一種基于蝙蝠算法的視頻目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001 ] -種基于蝙蝠算法的視頻目標(biāo)跟蹤方法，屬于運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。目標(biāo)跟蹤主要目的是獲得運(yùn) 動(dòng)目標(biāo)的實(shí)時(shí)狀態(tài)，為后續(xù)的視覺分析和行為理解提供依據(jù)。目標(biāo)跟蹤已廣泛應(yīng)用于智能 視頻監(jiān)控、智能人機(jī)交互、視頻壓縮編碼、機(jī)器人視覺導(dǎo)航、精確制導(dǎo)系統(tǒng)等領(lǐng)域，具有極為 廣闊的理論和實(shí)際研究?jī)r(jià)值。
[0003] 雖然研究人員對(duì)目標(biāo)跟蹤開展過大量研究，提出了諸多目標(biāo)跟蹤算法。文獻(xiàn) (Yilmaz,0.Javed,andM.Shah.u〇bjectTracking:ASurvey^.ACMCOMPUTSURV,38(4): 1-45(2006))和文獻(xiàn)（Y.Wu,J.W.Lim,andM.H.Yang."ObjectTrackingBenchmark".IEEE TPATTERNANAL,37(9): 1834-1848(2015))對(duì)近20年的目標(biāo)跟蹤算法進(jìn)行了綜述。但是，由 于復(fù)雜多變的外界環(huán)境，目標(biāo)跟蹤仍然是計(jì)算機(jī)視覺領(lǐng)域內(nèi)的研究熱點(diǎn)和難點(diǎn)問題之一。 如何在復(fù)雜多變的環(huán)境下設(shè)計(jì)一個(gè)準(zhǔn)確、實(shí)時(shí)、魯棒的目標(biāo)跟蹤算法仍然是一個(gè)亟待解決 的難題。
[0004]運(yùn)動(dòng)目標(biāo)跟蹤可以理解為通過目標(biāo)的有效表達(dá)，在連續(xù)的圖像序列中尋找與目標(biāo) 狀態(tài)最相似的候選目標(biāo)區(qū)域的過程。因此，運(yùn)動(dòng)目標(biāo)的特征建模和搜索策略是目標(biāo)跟蹤算 法的兩個(gè)關(guān)鍵因素。
[0005]近年來，目標(biāo)的特征建模技術(shù)獲得了很大的發(fā)展，學(xué)者們提出了諸多行之有效的 目標(biāo)建模方法。文獻(xiàn)（X.Li,W.Hu，C.Shen,Z.Zhang，A.Dick,A.vandenHengel."Asurvey ofappearancemodelsinvisualobjecttracking"[J]·ACMTransactionson IntelligentSystemsandTechnology(TIST)，4(4) :1-58(2013))對(duì)目標(biāo)的特征建模技術(shù) 進(jìn)行了詳細(xì)的綜述。
[0006]相比較目標(biāo)建模技術(shù)，目標(biāo)的搜索策略沒有得到足夠的重視和研究。在目標(biāo)跟蹤 過程中，直接對(duì)場(chǎng)景中可能存在目標(biāo)的區(qū)域進(jìn)行匹配和搜索，尋找最佳匹配位置，需要處理 大量的冗余信息，運(yùn)算耗時(shí)。采用合適的搜索策略，通過對(duì)未來時(shí)刻目標(biāo)的狀態(tài)進(jìn)行估計(jì)和 假設(shè)，縮小目標(biāo)搜索范圍具有非常重要的意義。
[0007]根據(jù)目標(biāo)搜索方式的不同，目標(biāo)跟蹤可以分為基于均值漂移和基于粒子濾波兩種 跟蹤方法。基于均值漂移的跟蹤算法以目標(biāo)初始位置為起點(diǎn)，沿著密度梯度下降最快的方 向移動(dòng)，得到新的位置，再以新的位置作為起點(diǎn)尋找下一個(gè)新的位置，算法逐次迭代，直到 收斂到目標(biāo)位置?；诹Ｗ訛V波的目標(biāo)跟蹤算法用一組離散的粒子來近似系統(tǒng)隨機(jī)變量的 概率密度函數(shù)，以樣本均值代替積分運(yùn)算，從而獲得狀態(tài)最小方差估計(jì)。
[0008]基于均值漂移的目標(biāo)跟蹤算法本質(zhì)上是一種基于梯度下降的尋優(yōu)算法，但在目標(biāo) 跟蹤過程中沒有充分利用目標(biāo)在空間中的運(yùn)動(dòng)方向和速度等信息，當(dāng)周圍環(huán)境存在干擾 時(shí)，容易陷入局部最優(yōu)，造成目標(biāo)丟失?；诹Ｗ訛V波的目標(biāo)跟蹤算法沒有充分利用當(dāng)前的 觀測(cè)信息，粒子經(jīng)過運(yùn)動(dòng)模型傳播后，沒有根據(jù)觀測(cè)信息實(shí)時(shí)更新搜索空間中的粒子狀態(tài)， 并且重采樣的引入容易引起粒子匱乏現(xiàn)象，導(dǎo)致目標(biāo)丟失。
[0009]蝙蝠算法(Batalgorithm，BA)是由劍橋大學(xué)楊新社博士提出的一種模擬蝙蝠回 聲定位行為的新穎的群智能優(yōu)化算法(X.S.Yang,"Anewmetaheuristicbat-inspired algorithm"[M].Natureinspiredcooperativestrategiesforoptimization(NICSO 2010).SpringerVerlag. 284:65-74(2010))。該算法具有模型簡(jiǎn)單、收斂速度快、可并行處 理等特點(diǎn)。作為一種新的智能優(yōu)化算法，蝙蝠算法正在逐步被人們應(yīng)用在各種優(yōu)化領(lǐng)域，并 取得了不錯(cuò)的效果。但截止到目前，還沒有被應(yīng)用在目標(biāo)跟蹤領(lǐng)域。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明所要解決的技術(shù)問題是:克服現(xiàn)有技術(shù)的不足，提供一種在復(fù)雜多變的環(huán) 境下準(zhǔn)確、實(shí)時(shí)、魯棒的視頻目標(biāo)跟蹤方法。
[0011] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:該基于蝙蝠算法的視頻目標(biāo)跟蹤方 法，其
[0012] 特征在于:包括以下步驟：
[0013] 步驟1，在視頻初始幀圖像中，選定目標(biāo)，確定目標(biāo)初始狀態(tài)矢量；
[0014] 步驟2,根據(jù)目標(biāo)的狀態(tài)矢量，建立目標(biāo)的核函數(shù)加權(quán)顏色模型；
[0015] 步驟3,利用蝙蝠算法，在下一幀圖像中，對(duì)目標(biāo)的最優(yōu)位置進(jìn)行優(yōu)化搜索；
[0016] 步驟4,根據(jù)適應(yīng)度值對(duì)蝙蝠群進(jìn)行排序，找到適應(yīng)度值最大的蝙蝠的狀態(tài)，根據(jù) 該狀態(tài)在當(dāng)前圖像中定位出目標(biāo)的位置；
[0017]步驟5,判斷視頻中是否有新圖像輸入，如果有，則執(zhí)行步驟3,否則，程序結(jié)束。
[0018] 優(yōu)選的，步驟1所述的目標(biāo)初始狀態(tài)矢量為x=[x，y，s]，其中，（x，y)表示目標(biāo)中心 點(diǎn)的坐標(biāo)，s表示目標(biāo)的縮放尺度。
[0019] 優(yōu)選的，步驟2所述的目標(biāo)的核函數(shù)加權(quán)顏色模型：
[0020]
[0021] 其中，δ( ·)為Delta函數(shù);b(Ci)為顏色量化函數(shù)，表示將位于Ci處的像素顏色值量 化并將其分配到顏色直方圖相應(yīng)的顏色等級(jí)索引中;u為直方圖中顏色等級(jí)索引；歸一化因 子
·）為核函數(shù)，其定義如下：
[0022]
[0023]llrll為像素點(diǎn)距離目標(biāo)中心的距離。
[0024]優(yōu)選的，步驟3所述的蝙蝠算法的具體步驟為：
[0025]步驟3.1，根據(jù)目標(biāo)的狀態(tài)轉(zhuǎn)移模型Xk+1 =Xk+Gk，在下一幀中初始化蝙蝠群狀態(tài)矢 量Xi(i= 1，2，3，. . .，N)，其中，Gk為隨機(jī)擾動(dòng)噪聲，N為種群個(gè)數(shù);同時(shí)，初始化每只蝙蝠的飛 行速度Vl、脈沖頻率W和脈沖幅度 <，其中，vfO，"和4為[0，1]范圍內(nèi)滿足均勻分布的 隨機(jī)數(shù)；
[0026] 步驟3 · 2，設(shè)置迭代終止條件；
[0027] 步驟3.3,計(jì)算每只蝙蝠的適應(yīng)度值，根據(jù)每只蝙蝠對(duì)應(yīng)的候選狀態(tài)矢量，建立候 選區(qū)域的核函數(shù)加權(quán)顏色模型，并計(jì)算候選狀態(tài)和目標(biāo)初始狀態(tài)的相似度，作為每只蝙蝠 的適應(yīng)度值，其中，相似度采用Bhattacharyya系數(shù)：
[0028]
其中，p、q為兩個(gè)樣本，m是顏色分塊數(shù)，pi、qi分別是在p、q中第i部分的成員數(shù)；
[0029] 步驟3.4，根據(jù)適應(yīng)度值對(duì)蝙蝠群進(jìn)行排序，找出最優(yōu)狀態(tài)的蝙蝠個(gè)體；
[0030] 步驟3.5,根據(jù)以下公式分別對(duì)第i只蝙蝠的位置和速度進(jìn)行更新，
[0031]
[0032]
[0033] 式中，4和Vp分別表示第i只蝙蝠在t_l和t時(shí)刻的飛行速度；X;表示第i只蝙蝠 在t時(shí)刻的空間位置，/表示在當(dāng)前群體中最優(yōu)蝙蝠所處的位置;為搜索脈沖 頻率范圍；
[0034] 步驟3.6，判斷條件，其中，ri是第i只蝙蝠的脈沖頻率，he[0，1 ]為滿足均 勻分布的隨機(jī)數(shù)，如果滿足條件，接受更新后的位置；否則，新位置Χη@由當(dāng)前最佳位置 Xpre+best按照以下公式擾動(dòng)產(chǎn)生：
[0035] 叉_=1叩〇帥+￡4*，其中，￡[[-1，1]是服從均勻分布的隨機(jī)數(shù)，4 = <//丨〉是在七時(shí) 刻所有蝙蝠的平均脈沖幅度；
[0036] 步驟3.7，根據(jù)新位置狀態(tài)，建立核函數(shù)加權(quán)顏色模型，并計(jì)算新位置狀態(tài)和目標(biāo) 初始狀態(tài)的相似度；
[0037] 步驟3.8，判斷新位置是否優(yōu)于先前位置并且同時(shí)滿足1?2<仏，其中41是第1只蝙 蝠的脈沖幅度，R2e[0，l]為滿足均勻分布的隨機(jī)數(shù)，如果新位置比先前位置更優(yōu)，則用新 位置替換先前位置;否則，先前位置不變；
[0038] 步驟3.9，判斷新位置是否優(yōu)于當(dāng)前最佳位置，如果新位置比當(dāng)前最佳位置更優(yōu)， 則用新位置替換當(dāng)前最佳位置，并調(diào)整脈沖頻率和幅度;否則，當(dāng)前最佳位置保持不變；
[0039] 步驟3.10，判斷是否滿足迭代終止條件，如果滿足，優(yōu)化搜索過程結(jié)束;否則，繼續(xù) 返回執(zhí)行步驟3.4。
[0040] 優(yōu)選的，步驟3.2所述的迭代終止條件滿足以下條件之一：其一，迭代次數(shù)達(dá)到設(shè) 定的最大迭代次數(shù)Max_Iter，蝙蝠群體中最優(yōu)個(gè)體的適應(yīng)度值大于設(shè)定的閾值fbest;其二， 蝙蝠群體中最優(yōu)和最差的個(gè)體的距離小于設(shè)定的閾值d;其三，蝙蝠群體在連續(xù)最大迭代次 數(shù)Μ次迭代中沒有得到進(jìn)一步優(yōu)化。
[0041 ]優(yōu)選的，步驟3.9所述的調(diào)整脈沖頻率和幅度的具體方法按照如下公式調(diào)節(jié)，
[0042] rit+1 =ri°[l-exp(-γXt)]
[0043] 4+1 =ax4
[0044] 式中：r,表示蝙蝠i的初始脈沖頻率;rit+1表示在t+1時(shí)刻蝙蝠i的脈沖頻率；γ是 脈沖頻度增加系數(shù)；4表示t時(shí)刻蝙蝠i發(fā)射脈沖的幅度;α是脈沖幅度衰減系數(shù)。
[0045]與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果是:利用新穎的自然啟發(fā)算法-蝙蝠算 法對(duì)視頻圖像中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，在迭代過程中，每只蝙蝠能夠充分利用當(dāng)前幀的觀 測(cè)信息，通過局部搜索和全局搜索的動(dòng)態(tài)平衡來實(shí)時(shí)地更新自身的狀態(tài)，能夠有效地避免 陷入局部最優(yōu)。該方法能夠獲得準(zhǔn)確、實(shí)時(shí)、魯棒的跟蹤效果。
【附圖說明】
[0046]圖1為一種基于蝙蝠算法的視頻目標(biāo)跟蹤方法流程圖。
[0047]圖2為一種基于蝙蝠算法的視頻目標(biāo)跟蹤方法中蝙蝠算法流程圖。
【具體實(shí)施方式】
[0048]圖1~2是本發(fā)明的最佳實(shí)施例，下面結(jié)合附圖1~2對(duì)本發(fā)明做進(jìn)一步說明。
[0049]參照附圖1: 一種基于蝙蝠算法的視頻目