[发明专利]基于运动目标跟踪的融合算法

说明书

技术领域

本发明涉及图像处理领域，尤其是涉及对单个运动目标特征或者多个运动目标特征的提取并进行运动目标建模、运动目标检测的融合算法。

背景技术

目标跟踪中常用的目标特征表达主要包括：图像的纹理和形状特征(如轮廓、区域、边缘等)、变换系数特征（如傅里叶描述子）、统计特征（如直方图、各种矩特征）等。为了达到更好的跟踪效果，实际应用中也常常将多个特征结合起来考虑。跟踪算法的准确度与运动目标的表达密切相关，大致可以分为四类：基于主动轮廓模型的跟踪、基于模型的跟踪、基于特征的跟踪和基于区域的跟踪。

在跟踪过程中，采用一定的搜索算法预测运动目标在下一帧中可能出现的位置状态，只在相关区域中寻找最优点。这样就避免了直接对场景中所有内容进行匹配估计，从而大大削减计算量。在很多基于交互的实时系统中，跟踪常用的预测算法有卡尔曼滤波器（Kalman滤波器）、粒子滤波算法等。优化搜索方向也可以达到缩小目标搜索范围的目的，常用的包括均值漂移算法（Mean-shift算法）、连续自适应均值漂移算法（Camshift算法）等。其中Camshift（continuously adaptive mean-shift）算法是由Intel公司的Bradski提出的以颜色概率分布图为基础来进行的目标跟踪算法。其中的核心算法是Mean-shift算法。Camshift算法在最开始是为了对人脸进行跟踪而设计的。Camshift算法基于单一颜色分布模型，由于对目标外观先验知识利用不够充分，单一颜色分布模型对外观先验知识的描述不完备，当目标的外观发生改变时，效果不理想。在复杂背景中当运动目标运动过快或出现遮挡，由于只利用颜色信息，对运动物体不做任何预测，抗干扰能力比较差，容易导致跟踪失败，引入滤波预测窗口中心来解决这个问题，但是粒子滤波（particle filter）算法主要是来自于模拟蒙特卡洛方法，通过蒙特卡洛算法来最终实现贝叶斯滤波。由于粒子滤波算法拥有“多峰”性这一特点，因此虽然粒子滤波算法有很强的抗干扰能力和多模态处理能力，但是粒子滤波过程中粒子数目对对象跟踪有两个方面的影响：一是计算量；二是精度。当粒子传播半径确定以后，即确定了对象搜索区域。由于每个粒子即代表对象的一种可能运动状态，所有粒子越能充分的覆盖对象可能状态，则估计的越准确。那么粒子越多，就更能充分的覆盖搜索区域，跟踪精度更大。但当N太大远远可以覆盖搜索区域时，部分粒子所代表的状态有可能完全一样，那么这部分的运算量就是浪费的，且对精度提高也不会很大。就要找到搜索区域和粒子数目的最佳匹配点，即不浪费粒子也可以完全覆盖搜索区域的平衡点。另外当粒子数目增大时，算法的计算量也会增大，则跟踪的速度就会降低。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于运动目标跟踪的融合算法，对运动目标跟踪算法进行分析与比较，将基于HSV空间颜色特征和基于坐标系的运动信息表示相融合，改进Camshift算法，并且将改进的Camshift算法嵌入到粒子滤波中，用来重新分配粒子滤波样本。由此得到的样本集将收敛到靠近目标真实状态的区域内，最后用这些漂移的粒子来计算所估计的目标状态，实现更好的跟踪。

本发明采用的技术方案如下：

一种基于运动目标跟踪的融合算法，其特征在于包括：

步骤1：基于粒子滤波算法，通过状态转移模型，得到目标K时刻状态附近随机分布粒子集其中其中N为粒子数，k是粒子变化时刻值；

步骤2：提取粒子集粒子的颜色和运动信息，判断粒子集粒子质心坐标值是否满足迭代条件，将符合迭代条件的粒子组合成新的迭代粒子集

步骤3：对迭代粒子集中的粒子与目标模板粒子进行相关度处理，通过观测函数计算粒子权值并进行重采样、归一化处理，得到当前帧目标的状态。

在步骤2中所述判断粒子集粒子质心坐标值是否满足迭代条件具体过程是：

步骤21：在Camshift算法基础上，设置粒子集中粒子初始质心坐标值是C₀(x₀,y₀)，根据颜色概率分布图中零阶矩运动概率分布图中零阶矩并结合I_c(x,y)、I_m(x,y)计算粒子集中粒子的M₀₀、M₁₀、M₀₁：