基于粒子群的多细胞状态技术研究
对细胞的分析与研究是生物学研究的重要课题，近年来多细胞自动跟踪方法得到了广泛的研究和应用。本文针对细胞动力学特性存在差异、细胞发生变形、细胞数目变化、细胞近邻等多细胞跟踪难题，提出了一种基于粒子群优化算法的自动跟踪方法用来实现多细胞的状态估计。 M000199
粒子群优化算法（PSO）是模拟鸟群觅食而发展起来的一种基于群体协作的随机搜索算法，连续图像帧的多细胞跟踪问题可以转化为寻找动态最优问题。本文的主要工作如下：首先，提出一种利用标准PSO算法的无需检测模块的多细胞检测前跟踪（Track Before Detected, TBD）方法，针对已存在细胞和新出现的细胞采用不同的粒子群初始化策略和搜索机制，在跟踪过程中一个粒子群独立地跟踪单个细胞，并且粒子群与细胞是一一对应的关系；其次，研究标准PSO算法的速度位置更新公式中各个参数对跟踪性能的影响，分析不同的参数选取策略（如惯性权重、认知因子和社会因子等）在多细胞状态估计中的意义；最后，引入细胞检测模块，在粒子的速度更新公式中增加检测项，提出一种基于改进PSO算法的多细胞跟踪前检测技术（Detected Before Track, DBT）。
实验结果表明不同的参数选取策略对跟踪性能存在显著差异。引入细胞检测模块后，能有效提高跟踪精度并缩短运行时间，并且该方法在处理细胞近邻问题时依然具备良好的鲁棒性。
关键词：多细胞跟踪 粒子群算法 状态估计
Analysis of cell’s behavior is an important facet of biomedical research, and the multi-cell automatic tracking methods have been widely used and researched. In terms of cell’s different modes of dynamic, shape deformation, varying population, and interaction, a novel PSO-based method is developed for automatic tracking of biological cells.
Particle Swarm Optimization (PSO) is a swarm-based random search algorithm based on birds foraging. Applied to the problem of multi-cell tracking over a consecutive sequence frames, it is formulated as an optimization problem of finding dynamic optima (cells). The main works of this paper are presented as follows. First, a PSO-based multi-cell tracking algorithm without explicit detection module is proposed which falls in the category of “track-before-detect” (TBD) technique. For the tracking of existing cells and the new appearing cells, the different methods on swarm initialization and search mechanism are used, and the swarm tracks cell independently. Second, this paper studies the parameter influences on tracking performance, such as the inertia weight, cognitive factor, and social factor. Finally, a PSO-based multi-cell tracking algorithm with detection module is proposed which falls in the category of “detect-before-track” (DBT) technique.
The experimental results show that there are significant differences on tracking performance when different parameter strategies are used. The tracking performance and process time is improved after introducing detection measure. Moreover, the methods have a good robustness even tracking spatially adjacent cells.
Key words: Multi-Cell Tracking; Particle Swarm Optimization; State Estimate
目 录 查看完整请+Q:351916072获取
1.绪论 1
1.1多细胞跟踪的研究意义 1
1.2国内外研究现状 1
1.2.1多细胞跟踪研究现状 1
1.2.2粒子群算法在目标跟踪领域的应用 2
1.3本文的贡献 3
1.4本文主要工作 3
2.标准PSO算法原理 4
3.基于PSO的多细胞跟踪算法 8
3.1无检测模块的PSO多细胞跟踪 8
3.1.1基本框架 8
3.1.2探索机制 9
3.1.3保留机制 12
3.2参数选取策略研究 13
3.3基于检测的PSO多细胞跟踪 14
3.4标签管理 16
4.实验仿真 18
4.1细胞图像数据与参数设置 18
4.2实验结果 20
4.3讨论 26
4.3.1性能指标 26
4.3.2 不同参数策略对跟踪性能的影响 26
4.3.3两种多细胞跟踪算法的性能比较 27
5.总结与展望 28
附录：程序代码 30
致谢 34
1.绪论
1.1多细胞跟踪的研究意义 查看完整请+Q:351916072获取
对细胞的研究是人类进行微观世界探索的一个非常重要且有效的手段。细胞跟踪是指对细胞的运动速度、位移、轨迹、形状等状态进行定性或定量的分析，它是进行细胞活性、细胞迁徙和细胞趋向性等细胞生物学和生物制药研究的有效方法和必要手段，在生物学、药理学和病理学方面都具有十分重要的研究意义和实用价值。
研究细胞的形态变化和运动行为，首先需要对被研究细胞进行相应地识别和跟踪才能观测后续的细胞参数变化，如细胞尺寸和动力学特征等。传统的以人工为主的方式来观察被研究细胞的活动，不仅效率低下，还附带观测者主观因素的影响。与人工细胞跟踪方法相比，自动跟踪方法耗时少，误差小，实用性更强，但由于细胞的多变性、外界的干扰等因素给细胞自动跟踪的研究带来了巨大的挑战，这使得研究一种可靠的多细胞跟踪技术变得极为迫切。随着计算机视觉的快速发展，如何利用图像处理技术、视频分析等相关技术手段来提高生物研究过程中的自动化程度已成为当前急需解决的非常有意义的课题，特别是近年来发展起来的基于视频的检测和跟踪方法作为一种无接触式的自动方法而得到了广泛的研究和应用。
多细胞跟踪是多目标跟踪问题中的一类复杂问题，不同于对刚体的跟踪，细胞在运动过程中不仅包括不规则变速运动和多个细胞的相互作用（如近邻、碰撞和粘连等现象），而且在细胞生命周期中出现的特有情形，如细胞分裂、细胞融合和细胞死亡等生命反应，此外细胞体积小，密度大且特征单一，使得这一问题仍然是研究的难点。
1.2国内外研究现状
1.2.1多细胞跟踪研究现状
目前多细胞自动跟踪方法包含三类：基于检测和关联的跟踪方法，基于模型演变的跟踪方法，基于采样和滤波的跟踪方法。
基于检测和关联的跟踪方法需要对跟踪的目标进行分割，然后对连续两帧之间的已检测目标进行数据关联。这种方法对于那些容易检测的目标非常有效，但是当细胞比较密集或者待检测目标比较相似时，区分每一个目标就成为一件很有挑战性的工作，在这种情况下使用该类算法往往得不到令人满意的结果。Quan Wen等人在文献[1]视频图像下利用迪劳三角测量实现了密集细胞的分割，然而该方法仅实现了静态细胞的分割，未对动态细胞
分割并跟踪。Lei Yang等人在文献[2]的粒子概率和灰度值范围内将视频图像中的前后景与分水岭算法相结合实现细胞分割，然后采用IMM滤波实现跟踪，该方法主要是针对低信噪比图像的细胞跟踪，能有效地过滤掉噪声导致的细小颗粒，但对于大于细胞基本面积的噪声点没有考虑。
基于模型演变的跟踪算法中的基于均值偏移算法（Mean Shift）的运动目标跟踪，它利用无参估计优化方法来定位目标，适用于任何场景下的目标跟踪，但是该方法通常须结合其他运动目标检测算法或人为初始化目标位置并且不能提取目标的轮廓。此外，还包括主动轮廓法（Active Contour），水平集法其主要通过一个能量函数，该函数的局部极值组成一组可供高层视觉处理进行选择的方案，通过能量项的迭加完成细胞的跟踪。
在采样和滤波方面，主要方法有贝叶斯滤波(Bayes)、卡尔曼(Kalman)滤波、粒子滤波(PF)等。贝叶斯方法是通过正常的逻辑思维获得参数的先验分布，先验分布的使用，成为验后样本量不足的合理补充。对于线性、高斯条件下目标跟踪问题，卡尔曼滤波是一种有效的方法。但由于实际问题中，一般情况为目标运动非线性、噪声非高斯，使用这种方法就会出现跟踪稳定性差，甚至可能完全失败。而粒子滤波通过递推的贝叶斯滤波来近似逼近最优化的估计结果，是一种非参数化的蒙特卡罗模拟方法，可以有效解决非线性非高斯情况下的目标状态估计问题。因此，对基于粒子滤波的运动目标跟踪算法进行研究，具有广泛的实用意义。
1.2.2粒子群算法在目标跟踪领域的应用
粒子群优化算法的发展始于1995年Kennedy和Eberhart提出的基本粒子群算法。随着粒子群算法的发展，粒子群算法具有适应性强、灵活性好，且能寻找图像分割最优阀值等特点。Kolsch 和Turk在文献[17]中首次将粒子群运用到目标跟踪问题上，但是有很多问题都没有得到很好地解决，比如目标跟踪特征选择的优劣直接影响到目标跟踪性能的好坏，因而选择合适的目标特征是保证跟踪性能的前提条件。Yin在文献[18]中提出了一种基于粒子群优化的目标跟踪特征选择算法。这种算法能有效提高复杂场景下的运动目标跟踪的鲁棒性与准确性。除此之外对目标运动状态的准确估计是实现目标跟踪的必要条件。为此，Liu在文献[19]中针对使用一般粒子滤波算法存在粒子退化和计算量大的缺陷问题，提出了一种基于排序的粒子滤波算法，该算法减轻了粒子退化的影响，提高了状态估计精度。遮蔽问题是目标跟踪中的一大难点。早期Zhang在文献[20]中等人提出了一个
基于物种的PSO算法，他把总群分成多个子群用来实现多目标的跟踪，通常情况下这些粒子群相互独立地跟踪目标，而当目标间的重合区域大于特定阀值时，这些粒子群会发生相互影响并且当跟踪目标产生严重的交互和频繁的遮蔽时，会导致跟踪失败。因此Myo Thida等人在文献[21]中提出了一种基于交互式粒子群的多目标跟踪算法，它使用交互式的群来跟踪人群中的行人。该方法能够很好地解决跟踪中的遮蔽问题。
1.3本文的贡献
本课题拟利用粒子群算法为研究手段，根据多细胞运动特征，设计合适的粒子群框架下的跟踪算法，并且设计的粒子适应度函数和粒子的速度状态更新机制，能实时对多细胞的状态进行精确估计。接下来本文又比较了粒子群单步更新中不同参数策略下的跟踪性能，选取性能最好的一组参数策略并在该算法的基础上加入检测模块从而进一步提高跟踪性能。这一研究成果不仅拓展了粒子群算法的应用领域（多目标跟踪方面），而且还将信息科学与生命科学进行交叉研究，为药物的研制提供了可靠的数据支持。
1.4本文主要工作
本文的目标是解决当细胞动力学特性存在差异、细胞发生变形、细胞数目变化、近距离细胞等跟踪难题。
文章共分为五章：
第一章：绪论部分，其中简要说明了多细胞跟踪的研究意义和研究现状，以及粒子群的研究现状；
第二章：简要介绍了标准粒子群原理；
第三章：探讨了基于粒子群的多细胞跟踪技术，首先介绍了无需检测模块的多细胞检测前跟踪方法；接着分析不同的参数选取策略在多细胞状态估计中的意义；最后引入细胞检测模块，提出一种基于改进PSO算法的多细胞跟踪前检测技术。
第四章：实验仿真结果和讨论；
第五章：结论部分并对多细胞跟踪算法的前景进行展望。 查看完整请+Q:351916072获取
粒子群优化算法（PSO）是模拟鸟群觅食而发展起来的一种基于群体协作的随机搜索算法，连续图像帧的多细胞跟踪问题可以转化为寻找动态最优问题。本文的主要工作如下：首先，提出一种利用标准PSO算法的无需检测模块的多细胞检测前跟踪（Track Before Detected, TBD）方法，针对已存在细胞和新出现的细胞采用不同的粒子群初始化策略和搜索机制，在跟踪过程中一个粒子群独立地跟踪单个细胞，并且粒子群与细胞是一一对应的关系；其次，研究标准PSO算法的速度位置更新公式中各个参数对跟踪性能的影响，分析不同的参数选取策略（如惯性权重、认知因子和社会因子等）在多细胞状态估计中的意义；最后，引入细胞检测模块，在粒子的速度更新公式中增加检测项，提出一种基于改进PSO算法的多细胞跟踪前检测技术（Detected Before Track, DBT）。
实验结果表明不同的参数选取策略对跟踪性能存在显著差异。引入细胞检测模块后，能有效提高跟踪精度并缩短运行时间，并且该方法在处理细胞近邻问题时依然具备良好的鲁棒性。
关键词：多细胞跟踪 粒子群算法 状态估计
Analysis of cell’s behavior is an important facet of biomedical research, and the multi-cell automatic tracking methods have been widely used and researched. In terms of cell’s different modes of dynamic, shape deformation, varying population, and interaction, a novel PSO-based method is developed for automatic tracking of biological cells.
Particle Swarm Optimization (PSO) is a swarm-based random search algorithm based on birds foraging. Applied to the problem of multi-cell tracking over a consecutive sequence frames, it is formulated as an optimization problem of finding dynamic optima (cells). The main works of this paper are presented as follows. First, a PSO-based multi-cell tracking algorithm without explicit detection module is proposed which falls in the category of “track-before-detect” (TBD) technique. For the tracking of existing cells and the new appearing cells, the different methods on swarm initialization and search mechanism are used, and the swarm tracks cell independently. Second, this paper studies the parameter influences on tracking performance, such as the inertia weight, cognitive factor, and social factor. Finally, a PSO-based multi-cell tracking algorithm with detection module is proposed which falls in the category of “detect-before-track” (DBT) technique.
The experimental results show that there are significant differences on tracking performance when different parameter strategies are used. The tracking performance and process time is improved after introducing detection measure. Moreover, the methods have a good robustness even tracking spatially adjacent cells.
Key words: Multi-Cell Tracking; Particle Swarm Optimization; State Estimate
目 录 查看完整请+Q:351916072获取
1.绪论 1
1.1多细胞跟踪的研究意义 1
1.2国内外研究现状 1
1.2.1多细胞跟踪研究现状 1
1.2.2粒子群算法在目标跟踪领域的应用 2
1.3本文的贡献 3
1.4本文主要工作 3
2.标准PSO算法原理 4
3.基于PSO的多细胞跟踪算法 8
3.1无检测模块的PSO多细胞跟踪 8
3.1.1基本框架 8
3.1.2探索机制 9
3.1.3保留机制 12
3.2参数选取策略研究 13
3.3基于检测的PSO多细胞跟踪 14
3.4标签管理 16
4.实验仿真 18
4.1细胞图像数据与参数设置 18
4.2实验结果 20
4.3讨论 26
4.3.1性能指标 26
4.3.2 不同参数策略对跟踪性能的影响 26
4.3.3两种多细胞跟踪算法的性能比较 27
5.总结与展望 28
附录：程序代码 30
致谢 34
1.绪论
1.1多细胞跟踪的研究意义 查看完整请+Q:351916072获取
对细胞的研究是人类进行微观世界探索的一个非常重要且有效的手段。细胞跟踪是指对细胞的运动速度、位移、轨迹、形状等状态进行定性或定量的分析，它是进行细胞活性、细胞迁徙和细胞趋向性等细胞生物学和生物制药研究的有效方法和必要手段，在生物学、药理学和病理学方面都具有十分重要的研究意义和实用价值。
研究细胞的形态变化和运动行为，首先需要对被研究细胞进行相应地识别和跟踪才能观测后续的细胞参数变化，如细胞尺寸和动力学特征等。传统的以人工为主的方式来观察被研究细胞的活动，不仅效率低下，还附带观测者主观因素的影响。与人工细胞跟踪方法相比，自动跟踪方法耗时少，误差小，实用性更强，但由于细胞的多变性、外界的干扰等因素给细胞自动跟踪的研究带来了巨大的挑战，这使得研究一种可靠的多细胞跟踪技术变得极为迫切。随着计算机视觉的快速发展，如何利用图像处理技术、视频分析等相关技术手段来提高生物研究过程中的自动化程度已成为当前急需解决的非常有意义的课题，特别是近年来发展起来的基于视频的检测和跟踪方法作为一种无接触式的自动方法而得到了广泛的研究和应用。
多细胞跟踪是多目标跟踪问题中的一类复杂问题，不同于对刚体的跟踪，细胞在运动过程中不仅包括不规则变速运动和多个细胞的相互作用（如近邻、碰撞和粘连等现象），而且在细胞生命周期中出现的特有情形，如细胞分裂、细胞融合和细胞死亡等生命反应，此外细胞体积小，密度大且特征单一，使得这一问题仍然是研究的难点。
1.2国内外研究现状
1.2.1多细胞跟踪研究现状
目前多细胞自动跟踪方法包含三类：基于检测和关联的跟踪方法，基于模型演变的跟踪方法，基于采样和滤波的跟踪方法。
基于检测和关联的跟踪方法需要对跟踪的目标进行分割，然后对连续两帧之间的已检测目标进行数据关联。这种方法对于那些容易检测的目标非常有效，但是当细胞比较密集或者待检测目标比较相似时，区分每一个目标就成为一件很有挑战性的工作，在这种情况下使用该类算法往往得不到令人满意的结果。Quan Wen等人在文献[1]视频图像下利用迪劳三角测量实现了密集细胞的分割，然而该方法仅实现了静态细胞的分割，未对动态细胞
分割并跟踪。Lei Yang等人在文献[2]的粒子概率和灰度值范围内将视频图像中的前后景与分水岭算法相结合实现细胞分割，然后采用IMM滤波实现跟踪，该方法主要是针对低信噪比图像的细胞跟踪，能有效地过滤掉噪声导致的细小颗粒，但对于大于细胞基本面积的噪声点没有考虑。
基于模型演变的跟踪算法中的基于均值偏移算法（Mean Shift）的运动目标跟踪，它利用无参估计优化方法来定位目标，适用于任何场景下的目标跟踪，但是该方法通常须结合其他运动目标检测算法或人为初始化目标位置并且不能提取目标的轮廓。此外，还包括主动轮廓法（Active Contour），水平集法其主要通过一个能量函数，该函数的局部极值组成一组可供高层视觉处理进行选择的方案，通过能量项的迭加完成细胞的跟踪。
在采样和滤波方面，主要方法有贝叶斯滤波(Bayes)、卡尔曼(Kalman)滤波、粒子滤波(PF)等。贝叶斯方法是通过正常的逻辑思维获得参数的先验分布，先验分布的使用，成为验后样本量不足的合理补充。对于线性、高斯条件下目标跟踪问题，卡尔曼滤波是一种有效的方法。但由于实际问题中，一般情况为目标运动非线性、噪声非高斯，使用这种方法就会出现跟踪稳定性差，甚至可能完全失败。而粒子滤波通过递推的贝叶斯滤波来近似逼近最优化的估计结果，是一种非参数化的蒙特卡罗模拟方法，可以有效解决非线性非高斯情况下的目标状态估计问题。因此，对基于粒子滤波的运动目标跟踪算法进行研究，具有广泛的实用意义。
1.2.2粒子群算法在目标跟踪领域的应用
粒子群优化算法的发展始于1995年Kennedy和Eberhart提出的基本粒子群算法。随着粒子群算法的发展，粒子群算法具有适应性强、灵活性好，且能寻找图像分割最优阀值等特点。Kolsch 和Turk在文献[17]中首次将粒子群运用到目标跟踪问题上，但是有很多问题都没有得到很好地解决，比如目标跟踪特征选择的优劣直接影响到目标跟踪性能的好坏，因而选择合适的目标特征是保证跟踪性能的前提条件。Yin在文献[18]中提出了一种基于粒子群优化的目标跟踪特征选择算法。这种算法能有效提高复杂场景下的运动目标跟踪的鲁棒性与准确性。除此之外对目标运动状态的准确估计是实现目标跟踪的必要条件。为此，Liu在文献[19]中针对使用一般粒子滤波算法存在粒子退化和计算量大的缺陷问题，提出了一种基于排序的粒子滤波算法，该算法减轻了粒子退化的影响，提高了状态估计精度。遮蔽问题是目标跟踪中的一大难点。早期Zhang在文献[20]中等人提出了一个
基于物种的PSO算法，他把总群分成多个子群用来实现多目标的跟踪，通常情况下这些粒子群相互独立地跟踪目标，而当目标间的重合区域大于特定阀值时，这些粒子群会发生相互影响并且当跟踪目标产生严重的交互和频繁的遮蔽时，会导致跟踪失败。因此Myo Thida等人在文献[21]中提出了一种基于交互式粒子群的多目标跟踪算法，它使用交互式的群来跟踪人群中的行人。该方法能够很好地解决跟踪中的遮蔽问题。
1.3本文的贡献
本课题拟利用粒子群算法为研究手段，根据多细胞运动特征，设计合适的粒子群框架下的跟踪算法，并且设计的粒子适应度函数和粒子的速度状态更新机制，能实时对多细胞的状态进行精确估计。接下来本文又比较了粒子群单步更新中不同参数策略下的跟踪性能，选取性能最好的一组参数策略并在该算法的基础上加入检测模块从而进一步提高跟踪性能。这一研究成果不仅拓展了粒子群算法的应用领域（多目标跟踪方面），而且还将信息科学与生命科学进行交叉研究，为药物的研制提供了可靠的数据支持。
1.4本文主要工作
本文的目标是解决当细胞动力学特性存在差异、细胞发生变形、细胞数目变化、近距离细胞等跟踪难题。
文章共分为五章：
第一章：绪论部分，其中简要说明了多细胞跟踪的研究意义和研究现状，以及粒子群的研究现状；
第二章：简要介绍了标准粒子群原理；
第三章：探讨了基于粒子群的多细胞跟踪技术，首先介绍了无需检测模块的多细胞检测前跟踪方法；接着分析不同的参数选取策略在多细胞状态估计中的意义；最后引入细胞检测模块，提出一种基于改进PSO算法的多细胞跟踪前检测技术。
第四章：实验仿真结果和讨论；
第五章：结论部分并对多细胞跟踪算法的前景进行展望。 查看完整请+Q:351916072获取
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4996.html
