做出反应。本文对智能视觉监控中的基于模型和 基于区域的人体检测和跟踪进行了研究。 首先，作为本文提出的基于模型的人体跟踪的基础，本文在借鉴量子 计算和量子进化算法( q u a n t 岫- i n s p i r e de v o l u t i o n a r ya l g 嘶t 胁，q e a ) 思想 的基础上，提出概率进化算法( p r o b a b i l i t ye v o l u t i o n a r ya l g o r i t h m ，p e a ) 。 在概率进化算法中，个体采用由观测概率构成的概率复合位进行编码，通 过观测操作得到个体的观测值，通过更新操作改变概率复合位中的观测概 率使个体得以进化。函数优化和o 一后背包问题实验表明，与量子进化算法 和传统遗传算法相比，概率进化算法在适用范围、搜索能力和收敛速度上 有明显的优势。 其次，针对基于模型的目标检测和跟踪，本文提出了基于概率进化算 法的人体跟踪。在基于概率进化算法的人体跟踪中，将跟踪置于函数优化 框架内，视跟踪为在模型可行域内求解与图像观测特征具有最优匹配的模 型的函数优化问题，并对此目标函数使用概率进化算法寻优。模拟场景和 真实场景实验表明，与基于粒子滤波的人体跟踪算法相比，基于概率进化 算法的人体跟踪具有较高的跟踪精度和较快的运算速度。 最后，针对基于区域的目标检测和跟踪，本文提出了结合相关向量和 b o o s t i n g 学习的实时多人脸跟踪系统。在系统启动时，通过基于b o o s t i n g 学习的人脸检测器检测人脸，并构建人脸的运动模型和色彩模型：在跟踪 过程中，根据人脸状态的不同采用不同的跟踪方法( 基于相关向量机的跟 踪，邻域搜索或放弃跟踪) ，并根据跟踪结果进行入脸状态转换；当跟踪 满足一定条件时，系统启动一次全图搜索以检测放弃跟踪的人脸和新的人 脸。在全图搜索和邻域搜索中，提出了人脸相似度矩阵以进行有效的搜 索。实验表明，本文提出的多人脸跟踪系统具有如下特点：1 ) 自动检测 场景中出现的新的人脸；2 ) 能够正确识别被遮挡后重现或离开场景后又 出现的人脸；3 ) 具有较快的运算速度。 关键词：人体跟踪、人脸跟踪、概率进化算法、相关向量机、b 0 0 s t i n g 亘童窒壅查兰塑塑窒生兰焦逢皇 蔓! ! 垂 a b s t r a c t i n t e l l i g e n c cv i s u a lg u r v e i l l a i l c ei sc u n n t i yo n eo f t l l em o s t a c t i v er e s e a r c h t o p i c si nc o m p u t e rv i s i o n v i s u 出s u w e m a n c e 棚o m a t i c a l l ya i l a l y s e s 血ev i d e o s e q u e n c e s ，a n da t t e n l p t st od e t c c t ，仃a c ka 1 1 dr e c o g n j z ec e r t a j no 巧e c t s b a s e do n t 1 1 i s t h cv i s u a ls u r v e i l l a i l c es y s t e mc a l lu n d e r s t a n da 1 1 da n a l y z em eo b j e c t s b e h a v i o r s ，i no r d e r t od od a i l ym a i l a g e m e n ta n dr e n e c tw 乜e nu n u s 删 c o n d i t i o n so c c u r n l em o d e l - b a s e da 1 1 da r e a _ b a s e dh u r n a nb o d yt r a c k i r 培m i n t e l l i 2 e n c ev i s u a ls l l r v e i l l a n c ea r es t u d i e di l lm i sp a p e r f i r s t l y ，a sn l eb a s eo fm o d e l b a s e dh 啪a 1 1b o d y 订a c h n gm e m o d i n 血i s p 印e r ， an o v e le v o l 砸o n a r ) ra l g o r i t h r nc a l l e d p m b a b i l i 斜 e v o l u t i o i l a r y a l g o r i t h m ( p e a ) i sp r o p o s e d p e ai si n s p i r e db yt h eq u a n 啪c o m p u t a _ t i o n a i l dq u a n t l i m 。i n s p i r e de v 0 1 u t i o n a r y 灿g o 胡1 i n ( q e a ) t h e m m v i d u a li np e a i se n c o d e db yap r o b a b i l i s t i cs u p e r p o s e d b i t 1 1 1 eo b s e r v i n gs t e pi su s e di np e a t oo b 诅i nt h eo b s e r v e di n d i v i d u 扎a i l dt h eu p d a t em e t l l o di su s e dt oe v o l v et h e p o p u l a t i o n 1 1 1 e 缸l c t i o no p t i i n i z a t i o na n do 一_ 】 k n 印s a c kp r o b l e me x p e r i m e n t s s h o w 吐l a tp e ah a sa p p a r e n ts u p e r i o ri na p p l i c a t i o na r e 钆s e a r 洲m gc a p a b i l i t y a 1 1 dc o m p u t a t i o nt i r i l ec o m p a r e dw i 血q e aa 1 1 dc a n o n j c a lg e n e t i ca l g o r i 也m ( c g a ) s e c o n d l y ，am o d e l b a s e dh u m a nb o d y 订a c k i n gm e t h o db a s e do np e a i s p r e s e n t e d 。i nt h ep e ab a s e dh 帅a n 舡a c k i n gf 胁e w o r k ，扛a c j ( i n gi sc o s i d e r e d t ob eaf u n c t i o no p t i m i z a t i o np r o b l e m ，s om ea i mi st oo p t i m i z et h em a t c h i n g 如n c t i o nb 曲 e e nt 1 1 em d d e la n dt h ei m a g eo b s e r v a t i o n 1 1 l e np e ai su s e dt o o p t i m i z et h em a t c h i n gf u n c t i o n e x p e r i m e n t so ns y i l m e t i c a r l dr e a li m a g e s e q u e n c e so f h u m a l lm o t i o nd e m o n s t r a t e t h e 缸a c k i n ga c c u r a c y a i l d c o m p u t a t i o ne f 珏c i e n c yo f 也ep r o p o dh u m a nt r a c 虹n gm e m o dc o n l p a r e d 诵t h t l e 乜a c k i n gm e m o d b a s e do n p a r t i c kf i l t e r s t h i r d l y ，a l la r e a - b a s e d 廿a c k i f l gs y s t e mf o rm t l l t i p l ef 醢e s j s p f e s e n t e d b a s e do nr e l e v a n c ev e c t o rm a c h i n e ( r v m ) a i l db o o s t i n g1 e a m i i l g a t 也ef i r s t 丘a m e ，af a c ed e t c c t o rb a s e do nb o o s t i n gl e 砌gi su s e dt od e t 。c tf l a c e s ，a n d 也ef a c em o t i o nm o d e l sa 1 1 df a c ec o l o rm o d e l sa r ec r e a t e d i nt h e 把l c k i n g p m c e s s ，d i f f e r e n tt r a c k i n gm e m o d s ( r v mt r a c k 洒g ，l o c a ls e a r c h ，g i v i n gu p t r a c k i n g ) a r eu s e da c c o r d i l 增t od i 丘b r e ms t a t e so fm ef a c e s ，a i l d 血es t a t e sa r e 西南交通大学硕士研究生学位论文第| il 页 c h a l l g e da c c o r d i n g t o 廿l en k i n gr e s u l t s w h e nt l l ef i l l li m a g es e a r c hc o n d i t i o n i ss a t i s f i e d ，a 血ui m a g es e a r c hi ss t a r t e di no r d e rt o 丘n dn e wc o i n i n gf 配e sa 1 1 d f 0 肌e ro c c l u d e df k e s i n 山ef 1 1 1 li m a g es e a r c h 趾dl o c a ls e a r c h ，廿1 es i n l i l a r i t ) r m a 研xi si n 打o d u c e dt oh e l pm a t c h m gf 缸e se f f i c i e n t l y e x p e r i m e n t a lr e s u l t s d e m o n s 们t em a tm i ss y s t e mc a l l ( a ) a u t o m a t i c a l l yf i n dn e wc o m i n gf k e s ；( b ) r e c o v e r 矗o mo c c l u s i o n ，f o re x 锄1 p l e ，i ft 1 1 ef k e sa r eo c c l u d e db yo t h e r sa n d r e a p p e a ro rl e a v et h e s c e n ea n dr e t m ； ( c ) mm ah i 曲c o m p u 协d o n e f f i c i e n c y k e yw o r d s ：h u i n a r i 仃a c b n g ；f a c e 仃a c k i n g ；p r o b a b i l 时e v o l u 廿o n a r ya l g o r i 岫； r e l e v a i l c ev e c t o rm a c h i n e ；b o o s t 血g 西南交通大学硕士研究生学位论文第1 页 第1 章绪论 1 1 本文课题的研究意义 智能视觉监控是计算机视觉领域一个新兴的研究方向，它与传统意义 上的监控系统的区别在于其智能性。简单而言，不仅用摄像机代替人眼， 而且用计算机替代人、协助人，来完成监视或控制任务，从而减轻人的负 担。智能视觉监控系统能在不需要人干预的情况下，通过摄像机拍录的图 像序列进行自动分析来对被监控场景中的变化进行定位、跟踪和识别，并 在此基础上分析和判断有关目标的行为，从而做到既能完成日常管理又能 在异常情况发生时做出反应【l j 。 人体检测和跟踪是智能视觉监控中的重要研究内容之一，也是近年来 计算机视觉领域中备受关注的前沿方向。对图像序列中的运动人体快速而 准确的检测和跟踪是一项十分重要且极具挑战性的工作，同时准确的检测 和跟踪也是对行为进行有效理解的基础【2 “。除了视觉监控之外，人体检 测和跟踪在高级人机交互、动画制作等方面也有着广泛的应用。 1 2 课题的国内外研究现状及分析 智能视觉监控已经引起了世界范围内研究者的极大兴趣。国际上，一 些权威期刊如i e e et r a l l s o np a 札e ma n a l y s i sa 1 1 dm a c m n eh n e l l i g e n c e 、 i n t e m t i o n a lj o u r n a lo fc o m p u t c rv i s i o n 、 c o m p u t e rv i s i o n a n di m a g e u n d e r s 切n d i n g 、i m a g ea 1 1 dv i s i o nc o 1 p u t i n g 等都相继出版了关于智能视觉 监控的专刊【5 叫，一些重要的学术会议如i c c v 、c v p r 、i c p r 、e c c v 等 都将运动分析和行为理解作为主题内容之一，美国、英国等都将智能视觉 监控列为重大发展项目。在国内，中科院自动化所等单位也对智能视觉监 控进行了广泛的研究【lo ，。 人体检测是从序列图像中将人体区域从背景图像中提取出来，人体区 域的有效分割对于人体跟踪和行为理解等后期处理非常重要，由于背景图 像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动检测 西南交通大学硕士研究生学位论文第2 页 成为一项相当困难的工作，目前常用的方法是背景减除j 、时间差分 1 1 2 j 、光流计算1 1 3 1 以及基于目标特征的统计识别等检测方法。 人体跟踪等价于在连续帧间创建基于位置、速度、色彩、纹理等特征 的对应匹配问题1 1 ，4 】。根据跟踪方式的不同可分为基于区域的跟踪【1 1 。“j 、 基于特征的鼹踪f l s l 、基于活动轮廓的跟踪f 1 乒17 1 、基于模型的跟踪陴2 6 j 等。 基于模型的人体检测和跟踪由于能够提供丰富的人体运动信息，一直 是计算机视觉研究中的一个热点，但同时也是一个难点，这主要是由于人 体模型通常具有较高的维数，难以对模型和图像观测特征在高维空间进行 最优匹配。目前基于模型的人体跟踪通常采用粒子滤波( p a n i c i ef i l t e i j n g ) 的方法，这种方法将跟踪置于贝叶斯框架下。如i s a r d 等o 提出 c o n d e n s a t i o n ( c o f l d i t i o 删d e n s i t yp r o p a g a t i o n ) 算法，通过先验概率采样， 再根据观测似然修正权值，以此近似后验概率。d e u t s c h e r 等【2 l j 采用退火 粒子滤波( a 衄e a l e dp a n i c l ef m e r i n g ) ，并采用自动空间分解和交叉算子进 行跟踪。w u 等田】采用m f m c ( m e a nf ；e l dm o n t ec 州o ) ，将人体关节模型 各部分视为相互独立，以系列低维粒子滤波器交互配合进行高维贝叶斯 推理，并将m f m c 推广为s m f m c ( s e q 峨m i a lm f m c ) 进行序列图像跟 踪。z h a o 等1 2 4 1 使用3 d 椭球模型分割复杂室外场景的多个人体，采用 d d m c m c f d a t a - d r i v e nm a r k o vc h a i l lm o n t ec a r l o ) 计算后验概率，在其进 一步发展中1 2 5 】，又采用m c m c 进行序列图像跟踪，能够较有效的解决扰 乱和遮挡问题。z h a n g 等【2 6 l 使用链状人体模型，通过序列蒙特卡罗法 ( s e q u e n 虹dm o n t ec a r 2 0 ，s m c ) 进行单幅图像人体模型跟踪。目前这类算法 的难点在于人体模型维数较高，所需粒子数庞大，求解较为困难。 基于区域的目标检测和跟踪适用于不需要得到目标运动细节但对跟踪 的实时性和抗干扰能力要求较高的场合。在基于区域的跟踪中，基于统计 学习理论的方法近年来逐渐受到重视，这种方法将检测和跟踪融为一体， 如a v i d a n 【2 7 2 8 1 提出了支持向量跟踪算法( s u p p o nv e c t o rt r a c k i n g ) ，通过将 支持向量机与基于光流场的跟踪器稆结合，在目标邻域搜索具有最大 s 得分的区域进行跟踪。w i l l i a r r i s 等【2 o 】通过使用相关向量机 f r e l e v 蛐c ev e c t o rm a c h i i l e ，r v m ) 学习目标与运动间的回归函数进行跟 踪，该算法具有很高的运算效率和跟踪精度。目前这类算法只能跟踪单个 目标。 西南交通大学硕士研究生学位论文第3 页 针对目前的研究现状和难点，对视觉监控中的人体检测和跟踪进行深 入研究不仅具有显著的社会经济效益，而且具有重要的学术理论价值。 1 3 本文课题的研究内容 本文主要研究了基于模型和基于区域的人体检测和跟踪，具体的研究 工作由三部分组成： 1 ) 作为基于模型的人体跟踪的基础，本文在借鉴量子计算和量子进 化算法( q u a n t 啪一i n s p i r e de v o 】u t i o n a r y 刖g o r m m ，q e a ) 思想的基础上，提 出概率进化算法( p r o b a b i l 毋e v o l u t i o n a r ya l g o r i t l l r i l ，p e a ) 。第2 章介绍了 本文提出的概率进化算法，使用函数优化和o k 背包问题对概率进化算法 进行了验证，并与量子进化算法和传统遗传算法进行了对比。 2 ) 针对基于模型的目标检测和跟踪，本文提出了基于概率进化算法 的人体跟踪。第3 章描述了基于概率进化算法的人体跟踪策略，使用模拟 场景和真实场景图像序列进行仿真实验，并与基于退火粒子滤波的人体跟 踪算法进行了比较。 3 ) 针对基于区域的目标检测和跟踪，本文通过结合相关向量和 b o o s t m g 学习，构建了一个实时多人脸跟踪系统。第4 章介绍了本文提出 的多人脸跟踪系统的组成及具体算法，并结合实际图像序列进行了验证。 西南交通大学硕士研究生学位论文第4 页 2 1 引言 第2 章概率进化算法 近几十年来，人们从不同的角度对生物系统及其行为特征进行模拟， 产生了一系列对现代科技发展有重大作用的新兴学科。其中对自然界中生 物进化机制的模拟产生了进化算法( e v o i u t i o n a r ya i g o 珊n ，e a ) 。进化算 法具有三大分支：遗传算法( g e n e t i ca l g o d t l l i t i ，g a ) ，进化规划 ( e v o l m i o n a r yp r o 掣跏i l l g ，e p ) 和进化策略( e v o i u t i o n a r ys 觚c e g y ，e g ) 。这 些算法之间有一些差别，但它们的共同特点是借助生物进化的思想和原理 来解决实际问题。目前进化算法在机器学习，过程控制，经济预测，工程 优化等领域都得到了有效应用。 在从生物进化中寻找灵感的同时，一些学者开始借鉴其他领域的思 想。n a m y a n a | 1 和h a n 等吸收了量子计算中量子位、量子门等思想，提出 了量子进化算法( q 啪t 岫i i l s p i r e de v 0 1 删o n a r ya l g o d t 岫，q e a ) p 。州j 。在 q e a 中，个体使用量子位进行编码，所以个体不再是确定的形式，而是 各种状态的叠加，个体通过观测得到确定的2 进制串，量子位在量子旋转 门作用下更新。0 e a 具有很强的搜索和发掘能力，在函数优化和0 1 背 包问题中表现优异p ”“。但是由于q e a 中量子位的观测值只有0 、1 两种 状态，故其只适用于2 进制编码问题，虽然可以使用多量子位实现多进制 观测值，但这需要设计高维量子门，而高维量子门的设计是相当困难的， 这限制了q e a 的应用范围，因为在一些应用中，如多维高精度连续函数 优化，o _ 背包问题等，使用多进制编码会更加方便和有效p ”“。 在借鉴量子计算和量子进化算法思想的基础上，本文提出概率进化算 法( p r o b a b i u t ye v o l 嘶。曲r ya l g o r i n 】l n ，p e a ) 。p e a 引入概率复合位的概 念，将个体用概率复合位进行编码，并通过对个体进行观测得到确定的k 进制观测个体，概率复合位通过更新操作得以进化。p e a 适用于任意进 制编码问题，其适用范围比q e a 更广。函数优化和o - t 背包问题的实验 表明，p e a 在适用范围，搜索能力和收敛速度上具有明显的优势。 表明，p e a 在适用范围，搜索能力和收敛速度上具有明显的优势。 西南交通大学硕士研究生学位论文第5 页 本章2 2 节简单介绍量子进化算法；2 3 节介绍本文提出的概率进化 算法；2 4 节将概率进化算法应用于复杂函数优化问题和。一七背包问题， 并于量子进化算法和传统遗传算法进行了比较。 2 2 量子进化算法 q e a 是一种建立在量子计算中量子位、量子门等思想基础上的进化 算法。在q e a 中，个体使用量子位编码，通过观测操作得到确定的2 进 制串，通过量子门对量子位更新使个体得以进化。 2 2 1 量子位编码 在常规计算机中，信息单元用2 进制来表示，它不是处于o 态就是处 于1 态，而在2 进制量子计算机中，信息单元称为量子位，它除了处于o 态或1 态外，还可处于二者的任意线性叠加态，o 态和1 态各以一定的概 率同时存在，通过测量或与其它物体发生相互作用而呈现出o 态或1 态 f 3 7 。39 1 。一个量子位的叠加态可用二维h i l b e r t 空间单位向量j | ；c ，) 描述为： j ) 邗i o ) 叩1 1 )( 2 1 ) 它满足归一化条件la l2 + l 卢i2 = 1 ，复数口和卢为。态和1 态的概率 幅，ld l2 与i 卢i2 分别给出了量子位取。和取l 的概率。 与经典进化算法的编码方法不同，q e a 采用量子位编码，一个量子 位可以表示为： q e a 中一个个体就是个量子位串： 眺# b ，2 + f 卢，f 2 = 1 ，f = 1 ，2 ，m 它可以表示2 “种确定状态的线性叠加。 西南交通大学硕士研究生学位论文第6 页 2 2 2 量子进化算法流程 0 e a 算法流程描述如下： 1 1 t - 0 ： 2 ) 产生初始种群q ( o ) ； 3 ) 观测：对q ( o ) 观测，得观测种群s ( o ) ； 4 ) 计算s ( o ) 中观测个体的适应度； 5 ) 将s ( 0 ) 存储至最优解种群b ( o ) ； 6 ) 若不满足进化结束条件，则转7 ) ，否则转1 4 ) ： 7 1 t _ t + 1 ； 8 ) 观测：对种群q ( t 一1 ) 观测，得到观测种群s ( t ) ； 9 ) 评价s ( t ) 中观测个体的适应度值； 1 0 ) 更新：更新q ( t 一1 ) 得新种群q ( t ) ； “) b ( t 一1 ) 与s ( t ) 中对应个体的最优解存储至b ( t ) ： 1 2 ) b ( t ) 中最优解存储于全局最优解驴； 1 3 ) 若满足迁移条件，则发生局部迁移或全局迁移； 转步骤6 ) ； 1 4 ) 输出结果。 q ( 沪 q l ：q 2 ，q 。 表示q e a 第t 代的种群。q ，为第r 代的第_ ，个个 体。 初始种群q ( o ) 中的个体是所有状态的等概率线形叠加，即初始个体 中的a 和口均置为l 2 。 双r ) = s l ，d ，勘 表示q e a 第，代的观测种群，为对观测得到的 确定2 进制串。 最优解种群b ( 力= b l 。，b 2 ：，b 。 ，可存储了酊当前的最优观测个体。 q e a 具有很好的并行性p2 1 ，为提高算法性能，可以采用并行进化方 式，即将种群9 ( o 分为若干子种群，每个子种群包含若干个体，各子种群 单独进化。当满足局部迁移条件时，各子种群内部传播最优解；当满足全 局迁移条件时，全局最优解传播给各子种群。 西南交通大学硕士研究生学位论文第7 页 q e a 中的更新算子是算法的关键，它取代了经典进化算法中的交叉 和变异过程，更新采用的是量子旋转门作用于量子位，量子旋转门形式如 下： r1 lc o s ( 护)一s i i l ( 护) i u ( 口) = ff s i n ( 口)c o s ( 口) l l j ( 2 2 ) 设种群中第个个体“中第f 个量子位为【a ，鹿】1 ，则对此量子位更新 时的旋转角口可由的观测值和当前最优解b 确定1 3 2 ，堋，可通过表 2 - l 查询。表中岛与玩分别为妒与町的第i 位，以) 为适应度函数，如，细 通常取o o o l 枷0 1 石。 表2 1 旋转角查询表 生垒!丛生! l 煎蚰笆 若 口，届】7 对应的量子位在第1 、3 象限，则： 蝌瑟一篇旭 m ：心删u 刚嚣：驰 。 2 3 概率进化算法 在q e a 中，量子位的观测值只有o 、l 两种状态，故其只适用于2 进 制编码问题，虽然可以使用多量子位实现多进制观测值，但这需要设计高 维量子门，而高维量子门的设计是相当困难的，这限制了q e a 的应用范 。盅。警。 触撇触l|触批触11 0 o 1 1 o 0 l 1 亘童童道盔兰亟主丛窒圭兰焦笙塞篁呈垂一 围。针对0 队的这一问题，同时考虑到量子进化算法仍然是在传统计算 机而非量子计算机上实现，本文在借鉴量子计算和q e a 思想的基础上， 提出概率进化算法( p r o b a b i l 时e v o l 以o n a r ya l g 嘶t h m ，p e a ) 。p e a 借鉴 o e a 的概率表示方法，而改变了其量子位编码、量子门更新的形式，从 而适用于任意进制编码问题。 2 3 1p e a 中的个体表示 在p e a 中，个体使用概率复合位进行编码。概率复合位是p e a 中的 最小信息单元，定义如下： 定义1 ( 概率复合位) ：概率复合位是斛1 个观测值( o ，l ，七) 依概率的 线性组合p 0 o + p l 1 + 切触，其中肌，p l ，挑分别为观测到o ，1 ，乒的观 测概率，概率复合位可以用向量形式表示为： p e a 的个体用一个概率复合位串表示，它不是一个确定的状态，而 是各种状态的线性叠加。 定义2 ( p e a 个体) ：p e a 的一个个体p 定义为一个概率复合位串，可 以用矩阵形式表示为： 12m p qp o p n l 2 p l p l p 1 12m p kp k p k ，p 0 7 十p l 。+ + 仇。= 1 ，_ ，= 1 ，2 ，m ( 2 4 ) 在p e a 中，概率复合位可以由任意多个观测概率组成。具有斛1 个 观测概率的一个概率复合位，可以观测到o ，1 ，k 共n 1 个值，因此一个 概率复合位所能观测到的值若使用q e a 中的量子位，则需要l 0 9 2 廿 个量 子位才能观测到。 一个串长为m 的p e a 个体可以表示( 抖1 ) ”种确定状态的叠加。例如 对于一个m = 3 、妊9 ( 即串长为3 ，一个概率复合位中有l o 个观测概率) 的 )oq l = 既 + 肼 + _，-11_j1111j 胁见仇 西南交通大学硕士研究生学位论文第9 页 个体，它观测到1 2 3 的概率为p l p 2 m ，观测到7 0 9 的概率为p 7 印o p 9 ， 等等。 在初始种群中，个体以等概率观测到各种状态，即式( 2 _ 4 ) 中所有的观 测概率p 的初始值均置为1 ( 斛1 ) 。 2 3 2p e a 中的观测操作 p e a 的个体p 不能直接用于适应度函数，需要通过观测操作得到对 应的观测个体s 。对式( 2 4 ) 定义的串长为小的个体p ，其对应的观测个体 为s = p l ，】，s f - o ，1 ，聊) 为确定的七进制值，s 为确定的七进制串， 此观测个体可用于计算适应度函数。 观测操作的过程是根据p 中每一个概率复合位得到一个_ j 进制观测 值，从而得到与p 对应的观测个体s 。具体的，对于个体p 中的第f 个 ( f _ o ，1 ，m ) 概率复合位，产生一个【o ，1 】间均匀随机数r ，以累积观测概率 确定观测值品。例如，假设p 中的每个概率复合位由