[发明专利]低复杂度的尺度自适应视频目标跟踪方法

说明书

技术领域

本发明涉及一种视频智能监控技术领域的方法，具体是一种低复杂度的尺度自适应视频目标跟踪方法。

背景技术

在计算机视觉领域的许多应用中，如智能监控、机器人视觉、人机交互界面，都需要对视频序列帧间运动目标进行跟踪。由于跟踪目标形态的多样性和目标运动的不确定性，如何实现各种环境下鲁棒的实时跟踪并随目标距离变化实现其可变尺度的可靠估计一直是研究的热点。序贯蒙特卡罗滤波方法是近年来使用广泛的跟踪方法，用目标在状态空间中的后验概率分布表示目标最可能出现的状态，如位置、大小等。与传统的卡尔曼滤波不同，该方法用一组离散采样点来近似真实的目标状态分布函数，所以也被称为粒子滤波。序贯蒙特卡罗滤波方法的优势在于其适用于非高斯非线性系统，但由于计算量较大，限制了其在实时系统中的应用。均值漂移是另一类常用的目标跟踪方法，其沿着目标状态概率函数的梯度方向局部迭代搜索图像中目标最可能具有的状态。1998年，Bradski等人对基本的均值漂移方法进行改进，在搜索目标位置的同时用目标状态概率分布的高阶矩得到更加准确的目标尺度大小，即尺度自适应的均值漂移方法。这类方法运算速度快，但因为可能收敛于状态空间的局部最优点，在出现遮挡、相似背景物干扰等情况下容易发生目标跟踪丢失的现象。

基于序贯蒙特卡罗滤波和均值漂移方法的各自优势，Shan等人提出了嵌入均值漂移的粒子滤波方法。该方法对序贯蒙特卡罗滤波器中每一个采样点进行独立的均值漂移，使其更集中于局部最优值，从而提高了采样效率，降低了运算复杂度。

经对现有技术文献的检索发现，类似的方法在近年的工作中也曾被使用并有所改进，如2004年Koichiro等人在《第十七届模式识别国际会议》(Proceedings of the 17th International Conference on PatternRecognition)第三卷506到509页发表的“Object tracking by the mean-shiftof regional color distribution combined with the particle-filteralgorithm”(基于区域彩色分布的均值漂移与粒子滤波的目标跟踪方法)。在这种结合粒子滤波和均值漂移的方法中，对每个经过状态预测的粒子都进行了均值漂移的优化，使得到的采样点集合更靠近模式概率大的状态空间，从而提高了采样效率，降低了所需的粒子数目。另一方面，粒子滤波器的运算时间直接决定于粒子的数目，因此这种改进同时提高了跟踪器的速度。但是，这些改进还存在一些缺点：粒子过于集中而造成样本匮乏，以致序贯蒙特卡罗滤波的多样性被破坏。其根源在于这些工作中结合序贯蒙特卡罗滤波和均值漂移的方法过于简单，没有考虑嵌入均值漂移优化手段对原始序贯蒙特卡罗滤波框架的影响，主要表现为粒子状态空间呈现新的概率分布。所以从蒙特卡罗采样的概率角度提出完备的均值漂移结合方法，并使其在跟踪过程中随目标大小的变化有效降低目标尺度的估计误差，目前还是空白。

发明内容

本发明针对上述现有技术的不足，提出了一种低复杂度的尺度自适应视频目标跟踪方法，使其通过设计重要性采样函数将尺度自适应均值漂移方法直接融合到序贯蒙特卡罗滤波的概率体系，即均值漂移方法对采样点的优化作用体现在重要性采样函数中，保证了目标状态概率分布的估计是无偏的。

本发明是通过如下技术方案实现的，本发明包括如下步骤：

步骤一，初始化粒子样本状态：通过检测确定目标的初始状态x₀，如位置和大小；同时计算目标的观测矢量，如颜色直方图，作为目标特征的参考模板；给定粒子采样点的数目N以描述目标状态向量的多样性，并将所有采样点的初始状态向量均设为x₀，且赋以统一的权值

步骤二，对步骤一的粒子样本，每一个采样点随机产生两种不同的尺度因子，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储；

所述计算样本二阶自回归中心点，具体为：

令当前采样点集合为{x_tⁱ，w_tⁱ}_i＝1...N，对每个样点i＝1:N计算其二阶自回归中心