本發(fā)明涉及圖像處理與視覺跟蹤領(lǐng)域，涉及一種改進的粒子濾波跟蹤方法，特別是一種基于種群進化思想的粒子濾波跟蹤方法。

背景技術(shù)：

粒子濾波是基于蒙特卡洛與遞推貝葉斯估計的一種統(tǒng)計濾波方法，使用粒子集表征概率，然后從后驗概率中抽取隨機狀態(tài)粒子來表示其分布情況。當(dāng)粒子數(shù)足夠多時，這種蒙特卡洛描述就近似于真實的后驗分布，是全局近似最優(yōu)濾波。粒子濾波在處理非線性、非高斯系統(tǒng)的狀態(tài)估計問題時具有優(yōu)越的性能，非常適合于描述目標(biāo)跟蹤這一不確定性問題。然而，粒子濾波在粒子數(shù)少的情況下會出現(xiàn)粒子退化和樣本貧化的問題，這是制約粒子濾波發(fā)展的關(guān)鍵；而如果采用龐大的粒子數(shù)來提高狀態(tài)估計的精度，計算將會很復(fù)雜，相當(dāng)耗時，難以應(yīng)用于實際工程中。

在實際跟蹤過程中，待跟蹤目標(biāo)不可避免地遇到光照變化的問題，雖然我們可以采用不同的顏色系統(tǒng)來減輕光照變化對跟蹤方法的影響，但是光照的變化仍然是困擾目標(biāo)跟蹤的一個關(guān)鍵因素。并且被跟蹤的目標(biāo)在運動過程中可能會被非目標(biāo)的物體部分遮擋或全部遮擋，或者被跟蹤的多個目標(biāo)互相遮擋。遮擋往往會造成目標(biāo)的誤跟蹤或跟蹤丟失，遮擋問題也是目標(biāo)跟蹤算法必須解決的問題。

為了克服跟蹤過程中光照變化和遮擋問題，通常的解決方法是在直方圖模型中融入其他輔助特征信息。不過，雖然將多種輔助特征融合能夠提高目標(biāo)描述的精確性，但各種特征的提取必然增加一定的計算量，從而對系統(tǒng)的實時性造成一定影響。另外，當(dāng)目標(biāo)處于復(fù)雜背景環(huán)境中時，背景區(qū)域也會存在與目標(biāo)的邊緣、紋理等輔助特征相似的區(qū)域，從而限制了多特征融合機制的作用。

因此，設(shè)計一種計算量較小、抗干擾能力較強的改進粒子濾波跟蹤方法具有很好的應(yīng)用價值。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于種群進化思想的粒子濾波跟蹤方法，以克服現(xiàn)有技術(shù)中存在的缺陷。

為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種基于種群進化思想的粒子濾波跟蹤方法，按照如下步驟實現(xiàn)：

步驟s1：提取目標(biāo)區(qū)域特征；對于初始幀圖像，獲取待跟蹤目標(biāo)區(qū)域的初始像素位置(x0,y0)，記該目標(biāo)矩形框大小為w×h，粒子濾波中的粒子數(shù)目n，獲得初始時刻第i個粒子的坐標(biāo)粒子集并初始化每個粒子權(quán)值為1/n；采用改進的lbp算子計算該目標(biāo)區(qū)域內(nèi)每個像素點u所產(chǎn)生的紋理特征直方圖pu，u∈[1,w×h]，作為匹配模板；從第2幀開始，令第t時刻對應(yīng)第t幀；

步驟s2：根據(jù)初始粒子、第t-1幀粒子以及第t幀粒子位置，采用下式二階自回歸模型對該n個粒子進行隨機高斯擴散，每個粒子擴散到一個新的位置，進而預(yù)測第t幀中目標(biāo)所在位置：

其中，二階自回歸模型系數(shù)a1、a2、b0分別為常數(shù)；為粒子尺度；和為高斯噪聲；

步驟s3：采用所述步驟s1中改進的lbp算子計算所述步驟s2中獲取的每個新粒子所對應(yīng)區(qū)域的紋理特征直方圖作為候選目標(biāo)區(qū)域；

步驟s4：采用下式中的巴氏系數(shù)來分別衡量所述步驟s1中獲取的目標(biāo)模板和所述步驟s3中獲取的每個候選目標(biāo)區(qū)域的相似性σi，并以該相似度作為粒子權(quán)值

其中，σi越接近1，權(quán)值越大，則實際目標(biāo)與候選目標(biāo)越相似；

步驟s5：采用基于種群進化思想的簡化群優(yōu)化sso算法對該n個粒子進行重采樣，該簡化群優(yōu)化sso算法中每個粒子所對應(yīng)的像素橫坐標(biāo)x采用下式更新，且縱坐標(biāo)采用與橫坐標(biāo)更新相同的方式進行更新：

其中，j＝1,2,…,g，g表示總的粒子數(shù)和總的迭代次數(shù)；為第i個粒子截止到當(dāng)前代的歷史最優(yōu)值，也即局部最優(yōu)解；為截止到當(dāng)前代所有粒子所持有的最佳適應(yīng)度，也即權(quán)值，對應(yīng)的全局最優(yōu)解；中的gbest為最佳適應(yīng)值索引，即第gbest個粒子持有最佳適應(yīng)值；x是屬于視頻幀像素范圍之間的隨機整數(shù)；是t時刻的狀態(tài)值；ρ是屬于[0,1]之間的隨機數(shù)；cg、cp和cw代表每個變量在下一次重采樣的狀態(tài)更新為和x其中一個的對應(yīng)選擇概率；

步驟s6：以最大權(quán)值處的粒子中心為跟蹤目標(biāo)中心，并獲取w×h×s大小的矩形框作為該次預(yù)測出的最終跟蹤目標(biāo)，其中，s代表粒子尺度；

步驟s7：返回所述步驟s2，跳到下一視頻幀進行目標(biāo)預(yù)測。

在本發(fā)明一實施例中，在所述步驟s1中，所述改進的lbp算子為基于塊均值的lbp算子，先計算出3×3個像素組成的的像素塊的灰度均值，以灰度均值作為該像素塊的灰度值，然后以3×3個像素塊，也即9×9個像素為單位，計算lbp值。

在本發(fā)明一實施例中，在所述步驟s2中，所述二階自回歸模型系數(shù)a1＝2，a2＝-1，b0＝1。

在本發(fā)明一實施例中，在所述步驟s5中，所述重采樣為一個迭代過程，步驟如下：

步驟s51：將所述步驟s2中獲取的各粒子位置作為各個粒子的初始局部最優(yōu)解并根據(jù)每個粒子的權(quán)值大小找出最佳權(quán)值索引gbest，得全局最優(yōu)解

步驟s52：采用所述簡化群優(yōu)化sso算法更新每個粒子的橫坐標(biāo)以及縱坐標(biāo)，然后重新計算粒子權(quán)值

步驟s53：通過所述步驟s3和所述步驟s4更新粒子的局部最優(yōu)解和對應(yīng)的權(quán)值，然后根據(jù)權(quán)值找出最佳權(quán)值索引gbest，得全局最優(yōu)解然后使用下式貪婪選擇策略來決定是否使用重采樣過程中進化的粒子來更新先前粒子：

步驟s54：判斷是否滿足停止條件；若滿足，則停止迭代，并跳到所述步驟s6；否則，令j＝j(luò)+1，返回所述步驟s52，繼續(xù)搜索最優(yōu)解.

在本發(fā)明一實施例中，在所述步驟s54中，所述停止條件為預(yù)設(shè)精度或最大迭代次數(shù)。

相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明提出的一種基于種群進化思想的粒子濾波跟蹤方法，在特征匹配階段，將增強型紋理特征作為目標(biāo)特征以減小光線變化導(dǎo)致的特征匹配出錯率，易于區(qū)分出目標(biāo)紋理特性；在目標(biāo)預(yù)測階段，由于粒子濾波的粒子退化和貧化問題，基于種群進化思想，將簡化群優(yōu)化算法引入到粒子濾波的重采樣階段，提供粒子多樣性，進而提高目標(biāo)被遮擋時跟蹤的魯棒性。在現(xiàn)有的粒子濾波跟蹤方法的基礎(chǔ)上設(shè)計了一種改進的粒子濾波跟蹤方法，突出目標(biāo)特征以及粒子濾波預(yù)測過程中粒子進化機制在目標(biāo)跟蹤中的作用來提高跟蹤方法的適應(yīng)能力，具有很好的實用性。

附圖說明

圖1為標(biāo)準(zhǔn)lbp算子示意圖。

圖2為本發(fā)明一實施例中基于塊均值的lbp算子示意圖。

圖3是本發(fā)明一實施例中采用基于顏色特征的標(biāo)準(zhǔn)粒子濾波跟蹤方法的跟蹤效果示意圖。

圖4是本發(fā)明一實施例中跟蹤效果示意圖。

圖5為本發(fā)明一實施例中基于種群進化思想的粒子濾波跟蹤方法的流程圖。

具體實施方式

下面結(jié)合附圖，對本發(fā)明的技術(shù)方案進行具體說明。

本發(fā)明提供一種基于種群進化思想的粒子濾波跟蹤方法，如圖5所示，具體步驟如下：

步驟s1：提取目標(biāo)區(qū)域特征。對于初始幀圖像，手動選定待跟蹤目標(biāo)區(qū)域的初始像素位置(x0,y0)，記錄該目標(biāo)矩形框大小為w×h，并設(shè)定粒子濾波中的粒子數(shù)目n＝40，獲得初始時刻第i個粒子的坐標(biāo)粒子集并初始化每個粒子權(quán)值為1/n；隨后使用一改進的lbp算子來計算該目標(biāo)區(qū)域內(nèi)每個像素點u所產(chǎn)生的紋理特征直方圖作為匹配模板。后續(xù)從第2幀開始，第t時刻對應(yīng)第t幀。

進一步的，步驟s1中提到的lbp(localbinarypattern，局部二值模式)是一種用來描述圖像局部紋理特征的算子，它記錄中心像素點與其周圍像素點的對比信息，其基本原理如圖1所示。首先在圖像中提取相鄰9個像素點的灰度值。然后對9個像素中除中心像素以外的其他8個像素做二值化處理。大于等于中心點像素的，標(biāo)記為1，小于的則標(biāo)記為0。最后將中心像素點周圍的標(biāo)記值按統(tǒng)一的順序排列，得到lbp值，圖1中計算出的lbp值為10001111。當(dāng)某區(qū)域內(nèi)所有像素的灰度都同時增大或減小一定的數(shù)值時，該區(qū)域內(nèi)的lbp值是不會改變的，它具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點。

然而該lbp算法不適合直接應(yīng)用在目標(biāo)跟蹤算法中。主要有兩個原因：第一，在常用的視頻監(jiān)控系統(tǒng)中，特別是在高清視頻監(jiān)控系統(tǒng)中，9個像素點覆蓋的區(qū)域很小，在如此小的區(qū)域內(nèi)，各個像素點的灰度值十分接近，甚至是相同的，紋理特征不明顯，無法在lbp值上體現(xiàn)。第二，由于以像素為單位計算lbp值，像素噪聲會造成lbp值的噪聲。這兩個原因?qū)е掠嬎愠龅膌bp值存在較大的隨機性，甚至在靜止的圖像中，相鄰兩幀對應(yīng)位置的lbp值也可能存在差異，從而引起的誤檢測。

在本實施例中，在該步驟s1中采用基于塊均值的lbp算法來建立融合紋理特征的觀測模型。這種方法的基本原理是先計算出3×3個像素組成的的像素塊的灰度均值，以灰度均值作為該像素塊的灰度值。然后以3×3個像素塊，即9×9個像素，為單位，計算lbp值。算法的基本原理如圖2所示。采用基于塊均值的lbp算法所建立的紋理直方圖作為目標(biāo)特征，可提高目標(biāo)被部分遮擋或者在光照變化情況下的跟蹤魯棒性。

步驟s2：根據(jù)初始粒子、第t-1幀粒子以及第t幀粒子位置，采用式(1)二階自回歸模型對這n個粒子進行隨機高斯擴散，每個粒子可擴散到一個新的位置，進而預(yù)測第t幀中目標(biāo)所在位置：

其中二階自回歸模型系數(shù)a1＝2、a2＝-1、b0＝1；為粒子尺度；和為高斯噪聲。

步驟s3：采用圖2所示的lbp算子來計算step2中獲得的每個新粒子所對應(yīng)區(qū)域的紋理特征直方圖作為候選目標(biāo)區(qū)域。

步驟s4：采用式(2)巴氏系數(shù)來分別衡量步驟s1中的目標(biāo)模板和步驟s3中的每個候選目標(biāo)區(qū)域的相似性σi，以該相似度作為粒子權(quán)值

其中σi越接近1，權(quán)值越大，則實際目標(biāo)與候選目標(biāo)越相似。

步驟s5：采用基于種群進化思想的簡化群優(yōu)化sso算法對這n個粒子進行重采樣，sso算法如式(3)所示，該步驟均以更新每個粒子所對應(yīng)的像素橫坐標(biāo)x為例，縱坐標(biāo)同理：

其中，j＝1,2,…,g，g表示總的粒子數(shù)和總的迭代次數(shù)；為第i個粒子截止到當(dāng)前代的歷史最優(yōu)值，也即局部最優(yōu)解；為截止到當(dāng)前代所有粒子所持有的最佳適應(yīng)度，也即權(quán)值，對應(yīng)的全局最優(yōu)解；中的gbest為最佳適應(yīng)值索引，即第gbest個粒子持有最佳適應(yīng)值；x是屬于視頻幀像素范圍之間的隨機整數(shù)；是t時刻的狀態(tài)值；ρ是屬于[0,1]之間的隨機數(shù)；cg、cp和cw代表每個變量在下一次重采樣的狀態(tài)更新為和x其中一個的對應(yīng)選擇概率，可以是固定的或者可變的。

進一步的，從式(3)中可以看出sso算法在有概率保留粒子的局部最優(yōu)解和全局最優(yōu)解的情況下，還有概率增加了一個粒子的隨機運動，不僅可以解決粒子退化問題，維持粒子的多樣性，還有助于粒子從局部最優(yōu)解中跳出，避免算法出現(xiàn)早熟現(xiàn)象，可以提高目標(biāo)跟蹤的魯棒性。

進一步的，在步驟s5中，重采樣為一個迭代過程，步驟如下：

1)將步驟s2中得到的各粒子位置作為各個粒子的初始局部最優(yōu)解并根據(jù)每個粒子的權(quán)值大小找出最佳權(quán)值索引gbest，得全局最優(yōu)解

2)使用式(3)更新每個粒子位置，然后重新計算粒子權(quán)值

3)先更新步驟s3和步驟s4來更新粒子的局部最優(yōu)解和對應(yīng)的權(quán)值，然后根據(jù)權(quán)值找出最佳權(quán)值索引gbest，得全局最優(yōu)解然后使用式(4)和式(5)貪婪選擇策略來決定是否使用重采樣過程中進化的粒子來更新先前粒子：

4)若滿足停止條件，停止迭代，跳到步驟s6，否則令j＝j(luò)+1，返回步驟s5.2，繼續(xù)搜索最優(yōu)解。本實施例中，停止條件可使用預(yù)設(shè)精度或最大迭代次數(shù)，較佳的，使用最大迭代次數(shù)作為停止條件。

步驟s6.：以最大權(quán)值處的粒子中心為跟蹤目標(biāo)中心，并畫出w×h×s大小的矩形框作為本粒子濾波算法預(yù)測出的最終跟蹤目標(biāo)，其中，s代表粒子尺度，初始值為1。

步驟s7：返回步驟s2，跳到下一視頻幀進行目標(biāo)預(yù)測。

進一步的，在復(fù)雜的背景環(huán)境下分別測試標(biāo)準(zhǔn)粒子濾波跟蹤方法和本發(fā)明中提出的方法。測試中對室外的一行人進行跟蹤，跟蹤的難點在于背景中存在相似顏色干擾物體、光線變化以及部分遮擋。圖3為采用基于顏色特征的標(biāo)準(zhǔn)粒子濾波跟蹤方法的跟蹤效果示意圖，圖4是本采用發(fā)明方法的跟蹤效果示意圖。圖3所示方法中粒子數(shù)n＝100；圖4所示方法粒子數(shù)n＝20，迭代次數(shù)g＝5(相當(dāng)于圖3所示方法100的粒子數(shù))，概率參數(shù)cg＝0.4、cp＝0.7和cw＝0.9。由對比跟蹤實驗明顯可見，由于本發(fā)明的跟蹤方法在特征匹配階段，將增強型紋理特征作為目標(biāo)特征以減小光線變化導(dǎo)致的特征匹配出錯率，易于區(qū)分出目標(biāo)紋理特性；在目標(biāo)預(yù)測階段，由于粒子濾波的粒子退化和貧化問題，基于種群進化思想，將簡化群優(yōu)化算法引入到粒子濾波的重采樣階段，從而可以在保留優(yōu)良粒子的基礎(chǔ)上，通過增加一項粒子隨機運動過程，提供粒子多樣性，進而提高目標(biāo)跟蹤的準(zhǔn)確性。

以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時，均屬于本發(fā)明的保護范圍。