[发明专利]一种基于种群进化思想的粒子滤波跟踪方法

说明书

技术领域

本发明涉及图像处理与视觉跟踪领域，涉及一种改进的粒子滤波跟踪方法，特别是一种基于种群进化思想的粒子滤波跟踪方法。

背景技术

粒子滤波是基于蒙特卡洛与递推贝叶斯估计的一种统计滤波方法，使用粒子集表征概率，然后从后验概率中抽取随机状态粒子来表示其分布情况。当粒子数足够多时，这种蒙特卡洛描述就近似于真实的后验分布，是全局近似最优滤波。粒子滤波在处理非线性、非高斯系统的状态估计问题时具有优越的性能，非常适合于描述目标跟踪这一不确定性问题。然而，粒子滤波在粒子数少的情况下会出现粒子退化和样本贫化的问题，这是制约粒子滤波发展的关键；而如果采用庞大的粒子数来提高状态估计的精度，计算将会很复杂，相当耗时，难以应用于实际工程中。

在实际跟踪过程中，待跟踪目标不可避免地遇到光照变化的问题，虽然我们可以采用不同的颜色系统来减轻光照变化对跟踪方法的影响，但是光照的变化仍然是困扰目标跟踪的一个关键因素。并且被跟踪的目标在运动过程中可能会被非目标的物体部分遮挡或全部遮挡，或者被跟踪的多个目标互相遮挡。遮挡往往会造成目标的误跟踪或跟踪丢失，遮挡问题也是目标跟踪算法必须解决的问题。

为了克服跟踪过程中光照变化和遮挡问题，通常的解决方法是在直方图模型中融入其他辅助特征信息。不过，虽然将多种辅助特征融合能够提高目标描述的精确性，但各种特征的提取必然增加一定的计算量，从而对系统的实时性造成一定影响。另外，当目标处于复杂背景环境中时，背景区域也会存在与目标的边缘、纹理等辅助特征相似的区域，从而限制了多特征融合机制的作用。

因此，设计一种计算量较小、抗干扰能力较强的改进粒子滤波跟踪方法具有很好的应用价值。

发明内容

本发明的目的在于提供一种基于种群进化思想的粒子滤波跟踪方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于种群进化思想的粒子滤波跟踪方法，按照如下步骤实现：

步骤S1：提取目标区域特征；对于初始帧图像，获取待跟踪目标区域的初始像素位置(x₀,y₀)，记该目标矩形框大小为W×H，粒子滤波中的粒子数目N，获得初始时刻第i个粒子的坐标粒子集并初始化每个粒子权值为1/N；采用改进的LBP算子计算该目标区域内每个像素点u所产生的纹理特征直方图p_u，u∈[1,W×H]，作为匹配模板；从第2帧开始，令第t时刻对应第t帧；

步骤S2：根据初始粒子、第t-1帧粒子以及第t帧粒子位置，采用下式二阶自回归模型对该N个粒子进行随机高斯扩散，每个粒子扩散到一个新的位置，进而预测第t帧中目标所在位置：

其中，二阶自回归模型系数A1、A2、B0分别为常数；为粒子尺度；和为高斯噪声；

步骤S3：采用所述步骤S1中改进的LBP算子计算所述步骤S2中获取的每个新粒子所对应区域的纹理特征直方图作为候选目标区域；

步骤S4：采用下式中的巴氏系数来分别衡量所述步骤S1中获取的目标模板和所述步骤S3中获取的每个候选目标区域的相似性σ_i，并以该相似度作为粒子权值

其中，σ_i越接近1，权值越大，则实际目标与候选目标越相似；

步骤S5：采用基于种群进化思想的简化群优化SSO算法对该N个粒子进行重采样，该简化群优化SSO算法中每个粒子所对应的像素横坐标x采用下式更新，且纵坐标采用与横坐标更新相同的方式进行更新：

其中，j＝1,2,…,G，G表示总的粒子数和总的迭代次数；为第i个粒子截止到当前代的历史最优值，也即局部最优解；为截止到当前代所有粒子所持有的最佳适应度，也即权值，对应的全局最优解；中的gBest为最佳适应值索引，即第gBest个粒子持有最佳适应值；x是属于视频帧像素范围之间的随机整数；是t时刻的状态值；ρ是属于[0,1]之间的随机数；c_g、c_p和c_w代表每个变量在下一次重采样的状态更新为和x其中一个的对应选择概率；

步骤S6：以最大权值处的粒子中心为跟踪目标中心，并获取W×H×s大小的矩形框作为该次预测出的最终跟踪目标，其中，s代表粒子尺度；

步骤S7：返回所述步骤S2，跳到下一视频帧进行目标预测。