一種基于量子均值漂移的抗遮擋多運動車輛追蹤方法
【專利摘要】本發(fā)明涉及一種基于量子均值漂移的抗遮擋運動多車輛追蹤方法，包括如下步驟：1)讀取第一幀圖像，并用鼠標(biāo)依次圈出要追蹤的車輛。提取每一輛車所處區(qū)域圖像的像素值，以此為基礎(chǔ)建立均值漂移算法的數(shù)學(xué)模型；2)讀取下一幀圖像，提取每一輛車候選區(qū)域圖像的像素值；3)判斷車輛是否發(fā)生遮擋；4)如果車輛沒有被遮擋，則以初始幀和當(dāng)前幀灰度圖像的像素點坐標(biāo)為基礎(chǔ)建立量子進(jìn)化算法模型，搜索出當(dāng)前幀車輛的最優(yōu)位置。將當(dāng)前幀搜索得到的車輛中心位置與前一幀的車輛位置進(jìn)行比較，如果滿足條件，則當(dāng)前幀的車輛中心位置即為所追蹤的車輛的中心位置，從而實現(xiàn)對視頻圖像中多車輛的實時追蹤。
【專利說明】
-種基于量子均值漂移的抗遮擋多運動車輛追蹤方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種圖像處理技術(shù)領(lǐng)域的抗遮擋運動多車輛追蹤方法，具體設(shè)及一種 基于量子均值漂移的抗遮擋多運動車輛追蹤方法。
【背景技術(shù)】
[0002] 存在遮擋的運動多車輛追蹤一直是計算機(jī)視覺中具有挑戰(zhàn)性的難題。目標(biāo)遮擋的 主要特征是目標(biāo)信息的逐漸丟失，因此追蹤算法的關(guān)鍵在于捜索到足夠多的目標(biāo)信息，從 而較為準(zhǔn)確地判斷目標(biāo)所在位置。遮擋增加了目標(biāo)追蹤的難度，導(dǎo)致目標(biāo)追蹤的不穩(wěn)定性 甚至目標(biāo)丟失。一個有效的追蹤方法應(yīng)該能夠準(zhǔn)確的判斷遮擋的發(fā)生，并且當(dāng)目標(biāo)發(fā)生遮 擋時仍可W利用目標(biāo)剩余的信息繼續(xù)追蹤目標(biāo)。
[0003] 為了解決目標(biāo)遮擋問題，人們提出了很多算法。王展青等人（見：王展青，凡友福， 張桂林.跟蹤遮擋目標(biāo)的一種魯棒算法[J].計算機(jī)工程與應(yīng)用，2007, 43 (27) :50-53)提 出了根據(jù)卡爾曼濾波器殘差的大小來判斷遮擋的方法，發(fā)生完全遮擋情況時，結(jié)合目標(biāo)的 運動方向使用六點捜索策略來找回目標(biāo)，但是如果目標(biāo)運動方向發(fā)生變化時，目標(biāo)丟失；田 偉等人（見：田偉，羅予頻，華成英.遮擋情況下多目標(biāo)跟蹤的一種新方法[J].計算機(jī)工 程與應(yīng)用，2007, 43(13) :33-36)提出了一種方法：將遮擋情況作為目標(biāo)的一個狀態(tài)分量， 在對遮擋估計的基礎(chǔ)上計算目標(biāo)的觀測置信度，該方法對遮擋不嚴(yán)重的目標(biāo)具有很好的效 果。
[0004] 均值漂移是一種核密度估計的圖像特征分析方法，基于最優(yōu)梯度下降的方法，通 過迭代的方法捜索目標(biāo)，即先算出當(dāng)前點的漂移均值點，移動該點到其漂移位置，然后W此 為新的起始點，繼續(xù)移動，直到飄移到密度函數(shù)的局部極大值點或滿足一定的條件為止，實 現(xiàn)對運動目標(biāo)的追蹤，能夠?qū)崟r追蹤非剛性目標(biāo)，對目標(biāo)的變形、旋轉(zhuǎn)等運動具有較好的適 用性。但是由于均值漂移方法在目標(biāo)追蹤過程中沒有利用目標(biāo)在空間中的運動方向和運動 速度信息，當(dāng)周圍環(huán)境存在干擾時，僅使用均值漂移容易丟失目標(biāo)；而且，由于受均值漂移 方法理論本身原理的局限性，它只能對特征點近距離的像素點的概率密度函數(shù)進(jìn)行泰勒展 開，當(dāng)下一帖圖像對應(yīng)特征點偏離當(dāng)前帖對應(yīng)特征點較遠(yuǎn)時，均值漂移方法就會出現(xiàn)很大 誤差，造成追蹤失敗。量子進(jìn)化算法是最近發(fā)展起來的一種概率進(jìn)化算法，具有很大的研究 價值。它W量子計算概念和原理為基礎(chǔ)，用量子碼和量子口作為更新算子來完成進(jìn)化捜索。 目前量子進(jìn)化算法已經(jīng)應(yīng)用到數(shù)值優(yōu)化、組合優(yōu)化、圖形圖像處理、電路設(shè)計、通信、多目標(biāo) 優(yōu)化等領(lǐng)域。量子進(jìn)化算法建立在量子的態(tài)矢量表述基礎(chǔ)上，用量子比特的幾率幅來表示 染色體的編碼，使得一條染色體可W表達(dá)多個態(tài)的疊加，并利用量子旋轉(zhuǎn)口和量子非口實 現(xiàn)染色體的更新操作，從而實現(xiàn)目標(biāo)的優(yōu)化求解。量子進(jìn)化算法是解決優(yōu)化問題的一種有 效方法，具有非常高效的信息并行處理能力，但是由于它本身具有很大的隨機(jī)性，使其在實 際應(yīng)用中存在收斂速度慢、退化等問題，影響了其應(yīng)用效果。
[0005] 本發(fā)明的目的在于針對均值漂移和量子進(jìn)化算法的不足，提供一種基于量子均值 漂移的抗遮擋多運動車輛追蹤方法，采用基于顏色直方圖均值漂移并結(jié)合量子進(jìn)化算法對 圖像特征點進(jìn)行捜索，同時引入帖間差分法判斷目標(biāo)的遮擋情況并線性預(yù)測當(dāng)目標(biāo)發(fā)生遮 擋時目標(biāo)在當(dāng)前帖的位置，有效克服了當(dāng)下一帖圖像對應(yīng)特征點偏離當(dāng)前帖對應(yīng)特征點較 遠(yuǎn)時均值漂移方法出現(xiàn)的較大誤差和目標(biāo)發(fā)生遮擋時目標(biāo)信息丟失的難題，取得了較好的 追蹤效果。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明針對現(xiàn)有均值漂移理論不足，采用均值漂移與量子進(jìn)化算法相結(jié)合來處理 動態(tài)背景下多輛車的追蹤問題，同時引入了差分算法，既提高了目標(biāo)追蹤的準(zhǔn)確率和實時 性，又有效解決了目標(biāo)追蹤過程中由于遮擋而識別效率低的問題，具有更高的可行性。本發(fā) 明的具體步驟如下：
[0007] step 1 :完成對視頻圖像信息的采集，讀取第一帖圖像，并用鼠標(biāo)依次圈出要追蹤 的車輛。提取每一輛車所在區(qū)域圖像的像素值。
[0008] Step 2 :設(shè)車輛所在區(qū)域像素的中屯、坐標(biāo)為X。，第i個像素的坐標(biāo)用Xi表示，則目 標(biāo)模型的第U種顏色分布特征值的概率為：
[0009]
[0010] 其中U= l，2，...，m，k(x)為核函數(shù)，h表示核函數(shù)的帶寬，函數(shù)b(Xi)和5 (X)的 作用是判斷Xi的顏色值是否屬于第U特征值，C是一個標(biāo)準(zhǔn)化的常量系數(shù)，使得所有特征值 的概率和為1。
[0011] step 3 :讀取下一帖圖像，車輛可能存在的圖像區(qū)域即目標(biāo)候選區(qū)域，提取每一輛 車在目標(biāo)候選區(qū)域圖像的像素值。
[001引St巧4 :假設(shè)候選區(qū)域圖像模型中屯、坐標(biāo)為y。，XiQ = 1，2,…，而）表示該區(qū)域內(nèi) 每個像素點的坐標(biāo)，則候選模型的第U種顏色分布特征值的概率為：
[0013]
[0014] Step 5 :相似性函數(shù)是用來表示候選模型和目標(biāo)模型之間的關(guān)系，即目標(biāo)模型與 候選模型之間的相似度。在基于均值漂移的多目標(biāo)追蹤算法中，廣泛使用化attacharyya 系數(shù)作為相似性函數(shù)。定義兩個離散分布之間距離：
[0015]
[0016]
[0017]
[0018] St巧6 :建立卡爾曼濾波器模型：
[0019] 離散狀態(tài)方程：x化）=A化)x化-1) + ?化-1)
[0020] 式中X化）表示狀態(tài)變量構(gòu)成的多維狀態(tài)矢量，A和B是由系統(tǒng)特性確定的矩陣。
[0021] 離散量測方程：yk= C A+Vk。
[00過其中Sk= C A表示信號的真值，噪聲Vk表示量測時引入的誤差的隨機(jī)向量。
[0023] 由下式判定車輛是否被嚴(yán)重遮擋。當(dāng)f(k) = 1，則車輛處于無遮擋或者遮擋不嚴(yán) 重的狀態(tài)，當(dāng)f(k) = 0,則表明車輛處于嚴(yán)重遮擋或完全遮擋狀態(tài)。
[0024]
[00巧]St巧7 :如果發(fā)生嚴(yán)重遮擋，利用利用運動狀態(tài)線性預(yù)測車輛在當(dāng)前帖中的位置 y。，并采用卡爾曼濾波捜索策略確認(rèn)當(dāng)前帖中車輛位置yi。
[0026] step 8 :如果車輛沒有被嚴(yán)重遮擋，W前初始帖和當(dāng)前帖灰度圖像的像素值為基 礎(chǔ)建立量子進(jìn)化算法模型：
[0027] 1) W當(dāng)前帖圖像中候選模型區(qū)域的灰度圖像的像素值作為初始種群
為吉'即：[0029]
，n為種群大??；m為量子染色體的長度；為定義如下的染色體： / = 1么.,，n.，進(jìn)化代數(shù)初始化T = 0 ;
[002引。初始化種群Q(t)，若將全部染色體中的如，《（W，2,..，班）W及均置
[0030] 則表示在t = 0時刻，所有可能的線性疊加態(tài)W相同的概率出現(xiàn)。
[0031] 3)對種群Q(t)進(jìn)行觀測，每一個量子比特都會由計算機(jī)對應(yīng)的產(chǎn)生一個[0， 1]之間的隨機(jī)數(shù)r，當(dāng)Kl 0i|2時，該位的觀測態(tài)是"1"，否則是"0"。生成觀測態(tài)種群： 巧f)=站成''.，4}，其中4( / = 1，2，...，h )是染色體9; </=1，2,..:，《 )觀測產(chǎn)生的一個二進(jìn)制串， 其長度是m。
[0032] 4)對生成的觀測態(tài)種群P(t)中的所有個體評價其適應(yīng)度值，保持適應(yīng)度較高的 個體。
[0033] 5)對種群P(t)采用量子旋轉(zhuǎn)口 U( 0 1)進(jìn)行量子口操作，更新P(t)中適應(yīng)度低的 個體，保存最優(yōu)解。
[0034] 6)令進(jìn)化代數(shù)T = T+1，轉(zhuǎn)至3)續(xù)執(zhí)行算法，直到滿足停止條件為止，輸出最優(yōu)解 東1。
[003引 Step 9 :由Step 4和5計算計算候選模型輸說)沁=1.....崎,并估計相似居
計算候選目標(biāo)知執(zhí))地=1..,崎，并估計相似J
[003引 Step 10 :如勇
，繼續(xù)計算幻W'l)，引。如果 li'i - i'ul < E '輸出知，算法結(jié)束，輸出最優(yōu)解；否則知叫',，轉(zhuǎn)至St巧4。
【附圖說明】
[0037] 圖1為算法流程圖；
[0038] 圖2為仿真結(jié)果。
[0039] 具體實施步驟
[0040] 如圖1所示，【具體實施方式】如下：
[0041] Step 1 :完成對視頻圖像信息的采集，讀取第一帖圖像，并用鼠標(biāo)依次圈出要追蹤 的車輛。提取每一輛車所在區(qū)域圖像的像素值。
[0042] Step 2 :設(shè)車輛所在區(qū)域像素的中屯、坐標(biāo)為X。，第i個像素的坐標(biāo)用Xi表示，則目 標(biāo)模型的第U個顏色分布特征值的概率為：
[0043]
[0044] 其中U= 1，2，...，m，k (X)為核函數(shù)，h表示核函數(shù)的帶寬，函數(shù)b (Xi)和5 (X)的 作用是判斷Xi的顏色值是否屬于第U特征值，C是一個標(biāo)準(zhǔn)化的常量系數(shù)，使得所有特征值 的概率和為1。
[0045] Step 3 :讀取下一帖圖像，車輛可能存在的圖像區(qū)域即目標(biāo)候選區(qū)域，提取每一輛 車在目標(biāo)候選區(qū)域圖像的像素值。
[004引 St巧4 :假設(shè)候選區(qū)域圖像模型中屯、坐標(biāo)為y。，XiQ = 1，2,…，而）表示該區(qū)域內(nèi) 每個像素點的坐標(biāo)，則候選模型的第U個顏色分布特征值的概率為：
[0047]

[0048] Step 5 :相似性函數(shù)是用來表示候選模型和目標(biāo)模型之間的關(guān)系，即目標(biāo)模型與 候選模型之間的相似度。在基于均值漂移的多目標(biāo)追蹤算法中，廣泛使用化attacharyya 系數(shù)作為祐柄化品吿切證^窗部分布之間距離：
[0049]
[0050]
[0051]
[0052] Step 6 :建立卡爾曼濾波器模型：
[0053] 離散狀態(tài)方程：x化）=A化)X化-1) + ?化-1)
[0054] 式中X (k)表示狀態(tài)變量構(gòu)成的多維狀態(tài)矢量，A和B是由系統(tǒng)特性確定的矩陣。
[0055] 離散量測方程：yk = C A+Vk。
[005引其中Sk= C A表示信號的真值，噪聲Vk表示量測時引入的誤差的隨機(jī)向量。
[0057] 由下式判定車輛是否被嚴(yán)重遮擋。當(dāng)f(k) = 1，則車輛處于無遮擋或者遮擋不嚴(yán) 重的狀態(tài)，當(dāng)f(k) = 0,則表明車輛處于嚴(yán)重遮擋或完全遮擋狀態(tài)。
[0058]
[0059] Step 7 :如果發(fā)生嚴(yán)重遮擋，利用利用運動狀態(tài)線性預(yù)測車輛在當(dāng)前帖中的位置 y。，并采用卡爾曼濾波捜索策略確認(rèn)當(dāng)前帖中車輛位置yi。
[0060] Step 8:如果車輛沒有被嚴(yán)重遮擋，W前初始帖和當(dāng)前帖灰度圖像的像素值為基 礎(chǔ)建立量子進(jìn)化算法模型：
[0061] 1) W當(dāng)前帖圖像中候選模型區(qū)域的灰度圖像的像素值作為初始種群
去'即：[0063]
3 n為種群大??；m為量子染色體的長度；接為定義如下的染色體： ./ = 1，2，....，《::，:進(jìn)化代數(shù)初始化了 = 0;
[006引。初始化種群Q (t)，若將全部染色體中的如處（H2,。.典;W及為U=巧，...:，々)均置為
[0064] 則表示在t = 0時刻，所有可能的線性疊加態(tài)W相同的概率出現(xiàn)。
[0065] 3)對種群Q(t)進(jìn)行觀測，每一個量子比特都會由計算機(jī)對應(yīng)的產(chǎn)生一個[0， 1]之間的隨機(jī)數(shù)r，當(dāng)r<| 0i|2時，該位的觀測態(tài)是"1"，否則是"0"。生成觀測態(tài)種群： 巧〇 =林1'，如'''，.<):，其中4(^ =化'.'，巧)是染色體9;(7' =化''.?)觀^1產(chǎn)生的一個二進(jìn)審。 串，其長度是m。
[0066] 4)對生成的觀測態(tài)種群P(t)中的所有個體評價其適應(yīng)度值，保持適應(yīng)度較高的 個體。
[0067] 5)對種群P(t)采用量子旋轉(zhuǎn)口 U( 0 1)進(jìn)行量子口操作，更新P(t)中適應(yīng)度低的 個體，保存最優(yōu)解。
[0068] 6)令進(jìn)化代數(shù)T = T+1，轉(zhuǎn)至3)繼續(xù)執(zhí)行算法，直到滿足停止條件為止，輸出最優(yōu) 解玄1。
[006引 St巧9 :由St巧4和5計算計算候選模型巧,,GVH" =1.并估計相似度
。計算候選目標(biāo)化,化)他=1..."!)，并估計相似度
[0070] St巧10:如果
繼續(xù)計算^^.1)，41。如果 |家1' 爲(wèi)，:輸出A，.算法結(jié)束，輸出最優(yōu)解；否則.? 知，轉(zhuǎn)至St巧4。
【主權(quán)項】
1. 一種基于量子均值漂移的抗遮擋多運動車輛追蹤方法，其特征在于，包括以下步 驟： (1) 完成對視頻圖像信息的采集，讀取第一幀圖像，并用鼠標(biāo)依次圈出要追蹤的車輛； 提取每一輛車所處區(qū)域圖像的像素值； (2) 設(shè)車輛所在區(qū)域像素的中心坐標(biāo)為X。，第i個像素的坐標(biāo)用X1表示，則目標(biāo)模型的 第u種顏色分布特征值的概率為：其中u = 1，2, ...，m，k(X)為核函數(shù)，h表示核函數(shù)的帶寬，函數(shù)Mxi)和δ (X)的作 用是判斷^處的顏色值是否屬于第u特征值，C是標(biāo)準(zhǔn)化常量系數(shù)，使得所有特征值的概率 和為1 ; (3) 讀取下一幀圖像，提取每一輛車候選區(qū)域（車輛可能存在的區(qū)域稱為候選區(qū)域）圖 像的像素值； (4) 假設(shè)候選模型中心坐標(biāo)為y(]，Xl表示該區(qū)域內(nèi)每個像素點的坐標(biāo)，i = 1，2,. . .，nk， 則候選模型的第u種顏色分布特征值的概率為：(5) 相似性函數(shù)用來表示候選模型和目標(biāo)模型之間的關(guān)系，即目標(biāo)模型與候選模型之 間的相似度；在基于均值漂移的多目標(biāo)追蹤算法中，廣泛使用Bhattacharyya系數(shù)作為相 似性函數(shù)定義兩個離散分布之間距離：則相似度系數(shù)為(6) 卡爾曼濾波器模型： 離散狀態(tài)方程：x(k) = A(k)x(k-l) + co (k-1) 式中x(k)表示狀態(tài)變量構(gòu)成的多維狀態(tài)矢量，A和B是由系統(tǒng)特性確定的矩陣； 尚散M測方程：yk= Ckxk+vk; 其中Sk= C Α表示信號的真值，^表示測量時引入的隨機(jī)噪聲；通過上式判定車輛是宵骰嚴(yán)重趣Θ ;芻fUO = 1，則半輛處t尤趣擋或者遮擋不嚴(yán)重 的狀態(tài)，當(dāng)f(k) = 0,則表明車輛處于嚴(yán)重遮擋或完全遮擋狀態(tài)； (7) 如果發(fā)生嚴(yán)重遮擋，利用運動狀態(tài)線性預(yù)測車輛在當(dāng)前幀中的位置y。，并采用卡爾 曼濾波搜索策略確認(rèn)當(dāng)前幀中車輛位置y1; (8) 如果車輛沒有被嚴(yán)重遮擋，以前初始幀和當(dāng)前幀灰度圖像的像素值為基礎(chǔ)建立量 子進(jìn)化算法模型，量子進(jìn)化算法步驟如下： 1) 以當(dāng)前幀圖像中候選模型區(qū)域的灰度像素值作為初始種群e(〇 = _!"…￥丨，其中 η為種群大??；m為量子染色體的長度；iy丨為定義如下的染色體：： 1，2··· n，進(jìn)化代數(shù)初始化T = O ; 2) 初始化種群Q(t)，若將全部染色體中的( / = U...,W )以及f) ( )均!P ：則意味著在t = O時刻，所有可能的線性疊加態(tài)以相同的概率出現(xiàn)； 3) 對種群Q(t)進(jìn)行觀測，每一個量子比特都會由計算機(jī)對應(yīng)的產(chǎn)生一個[0，1] 之間的隨機(jī)數(shù)r，當(dāng)r〈| P112時，該位的觀測態(tài)是"1"，否則是"0"。生成觀測態(tài)種群： = ,其中< (_/ = 1，2…《 )是染色體f). U = 1A:.."h:)觀測產(chǎn)生的一個二進(jìn)制 串，其長度是m; 4) 對生成的觀測態(tài)種群P (t)中所有個體計算適應(yīng)度值，保留適應(yīng)度較高個體； 5) 對種群P(t)采用量子旋轉(zhuǎn)門U( Θ J進(jìn)行量子門操作，更新p(t)中適應(yīng)度低的個體， 保存最優(yōu)解； 6) 令進(jìn)化代數(shù)T = T+1，轉(zhuǎn)至步驟3)繼續(xù)執(zhí)行算法，直到滿足停止條件為止，輸出最優(yōu) 解>1 ; (9)由⑷和（5)計算候選模型{Α,(??)Κ? = 1.』）_，并估計相似度4夂H十 算候選目標(biāo)(?ι)丨(μ = 1....w)，并估計相似度U=I (?ο)如果p[Kh)，釘《4Kb)名，令尺+Α)，繼續(xù)計算/必 ΙΙΛ - ??| < "輸出?,，算法結(jié)束；否則％ ^，轉(zhuǎn)至⑷。2.根據(jù)權(quán)利要求1所述的一種基于量子均值漂移的抗遮擋多運動車輛追蹤方法，其特 征在于，卡爾曼搜索策略的具體步驟如下： 在第k幀，車輛運動到B處時被部分遮擋，在k+Ι幀時車輛則處于完全被遮擋狀態(tài)，此 時進(jìn)入搜索階段；利用卡爾曼濾波和平均速度V預(yù)測出第k+Ι幀中車輛的位置A，以B為中 心點，r為半徑： 式中h是核函數(shù)的帶寬； 在右半圓周上，設(shè)置5個等間距的搜索塊，與B -起組成6個候選塊。為了避免重復(fù)搜 索，車輛運動速度較小時，取半徑為h ;車輛運動速度大于h時，為了增強搜索效率，取半徑 為M ;當(dāng)搜索塊中有滿足取|辦幻，則認(rèn)為遮擋結(jié)束，恢復(fù)對車輛進(jìn)行正常追蹤；當(dāng) 搜索不到車輛時，依據(jù)運動狀態(tài)估計，認(rèn)為車輛位于A位置，搜索結(jié)束，進(jìn)入下一幀。
【文檔編號】G06T7/20GK106023242SQ201510167462
【公開日】2016年10月12日
【申請日】2015年4月9日
【發(fā)明人】湯雅連, 程平
【申請人】廣東易富網(wǎng)絡(luò)科技有限公司