[发明专利]一种基于粒子群优化算法的视频多运动目标跟踪定位方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是一种基于粒子群优化算法的视频多运动目标跟踪定位方法。

背景技术

粒子群优化算法(PSO)是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。

然而，传统的粒子群算法只能解决单目标定位问题，而不能解决多目标定位问题。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于粒子群优化算法的视频多运动目标跟踪定位方法，利用图斑探测结合粒子群优化算法，将粒子群分割成相应数量的子群来达到多目标定位的目的。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于粒子群优化算法的视频多运动目标跟踪定位方法，包括如下步骤：

步骤1、用户输入视频，按相同时间间隔均匀抽取视频中的f帧图像，按行访问每一帧图像的每个像素点，记录每个像素点的三个通道的色彩强度值，计算每个像素点的灰度化值，使每一帧图像转化为一个二维矩阵，将第i帧图像记为I_i，i∈{1,2,…,f}；

步骤2、依次将每帧图像分割为图斑像素点和背景像素点，得到图斑的数量B及其几何特征；所述图斑像素点为运动目标所在像素点，背景像素点为非运动目标所在像素点；具体如下：

步骤2.1、将第一帧图像作为背景图像B₀(x,y)，设置阈值T；

步骤2.2、依次将i的取值从1到f-1，采用公式求出I_i与I_i+1之间的帧差二值图像D_i，由帧差二值图像D_i更新第i帧的背景图像B_i(x,y)，α为更新速度；

步骤2.3、将B_f-1(x,y)视为背景图像B(x,y)；

步骤2.4、依次将i取值1到f-1，采用公式计算背景差分二值图像DB_i(x,y)；在背景差分二值图像DB_i(x,y)中，扫描每个像素点，将DB_i(x,y)中所有灰度值为0的像素点的称为背景像素点，将DB_i(x,y)中所有灰度值为255的像素点称为图斑像素点，图斑像素点构成的连通域称为图斑，获取图斑的数量B，同时获取每个图斑的几何特征，该几何特征包括图斑的线段边界点、外接矩形、面积以及形心位置；

步骤3、设置初始化迭代次数k为1；

步骤4、探测第k帧输入图像I_k，进行粒子的初始化：在每个图斑的外接矩形内随机生成均匀粒子，第m个图斑的外接矩形内的粒子数为pop(m)，pop(m)＝min((axis(m)/axis_min)*pop_min,pop_max)，其中，axis(m)是图斑的外接矩形的长，axis_min是所有图斑的外接矩形的长边中的最小长边，pop_min和pop_max是允许范围内每个粒子群最少和最多的粒子数，粒子总数如果k＝1，随机初始化每个粒子的位置P⁰和速度V⁰，如果k＞1，各粒子初始化为第k-1帧时保存的所有粒子的位置P^k-1和速度V^k-1；

步骤5、运用粒子群优化算法，进行M次迭代；具体如下：

步骤5.1、初始化迭代次数t为1；

步骤5.2、计算粒子的适应度

其中表示第t次迭代时第j个粒子，λ为加权系数，是第j个粒子所在图斑的颜色直方图的成本，是第j个粒子所在图斑的梯度方向的梯度成本，j＝1,2,3…Q；

步骤5.3、依次将j的取值从1到Q，更新每个粒子的局部最佳解决方案：当t＝1时，第t次迭代的局部最佳方案当t＞1时，第j个粒子的第t次迭代的局部最佳方案为