[发明专利]一种结合有效异常点检测的粒子滤波目标跟踪算法

说明书

本发明公开了一种结合有效异常点检测的粒子滤波目标跟踪算法，基于粒子滤波的框架，首先使用PCA对目标模板进行分解，建立互相正交的特征空间，然后在后续的跟踪中，将粒子投影到此特征空间中，计算粒子的重建误差，通过粒子的概率加权和来估计目标的位置。对于估计的跟踪结果，使用洛伦兹估计器检测跟踪结果中的异常点，通过统计异常点的个数，来判断跟踪结果是否达到更新设定的阈值。当收集到一定帧数时，将其再次投影到原来的特征空间中，计算重建误差。对重建误差做二次PCA分解，将特征向量中具有最大特征值的特征向量更新到原有特征空间中。本发明能够准确检测到是否需要更新，进行及时的更新，既避免了不必要的更新，又提高了跟踪的准确性。

技术领域

本发明属于计算机视觉领域的目标跟踪技术，具体涉及一种结合有效异常点检测的粒子滤波目标跟踪算法。

背景技术

随着现代科技的快速发展，视频监控系统的应用已经融入到很多住宅小区停车场以及街道，特别是在银行、机场安检等与人们生命财产安全相关的特殊场合。因此视频监控技术的研究成为了国内外研究的热点。其中目标跟踪是被广泛关注的一种技术。虽然目前人们已经研究了很多的跟踪算法，但是目标跟踪技术依旧面对很多挑战，例如因为光照、视角、遮挡等原因引起目标外观发生变化时，如何及时地更新外观模型，并且准确高效地估计出目标的位置是目标研究的一个难题。

常用的目标跟踪框架包含两个模块，一个是目标状态估计模块，一个是目标外观模型模块。目标状态估计主要是根据当前帧来估计下一帧目标的位置，常用的算法是光流法、mean-shift、粒子滤波等，粒子滤波因其非线性、非高斯、非参数的特点被广泛应用。

目标外观模型的建立中，主成分分析法(Principal Component Analysis，以下简称为PCA)作为数据分析工具的一种，常常被用来分析灰度特征各个维度之间的相关性，通过去相关的技术降低其维度，从而建立目标外观模型。在粒子滤波的框架下，PCA首先对目标模板进行特征空间的建模，然后将粒子投影到该特征空间进行重建，通过计算粒子的重建误差，来判断粒子与目标的相似度，最后通过粒子的概率加权来估计目标的位置。PCA建立的特征空间在跟踪的过程中，计算简单，速度快，不受光照和噪声的影响。但是对目标外观变化很敏感，因此需要在跟踪的过程中对PCA特征空间进行更新。目前大部分基于PCA的算法中，都有更新的模块，但是更新的频率太高，降低了跟踪的效率。例如，在J.Lim 2004年提出的ILV(Incremental Learning for Visual)算法以及2013年Wang D中OSP(Onlineobject tracking with sparse prototypes)中都使用PCA进行外观建模，并且使用增量PCA对之前的特征空间进行更新，这两个算法中，直接按照每5帧一次的更新频率进行，这样的更新频率不仅引起不必要的更新，更是极大地增加了计算的复杂度。若减小更新频率，就会导致更新的不够及时，致使错误的跟踪结果。因此，如何实现最佳的更新频率，避免增加不必要的复杂度，同时又避免因为更新的不够及时导致的错误跟踪结果是一个迫切需要解决的问题。

发明内容

本发明针对的技术问题是在目标跟踪中对PCA建立的特征空间进行更新时，频繁地更新会引起不必要的计算，但是若减少更新频率，又会因更新的不及时导致目标跟丢的现象。

为解决上述问题，本发明提出了一种结合有效异常点检测的粒子滤波目标跟踪算法，在更新之前，增加判断准则，对跟踪结果进行异常点检测，并且统计异常像素的个数，通过实验设置阈值，判断异常个数是否到达更新要求。一旦异常点个数超过阈值，则进行特征空间更新。

本发明的技术方案具体包括以下步骤：

(1)在粒子滤波的框架中，使用PCA法对目标模板进行特征空间的建模；

(2)在后续的跟踪中，使用该特征空间计算粒子的权值，通过计算粒子的概率加权和来估计目标的位置，完成第一阶段的PCA；