[发明专利]多特征融合的粒子滤波视频目标跟踪方法

说明书

技术领域

本发明涉及一种视频目标跟踪方法，尤其涉及一种多特征融合的粒子滤波视频运动目标跟踪方法，属于视频监控技术中的视频目标跟踪领域。

背景技术

视频目标跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪的过程，以获得目标的运动参数，如位置、速度、加速度以及运动轨迹等。视频目标跟踪在视频监控、体育运动事件分析、跟踪实验动物、人机交互等方面都有实际应用需求。现有的目标跟踪方法主要包括：基于区域的跟踪、基于特征的跟踪、基于轮廓线的跟踪、基于模型的跟踪、基于运动场估计的跟踪以及混合方式的跟踪方法等。

近年来，粒子滤波（Particle Filter）算法被认为是目前解决非线性、非高斯模型最成功的方法。粒子滤波算法是一种基于蒙特卡洛（Monte Carlo）技术来求解贝叶斯概率的使用算法，它的基本思想是通过重要性函数产生带权值的样本（粒子）来逼近系统状态的真实后验概率分布。这些粒子是在选取的重要性概率密度函数的基础上随机抽样得到的，然后通过预测和更新两个步骤对目标的状态进行估计。但是单一特征的目标跟踪效果往往受到跟踪目标外在因素的很大影响，如使用单一颜色特征信息来进行目标跟踪，方法快捷且容易实现，但在跟踪过程中由于目标所处的位置、光照等易发生变化，这会影响跟踪效果，从而造成算法的鲁棒性不高。

发明内容

本发明针对现有技术的不足，而提出一种多特征融合的粒子滤波视频目标跟踪方法，以提高算法的准确性和鲁棒性。

该视频目标跟踪方法包括如下步骤：

步骤1：在最初时刻对一组粒子进行初始化定位，确定目标的初始状态，提取目标的颜色特征信息和运动边缘特征信息；

步骤2：采用一阶AR模型对粒子的状态进行传播，得到下一时刻的新粒子；

步骤3：分别求出当前粒子采样时刻颜色特征信息和运动边缘特征信息的观测值的概率密度函数，将两种概率密度函数融合，并通过粒子归一化对粒子权重进行更新；

步骤4：计算当前粒子采样时刻目标状态的最小均方差估计；

步骤5：计算重采样判断值，当重采样判断值小于等于重采样判决阀值时，对当前的采样粒子进行重采样，否则转入步骤6；

步骤6：置时间为下一时刻，转入步骤2，直至视频序列结束。

技术效果：

1、本方法将两种目标特征信息相互融合，从而结合了两种特征信息的优点，提高了方法的有效性。

2、在目标被完全遮挡或相似背景干扰下，本方法均能实现对目标持续、准确地跟踪，方法准确性和鲁棒性较高。

附图说明

图1为本发明的方法流程图。

图2为提取颜色特征信息的算法流程图。

图3为运动边缘特征信息的计算原理示意图，图中：P表示各粒子落入相应角度区间的概率，θ表示角度。

具体实施方式

下面对本发明作进一步说明。

本发明方法的流程如图1所示，具体步骤如下：

步骤1：粒子初始化阶段。

设时间t=0时刻，采用手工标定的方式对一组在状态空间中传播的粒子进行初始化定位，定义目标的初始状态为并提取目标的颜色特征信息和运动边缘特征信息。

步骤2：粒子传播阶段。

采用一阶AR模型对粒子的状态进行传播，从而得到下一时刻的新粒子。

在t=t+1时，新粒子式中：A为系数矩阵，这里A取4阶单位阵；是均值为零的高斯白噪声。

步骤3：权值更新阶段。

分别求出当前粒子采样时刻颜色特征信息和运动边缘特征信息的观测值的概率密度函数，将两种概率密度函数融合，并通过粒子归一化对粒子权重进行更新。

提取颜色特征信息的算法流程如图2所示。本方法采用基于RGB颜色空间模型的核加权颜色特征直方图对目标进行建模，其中，核函数的基本思想是：根据像素点与目标中心的距离远近对其（像素点）赋予不同的权值。对距离目标中心较远的像素点赋予比较小的权值，从而减弱跟踪目标模块边界及遮挡等问题带来的干扰。

高斯核函数定义如下：

k(r)=exp{-r²/(2σ²)}

式中：r表示像素点与目标中心之间的距离；参数σ用以控制核函数的作用半径，这里σ=1。