[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

摘要

本发明公开了一种基于粒子群优化算法的视频多运动目标定位方法。该方法首先通过背景差法进行图斑检测，然后通过将粒子群以图斑为单位划分成粒子子群，在每个子群内使用粒子群优化算法，来达到多运动目标定位的目的。本发明方法能够解决多个目标探测问题以及因对象胶着、图片昏暗而导致的检测困难问题。

主权项

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，其特征在于，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Ii，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Ii与Ii+1之间的帧差二值图像Di，由帧差二值图像Di更新第i帧的背景图像Bi(x,y)，α为更新速度；步骤2.3、将Bf‑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DBi(x,y)；在背景差分二值图像DBi(x,y)中，扫描每个像素点，将DBi(x,y)中所有灰度值为0的像素点的称为背景像素点，将DBi(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Ik，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)/axismin)*popmin,popmax)，其中，axis(m)是图斑的外接矩形的长，axismin是所有图斑的外接矩形的长边中的最小长边，popmin和popmax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Pk‑1和速度Vk‑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更新第t次迭代的整体最佳方案：t＝1时，gbest(t)＝Pt，其中，P1为初始化时全体粒子的位置矩阵；当t＞1时，第t次迭代的整体最佳方案为gbest(t+1)=min{fitness(P1t+1),fitness(P2t+1),...,fitness(PQt+1),gbest(t)};]]>步骤5.4、通过计算来更新所有粒子的第t次的位置Pt和速度Vt；其中，w为加权系数，c1和c2是加速度常数，r1和r2是由随机值1或0组成的矩阵，为第t‑1次迭代所有粒子达到的局部最佳方案，是第t‑1次迭代时的整体最佳方案，Vt和Vt‑1是第t次迭代和第t‑1次迭代时的全体粒子的速度；步骤5.5、当迭代次数t没有达到预设的最大迭代次数M，t＝t+1，回到步骤5.3；若t＝M，则执行步骤5.6；步骤5.6、保存第k帧输入图像Ik中每个粒子的位置PM和速度VM，并保存第k帧输入图像Ik中每个粒子所在图斑的外接矩形的四个顶点坐标值；步骤5.7、当k＜f时，k自增1，回到步骤4，否则结束探测。