專利名稱：一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及視頻序列的運動目標跟蹤領(lǐng)域，具體是一種運動目標跟蹤方法。
背景技術(shù)：
目前，視頻監(jiān)控技術(shù)迅速發(fā)展，視頻運動目標跟蹤技術(shù)也隨之成為研究的熱門課題之一，它融合了模式識別、人工智能、圖像處理等較多領(lǐng)域的先進技術(shù)。視頻運動目標跟蹤通過對攝像機獲得的圖像序列進行分析，得到目標的運動參數(shù)，并且反饋給跟蹤系統(tǒng)，為視頻序列的分析和理解提供依據(jù)和基礎(chǔ)。運動目標跟蹤是跟蹤系統(tǒng)的重要環(huán)節(jié)，它的精確度直接影響到高層視頻序列分析和理解的準確性。基于統(tǒng)計理論的粒子濾波跟蹤算法適用于任何非高斯分布、非線性的場景，它通過粒子概率來估計并逼近真實目標，在復雜背景以及短時間部分遮擋的情況下有比較好的跟蹤效果。所以，近年來，粒子濾波跟蹤算法得到了很大的發(fā)展。但是，研究發(fā)現(xiàn)，粒子濾波算法的計算比較復雜，計算量大，這也一直是制約粒子濾波算法進一步發(fā)展和應用的重要原因，如果用較多的粒子來實現(xiàn)跟蹤，會影響跟蹤的實時性，而如果用較少的粒子來跟蹤，則會造成較大的目標估計偏差，跟蹤誤差大，跟蹤效果不理想。針對粒子濾波算法本身的這個缺陷，很多學者都進行了深入研究，提出了一些改進方法。Canfeng Sian等人結(jié)合 mean-shift和粒子濾波跟蹤算法，對每個粒子都運用mean-shift算法找到相應的局部峰值，它能很好的解決粒子濾波跟蹤算法計算量大的問題，但是，粒子的多樣性很難保證，特別是有遮擋的情況下，會出現(xiàn)“過優(yōu)化”現(xiàn)象，導致跟蹤難以恢復。D. Ross等人提出一種基于本征空間模型的方法進行視覺跟蹤，但算法需要采用數(shù)量較大的粒子，影響了其在實時跟蹤系統(tǒng)中的應用。

發(fā)明內(nèi)容
為了克服已有粒子濾波目標跟蹤方法中當采用粒子數(shù)較多時跟蹤實時性差，而采用粒子數(shù)較少時跟蹤誤差大的不足，本發(fā)明提供了一種當粒子數(shù)較少時具有良好的準確性和實時性的基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法，所述方法包括以下步驟第一步，在目標跟蹤前，用目標檢測算法確定目標的初始位置。然后，根據(jù)目標的中心坐標位置(X，y)和目標的范圍，所述目標范圍包括目標寬度bl0Ck_width和目標高度 block_hight，計算得到目標累加直方圖accujiistogram，即累加直方圖的初始化；根據(jù)目標的中心位置在χ軸、y軸方向上的隨機化擴散得到各個粒子的初始位置， 即粒子的初始化。第二步，讀取下一幀圖像，以前一幀的目標位置及目標范圍為基礎(chǔ)，計算當前幀的目標累加直方圖accujiistogran^origin ；將目標寬度block_Width左右各減1個像素、 各加1個像素，計算兩個新的累加直方圖accu_histogram_width_dec、accu_histogram_ width_inc,分別計算 accu_histogram_origin、accu_histogram_width_dec 禾口 accu_ histogram_width_inc這三個直方圖與前一幀的累加直方圖accu_histogram之間的歐式
距離 D1、D2、D3，距離公式為-.D =花(accu — histogram(i)-accu — h{i)f ，其中，accu_h 代表 accu_histogram_origin>accu_histogram_width_dec 或 accu_hi stogram_width_inc,i 為累加直方圖橫坐標的值，若D2 > D3且D2 > D1，則block_Width減2個像素；若D3 > D2 且D3 > Dl，貝丨J bloc_width加2個像素；否則block_width不變，在目標高度block_hight 方向上執(zhí)行相同的操作，只是此時的block_Width為剛剛更新過的目標寬度，經(jīng)過上述操作后，即得到新的目標范圍；第三步，根據(jù)新的目標范圍，以每個粒子的坐標為中心點，計算得到臨時的累加直方圖aCCu_hiSt0gram_temp，然后，計算每個粒子的權(quán)重并進行權(quán)重歸一化①根據(jù)第三步得到的新的目標范圍，把每個粒子的坐標(particles_x(p)， particles_y(ρ))作為中心點計算得到累加直方圖accu_histogram_temp ；②權(quán)重計算公式*weight(p) = n*eXp(-Xd2)，其中，η = (1/ sqrt ((particles_x (ρ) -χ)2+ (particles_y (ρ) -y)2+1))為調(diào)節(jié)因子，weight (ρ)為第 ρ 個粒子的權(quán)重，λ為一個常系數(shù)，d為直方圖aCCu_histogram和第ρ個粒子對應的累加直方圖accu_histogram_temp間的歐式距離，particles_x(ρ)為第ρ個粒子在χ軸上的位置， particles_y(p)為第ρ個粒子在y軸上的位置，(x，y)為目標的中心點坐標；得到權(quán)重值后，進行權(quán)重的歸一化，歸一化公式為weight (ρ)‘= weight (ρ) / Σ weight (j)，其中，weight (ρ)‘為第 ρ 個粒子的歸一化權(quán)重，Σ weight (j)為所有粒子權(quán)重之和；第四步，把上一步得到的粒子權(quán)重weight(p)‘按從小到大的順序進行排序，粒子權(quán)重與粒子坐標(particles_x (ρ), particles_y (ρ))要--對應；第五步，如果權(quán)重小于指定的權(quán)重閾值ε，或權(quán)重的排序在總排序的前面μ %, 則調(diào)整該粒子的坐標，使它們相對于目標中心點(χ，y)的距離縮小，這樣，在下一步計算權(quán)重時，就能更充分的利用每個粒子，使它們都能更真實的反應目標的實際位置，距離調(diào)整公式為particles_X(p) = χ+ α (χ- (particles_x (ρ))particles_Y(p) = y+ α (y- (particles_y (ρ))其中，(particles_X(p)，particles_Y(ρ))為調(diào)整后第ρ個粒子的坐標；α為調(diào)整因子，設(shè)為O 1之間的常數(shù)，α越大表示距離調(diào)整幅度越?。粚τ诓恍枰{(diào)整距離的粒子，直接把原來的粒子坐標(particles^ (ρ)， particles_y (ρ))賦給(particles_X (ρ), particles_Y (ρ))艮口可；第六步，把每個粒子的新坐標(partiCleS_X(p)，particles_Y(ρ))作為中心點計算得到臨時累加直方圖aCCu_hiSt0gram_temp ；接著，重新計算各粒子的權(quán)重并進行歸一化處理，得到新的歸一化粒子權(quán)重weight (ρ)“；第七步，根據(jù)得到的歸一化權(quán)重weight (ρ)“，估計新的目標中心點的位置，公式為
χ=Σ weight (ρ)"氺 particles_X (ρ)y = Σ weight (ρ)"氺particles_Y (ρ)然后，根據(jù)新的中心點坐標以及目標寬度block_Width和目標高度block_hight， 計算出新的目標累加直方圖accu_histogram_new ；第八步，計算累加直方圖accu_histogram和accu_histogram_new之間的歐式距離，如果距離大于閾值thrd，累加直方圖accu_histogram更新為accu_histogram_new ；如果距離小于或等于閾值thrd，則維持原來的累加直方圖aCCu_histogram。第九步，采用替換選擇算法進行重采樣，篩選得到有效的粒子，同時，權(quán)重較大的粒子衍生出相對較多的后代粒子，而權(quán)重較小的粒子衍生出較少的后代粒子；第十步，經(jīng)過重采樣的粒子，在χ、y方向上分別擴散得到新的對應粒子，作為下一幀中粒子的初始分布。所述第九步中，重采樣的過程如下以O(shè)到1/N之間產(chǎn)生的隨機數(shù)為起點、1/N為差值組成等差序列，構(gòu)造兩個數(shù)列U (j)、C (i)，j = 1，2，…，N，i = 1，2，...，N，N為粒子數(shù)目，其中，U(I)為 O 1/N 之間的隨機數(shù)，U(j) =U(l) + (j-l)/N;C(l) = w(l), C(i)= C(i-l)+w(i),w(i)為第 i 個粒子的權(quán)重，如果 U (j) >C(i)j = 1，2，...，N，則 i = i+1，即如果w(i)太小，則為無效粒子；如果U(j) >C(i-l)，U(j) <C⑴，則j = j+1，第i個粒子的復制次數(shù)為數(shù)列U中介于C(i-l)和C(i)之間的項的數(shù)目。本發(fā)明的技術(shù)構(gòu)思為該方法的一個遞推過程包括以下基本步驟1)累加直方圖和粒子的初始化。根據(jù)目標的中心點坐標(x，y)和目標的范圍(目標寬度block_width，目標高度block_hight)計算可以得到累加直方圖accu_histogram。 根據(jù)目標的中心位置在χ軸、y軸方向上的隨機化擴散得到各個粒子的初始位置。2)讀取下一幀圖像，更新目標的范圍。分別在目標寬度和目標高度上，對目標范圍進行調(diào)節(jié)，更新目標范圍。3)根據(jù)新的目標范圍，以每個粒子的坐標(partiCleS_X(p)，partiCleS_y(p))為中心點，計算臨時的累加直方圖accu_hiStogranutemp，如果有ρ個粒子，則可以得到P個累加直方圖。然后，計算每個粒子的權(quán)重并進行權(quán)重歸一化。4)對粒子權(quán)重進行排序。把上一步得到的粒子權(quán)重weight(p)‘按從小到大的順序進行排序，粒子權(quán)重與粒子坐標(partiCles_X(p)，partiCles_y(p))要一一對應。5)調(diào)整粒子位置。如果權(quán)重小于一個指定的權(quán)重閾值ε，或權(quán)重的排序在前面 μ %，則根據(jù)距離調(diào)整公式來調(diào)整該粒子的坐標，使它們相對于目標中心點(χ，y)的距離縮小，這樣，在下一步計算權(quán)重時，就能更充分的利用每個粒子，使它們都能更真實的反應目標的實際位置。6)重新計算粒子權(quán)重。把每個粒子的新坐標(particleS_X(p)，partiCleS_Y(p)) 作為中心點可以計算得到臨時累加直方圖aCCu_hiSt0gram_temp。接著，重新計算各粒子的權(quán)重并進行歸一化處理，可以得到新的歸一化粒子權(quán)重weight(p)丨‘。7)根據(jù)上一步得到的權(quán)重，估計目標中心點的位置，結(jié)合目標的寬度block_ width和高度block_hight，計算得到新的目標累加直方圖accu_histogram_new。8)計算累加直方圖accu_histogram和accu_histogram_new之間的歐式距離，如果距離大于閾值thrd (thrd根據(jù)實際情況來定)，則累加直方圖aCCu_hi stogram更新為accujiistogranuiew ；如果距離小于或等于閾值，則維持原來的累加直方圖accu_ histogram。9)采用替換選擇算法對粒子進行重采樣，基本原理為以O(shè)到1/N之間產(chǎn)生的隨機數(shù)為起點、1/N為差值組成等差序列，來處理粒子的權(quán)重，從而確定它們的取舍。10)粒子傳播，經(jīng)過重采樣的粒子，在X、y方向上分別擴散得到新的對應粒子，作為下一幀中粒子的初始分布。該方法在計算得到粒子權(quán)重之后，對權(quán)重進行排序，如果權(quán)重小于指定的權(quán)重閾值，或權(quán)重的排序在比較前面，則調(diào)整該粒子的坐標，使它們靠近目標中心；得到新的粒子分布后，重新計算粒子權(quán)重，得到最終的目標中心點坐標，實現(xiàn)運動目標跟蹤。相對于基本粒子濾波跟蹤方法，該方法可以更充分地利用每個粒子，使它們能更真實的反映目標的位置，用更少的粒子來實現(xiàn)較好的跟蹤效果，提高粒子濾波跟蹤的準確性和實時性。本發(fā)明基于粒子位置調(diào)整，在基本粒子濾波算法的基礎(chǔ)上進行改進，對運動目標進行跟蹤，具有較高的實時性和可靠性，跟蹤效果較好。本發(fā)明具有以下優(yōu)點在粒子濾波跟蹤方法中，融入粒子位置調(diào)整算法，可以更充分的利用每個粒子，使它們能更真實的反映目標的真實位置，可用更少的粒子數(shù)來實現(xiàn)較好的跟蹤效果，提高粒子濾波跟蹤算法的實時性和準確性，提高跟蹤效率。


圖1為一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法的流程圖。圖2為粒子數(shù)為300時，基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法和基本粒子濾波跟蹤方法對目標中心點的跟蹤結(jié)果比較示意圖。圖3為粒子數(shù)為100時，基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法和基本粒子濾波跟蹤方法對目標中心點的跟蹤結(jié)果比較示意圖。圖4為粒子數(shù)為50時，基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法和基本粒子濾波跟蹤方法對目標中心點的跟蹤結(jié)果比較示意圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明作進一步說明。參照圖1，一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法，首先根據(jù)運動目標檢測結(jié)果，確定目標中心和目標的范圍。然后進入目標跟蹤過程，包括以下步驟第一步，在目標跟蹤前，用目標檢測算法確定目標的初始位置。然后，根據(jù)目標的中心坐標位置(x，y)和目標的范圍(目標寬度block_Width，目標高度block_hight)，計算得到目標累加直方圖accujiistogram，即累加直方圖的初始化。根據(jù)目標的中心位置在χ軸、y軸方向上的隨機化擴散得到各個粒子的初始位置， 即粒子的初始化。第二步，讀取下一幀圖像，以前一幀的目標位置及目標范圍為基礎(chǔ)，計算當前幀的目標累加直方圖accujiistogran^origin ；將目標寬度block_Width左右各減1個像素、 各加1個像素，計算兩個新的累加直方圖accu_histogram_width_dec、accu_histogram_width_inc。分別計算 accu_histogram_origin、accu_histogram_width_dec 禾口 accu_ histogram_width_inc這三個直方圖與前一幀的累加直方圖accu_histogram之間的歐式
距離 D1、D2、D3，距離公式為D = ^Yj (accu — histogram(i) -accu — h{i)f 。其中，accu_h 代表 accu_histogram_origin>accu_histogram_width_dec 或 accu_hi stogram_width_inc,i 為累加直方圖橫坐標的值。若D2 > D3且D2 > Dl，則block_Width減2個像素；若D3 > D2且D3 > D1，貝丨J block_width加2個像素；否則block_width不變。在目標高度block_ hight方向上執(zhí)行相同的操作，只是此時的block_Width為剛剛更新過的目標寬度。經(jīng)過上述操作后，即可得到新的目標范圍。第三步，根據(jù)新的目標范圍，以每個粒子的坐標為中心點，計算得到臨時的累加直方圖accujiistogramjemp，然后，計算每個粒子的權(quán)重并進行權(quán)重歸一化①根據(jù)第三步得到的新的目標范圍，把每個粒子的坐標(particles^ (ρ)， particles_y(ρ))作為中心點計算得到累加直方圖accu_histogram_temp ；②權(quán)重計算公式為weight (ρ) = n*eXp(-Xd2)，其中，η = (1/ sqrt ((particles_x (ρ) -χ)2+ (particles_y (ρ) -y)2+1))為調(diào)節(jié)因子，weight (ρ)為第 ρ 個粒子的權(quán)重，λ為一個常系數(shù)，d為直方圖aCCu_histogram和第ρ個粒子對應的累加直方圖accu_histogram_temp間的歐式距離，particles_x(ρ)為第ρ個粒子在χ軸上的位置， particles_y(p)為第ρ個粒子在y軸上的位置，(x，y)為目標的中心點坐標；得到權(quán)重值后，進行權(quán)重的歸一化，歸一化公式為weight (ρ)‘= weight (ρ) / Σ weight (j)，其中，weight (ρ)‘為第 ρ 個粒子的歸一化權(quán)重，Σ weight (j)為所有粒子權(quán)重之和；第四步，把上一步得到的粒子權(quán)重weight(p)‘按從小到大的順序進行排序，粒子權(quán)重與粒子坐標(particles_x (ρ), particles_y (ρ))要--對應。第五步，如果權(quán)重小于指定的權(quán)重閾值ε，或權(quán)重的排序在前面μ %，則調(diào)整該粒子的坐標，使它們相對于目標中心點(X，y)的距離縮小，這樣，在下一步計算權(quán)重時，就能更充分的利用每個粒子，使它們都能更真實的反應目標的實際位置。距離調(diào)整公式為particles_X(p) = χ+ α (χ- (particles_x (ρ))particles_Y(p) = y+ α (y- (particles_y (ρ))其中，(particles_X(p)，particles_Y(ρ))為調(diào)整后第ρ個粒子的坐標；α為調(diào)整因子，可以設(shè)為O 1之間的常數(shù)，α越大表示距離調(diào)整幅度越小。 對于不需要調(diào)整距離的粒子，直接把原來的粒子坐標(particles^ (ρ)， particles_y (ρ))賦給(particles_X (ρ), particles_Y (ρ))艮口可。第六步，把每個粒子的新坐標(partiCleS_X(p)，particles_Y(ρ))作為中心點計算得到臨時累加直方圖aCCU_hiSt0gram_temp。接著，重新計算各粒子的權(quán)重并進行歸一化處理，可以得到新的歸一化粒子權(quán)重weight(p)“。第七步，根據(jù)得到的歸一化權(quán)重weight (ρ)“，可以估計新的目標中心點的位置， 公式為χ=Σ weight (ρ)"氺 particles_X (ρ)y = Σ weight (ρ)“氺particles_Y(p)然后，根據(jù)新的中心點坐標以及目標寬度block_Width和目標高度block_hight，就可以計算出新的目標累加直方圖accujiistogranuiew。第八步，計算累加直方圖accu_histogram和accu_histogram_new之間的歐式距離，如果距離大于閾值thrd，累加直方圖accu_histogram更新為accu_histogram_new ；如果距離小于或等于閾值thrd，則維持原來的累加直方圖aCCu_histogram ；第九步，采用替換選擇算法進行重采樣，篩選得到有效的粒子，同時，權(quán)重較大的粒子衍生出相對較多的后代粒子，而權(quán)重較小的粒子衍生出較少的后代粒子；第十步，經(jīng)過重采樣的粒子，在X、y方向上分別擴散得到新的對應粒子，作為下一幀中粒子的初始分布。本實施例用基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法對視頻中的運動目標進行跟蹤，并比較本發(fā)明和基本粒子濾波方法的跟蹤精度和運行速度。圖1為一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法的流程圖。步驟110，根據(jù)運動目標檢測結(jié)果，確定目標中心和目標的范圍。步驟120，進行累加直方圖和粒子的初始化，可以得到目標的初始累加直方圖 accu_histogram和粒子的初始分布。步驟210，讀取下一幀圖像，用于后續(xù)的操作。步驟220，在當前幀中，分別在目標寬度和目標高度上，對目標范圍進行調(diào)節(jié)，更新目標的范圍。步驟310，根據(jù)權(quán)重計算公式weight (ρ) = η *exp (- λ d2)，計算每個粒子的權(quán)重， 并對其進行歸一化處理。步驟410，把上一步得到的粒子權(quán)重按從小到大的順序進行排序，粒子權(quán)重與粒子坐標(particles_x (ρ), particles_y (ρ))要--對應。步驟510，調(diào)整粒子位置。如果權(quán)重小于指定的權(quán)重閾值ε，或權(quán)重的排序在前面 μ %，則根據(jù)距離調(diào)整公式來調(diào)整該粒子的坐標，使它們相對于目標中心點(χ，y)的距離縮小。步驟610，重新計算粒子權(quán)重，得到歸一化后的新的粒子權(quán)重weight (p)〃。步驟710，根據(jù)公式 χ = Σ weight (ρ) “ *particles_X (ρ)禾Π y = Σ weight (ρ) “ *particleS_Y(p)，估計目標中心點的位置。步驟810，計算并更新目標累加直方圖。步驟910，采用替換選擇算法對粒子進行重采樣，基本原理為以0到1/N之間產(chǎn)生的隨機數(shù)為起點、1/N為差值組成等差序列，來處理粒子的權(quán)重，從而確定它們的取舍。步驟1010，粒子傳播，經(jīng)過重采樣的粒子，在x、y方向上分別擴散得到新的對應粒子，作為下一幀中粒子的初始分布。本實施例中，設(shè)權(quán)重系數(shù)λ = 0. 2，距離閾值為0. 98，權(quán)重閾值ε為1/Ν，μ %取 20%, α取0.5，其中，N為實驗中目標的粒子數(shù)，直方圖中涉及的特征值均為圖像的灰度
值。本發(fā)明采用歐式距離
權(quán)利要求
1. 一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法，其特征在于所述視頻運動目標跟蹤方法包括以下步驟第一步，在目標跟蹤前，用目標檢測算法確定目標的初始位置。然后，根據(jù)目標的中心坐標位置(X，y)和目標的范圍，所述目標的范圍包括目標寬度bl0Ck_width和目標高度 block_hight，計算得到目標累加直方圖accujiistogram，即累加直方圖的初始化；根據(jù)目標的中心位置在χ軸、y軸方向上的隨機化擴散得到各個粒子的初始位置，即粒子的初始化；第二步，讀取下一幀圖像，以前一幀的目標位置及目標范圍為基礎(chǔ)，計算當前幀的目標累力口直方圖 accu—histogram—origin ；將目標寬度block—width左右各減1個像素、各加1個像素，計算兩個新的累加直方圖 accu—histogram—width—dec、accu—histogram—width—inc ；分另lj 計算 accu— histogram—origin accu—histogram—width—dec 和 accu—histogram—width—inc 這三個直方圖與前一幀的累加直方圖accujiistogram之間的歐式距離Dl、D2、D3，距離公式為 D = {accu _histogram{i) -accu _h(i))2 ；其中，accu_h 代表 accu_histogram_origin>accu_histogram_width_dec 或 accu_histogram_width_inc, i 為累力口直方圖橫坐標的值。 若 D2 >D3 且 D2 >D1，則 block_width 減 2 個像素；若 D3 > D2 且 D3 > D1，則 block_width 加2個像素；否則block_width不變；在目標高度block_hight方向上執(zhí)行相同的操作，只是此時的block_Width為剛剛更新過的目標寬度；經(jīng)過上述操作后，得到新的目標范圍；第三步，根據(jù)新的目標范圍，以每個粒子的坐標為中心點，計算得到臨時的累加直方圖 aCCu_hiSt0gram_temp，然后，計算每個粒子的權(quán)重并進行權(quán)重歸一化①根據(jù)第三步得到的新的目標范圍，把每個粒子的坐標(particles_x(p)，particles_ y(p))作為中心點計算得到累加直方圖accujiistogramjemp ；②權(quán)重計算公式為weight (ρ) = n*exp(_Ad2)，其中，η = (1/sqrt ((particles, χ (ρ) -χ)2+ (particles_y (ρ) -y) 2+1))為調(diào)節(jié)因子，weight (ρ)為第 ρ 個粒子的權(quán)重，λ 為一個常系數(shù)，d為直方圖accujiistogram和第ρ個粒子對應的累加直方圖accu_histogram_ temp間的歐式距離，particles_X(p)為第ρ個粒子在χ軸上的位置，particles_y (ρ)為第 P個粒子在y軸上的位置，(x，y)為目標的中心點坐標；得到權(quán)重值后，進行權(quán)重的歸一化，歸一化公式為weight(p)‘= weight (ρ) / Σ weight (j)，其中，weight (ρ)‘為第 ρ 個粒子的歸一化權(quán)重，Σ weight (j)為所有粒子權(quán)重之和；第四步，把上一步得到的粒子權(quán)重weight(p)‘按從小到大的順序進行排序，粒子權(quán)重與粒子坐標(particles_x(ρ), particles_y (ρ))要--對應；第五步，如果權(quán)重小于指定的權(quán)重閾值ε，或權(quán)重的排序在前面μ %，則調(diào)整該粒子的坐標，距離調(diào)整公式為particles_X(ρ) = χ+α (χ-(particles_x(ρ)) particles_Y(ρ) = y+ α (y- (particles_y(ρ))其中，(particleS_X(p)，partiCleS_Y(p))為調(diào)整后第ρ個粒子的坐標；α為調(diào)整因子,設(shè)為0 1之間的常數(shù)；對于不需要調(diào)整距離的粒子，直接把原來的粒子坐標(particleS_X(p)，particles, y (ρ))賦給(particles_X (ρ), particles_Y (ρ))；第六步，把每個粒子的新坐標(particleS_X(p)，partiCleS_Y(p))作為中心點計算得到臨時累加直方圖aCCu_hiSt0gram_temp，接著，重新計算各粒子的權(quán)重并進行歸一化處理，得到新的歸一化粒子權(quán)重weight (ρ)“；第七步，根據(jù)得到的歸一化權(quán)重weight (p)"，估計新的目標中心點的位置，公式為 χ = Σ weight(ρ)“ *particles_X(p) y = Σ weight(ρ)" *particles_Y(ρ)然后，根據(jù)新的中心點坐標以及目標寬度block_Width和目標高度block_hight，計算出新的目標累加直方圖accu_histogram_new ；第八步，計算累加直方圖accu_histogram和accu_histogram_new之間的歐式距離，如果距離大于閾值thrd，累加直方圖accu_histogram更新為accu_histogram_new ；如果距離小于或等于閾值thrd，則維持原來的累加直方圖accujiistogram ； 第九步，采用替換選擇算法進行重采樣，篩選得到有效的粒子； 第十步，經(jīng)過重采樣的粒子，在χ、y方向上分別擴散得到新的對應粒子，作為下一幀中粒子的初始分布。
全文摘要
一種基于粒子位置調(diào)整的粒子濾波視頻運動目標跟蹤方法，在計算得到粒子權(quán)重之后，對權(quán)重進行排序，如果權(quán)重小于指定的權(quán)重閾值，則調(diào)整該粒子的坐標，使它們靠近目標中心；得到新的粒子分布后，重新計算粒子權(quán)重，得到最終的目標中心點，實現(xiàn)運動目標跟蹤。該方法包括以下步驟第一步，累加直方圖和粒子的初始化；第二步，更新目標范圍；第三步，計算粒子權(quán)重；第四步，權(quán)重排序；第五步，調(diào)整粒子位置；第六步，重新計算粒子權(quán)重；第七步，估計目標位置；第八步，更新累加直方圖。該方法可以在較少的粒子數(shù)下得到較好的跟蹤效果，提高跟蹤效率和跟蹤精度。
文檔編號G06T7/20GK102339381SQ20111020482
公開日2012年2月1日 申請日期2011年7月20日 優(yōu)先權(quán)日2011年7月20日
發(fā)明者唐曉梅, 宦若虹, 王浙滬, 陳慶章 申請人:浙江工業(yè)大學