[发明专利]一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法

摘要

一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法,首先采用各向异性微分算法对待处理图像进行背景预测，并将预测的背景图与原图做差分处理，获取差分图，以自动捕获跟踪目标及提高后续目标跟踪效率；然后以上述捕获的目标为中心在其邻域内进行随机采样，获取粒子集，同时计算相应的粒子权值并归一化权值；其次根据粒子权值估算有效粒子数，若有效粒子数小于阈值，则进入免疫遗传粒子集优化过程，若有效粒子数大于阈值，则直接进入自适应重采样过程；最后对粒子状态进行最优估计，输出跟踪结果，并进行下一时刻的循环，直至结束。本发明有效增加粒子的多样性，尤其是在目标受背景干扰时，减少了样本缺失的现象，同时自适应修改每次迭代所需的粒子数，在保证跟踪精度的同时提高了运算效率。

主权项

一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法，其特征在于：包括如下步骤：步骤一、背景预测：采用各向异性微分算法对待处理图像进行背景预测，并将预测的背景图与原图做差分处理，获取差分图，自动捕获初始帧的目标，进行跟踪初始化；步骤二、对步骤一中捕获的目标，在其邻域内进行随机采样，获取粒子集{xki,wki}，xki为k时刻第i个粒子的状态，wki为k时刻第i个粒子对应的权值，同时计算相应的粒子权值并归一化权值，具体公式如下：(21)计算粒子权值wki＝wk‑1ip(zk|xki)   (2‑1)其中k为时刻数，i为粒子数(i＝1,2,3,…N)，wk‑1i为k‑1时刻第i个粒子对应的权值，wki为k时刻第i个粒子对应的权值，xki为k时刻第i个粒子的状态，zk为k时刻随机变量，p(zk|xki)为每个粒子的似然概率；(22)归一化权值wki=wki/Σi=1Nwki---(2-2)]]>其中wki为k时刻第i个粒子对应的权值，N为粒子数；步骤三、将步骤二中获取的粒子权值用以估算有效粒子数，并判断有效粒子数是否小于预设阈值，计算有效粒子数如下：(31)估算有效粒子数Neff=1/Σi=1Nwki<Threshold---(3-1)]]>其中k为时刻数，i为粒子数(i＝1,2,3,…N)，Threshold代表预设阈值大小，N为粒子数，Neff为有效粒子数；步骤四、若步骤三中计算得到的有效粒子数小于预设阈值，则说明粒子集退化严重，需要加入免疫遗传算法，对粒子集进行优化，保持样本多样性；步骤五、若步骤三中计算得到的有效粒子数大于预设阈值，则说明当前粒子集还能有效表征目标观测状态，直接进入自适应重采样过程；步骤六、输出跟踪结果，并进行下一时刻的循环，直到结束，对步骤四或步骤五获取的粒子集{xki,wki}进行最优估计，计算k时刻目标状态和方差，输出跟踪结果，其中状态估计和方差估计采样如下定义：(61)状态估计X^k=E(Xk)=Σi=1Nxkiwki---(6-1)]]>其中xki为k时刻第i个粒子的状态，wki为k时刻第i个粒子对应的权值，N为粒子数，Xk为k时刻的样本集合，E(Xk)为k时刻样本集合Xk对应的状态估计均值；(62)方差估计Pk=Σi=1Nwki(xki-X^k)(xki-X^k)T---(6-2)]]>其中，k为时刻数，i为粒子数(i＝1,2,3,…N)，xki为k时刻第i个粒子的状态，wki为k时刻第i个粒子对应的权值，N为粒子数，为k时刻样本集合Xk对应的状态估计均值，Pk为k时刻对应的状态方差。