基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法
2023-04-30 15:39:06
基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法
【專利摘要】本發明公開了一種基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，它包括：步驟1、粒子進行初始化和賦權值；步驟2、粒子狀態轉移預測；步驟3、構建粒子顏色模型似然函數；步驟4、構建粒子的預測向量簇模型似然函數；步驟5、顏色模型與預測向量簇模型融合與粒子加權更新；步驟6、計算可靠性因子與更新顏色模型與預測向量簇模型權值；步驟7、計算當前幀最後狀態；步驟8、重採樣粒子。本發明的優點是：能更好地覆蓋運動目標，提高了算法的準確性，且能夠處理目標發生轉動，或者目標被其他物體幹擾、遮擋情況下的目標跟蹤，提高了算法的魯棒性。
【專利說明】基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法
【技術領域】
[0001]本發明屬於涉及圖像處理領域，具體涉及一種視頻目標跟蹤方法。
【背景技術】
[0002]視頻目標跟蹤是指在視頻序列中找到人們感興趣的物體並實時的跟蹤其運動狀態。為了找到這一運動物體，現有很多方法，例如基於特徵的方法，特徵包括顏色，形狀，亮度等等。實現跟蹤的算法也有多種，如卡爾曼濾波，均值漂移等等。而這些方法中，粒子濾波理論是目前研究的熱點。
[0003]粒子濾波的思想基於蒙特卡洛方法，它是利用粒子集來表示概率，可以用在任何形式的狀態空間模型上。其核心思想是通過從後驗概率中抽取的隨機狀態粒子來表達其分布，是一種順序重要性採樣法。簡單來說，粒子濾波法是指通過尋找一組在狀態空間傳播的隨機樣本對概率密度函數進行近似，以樣本均值代替積分運算，從而獲得狀態最小方差分布的過程。這裡的樣本即指粒子，當樣本數量N—〉c?時可以逼近任何形式的概率密度分布。由於非參數化的特點，它擺脫了解決非線性濾波問題時隨機量必須滿足高斯分布的制約，能表達比高斯模型更廣泛的分布，也對變量參數的非線性特性有更強的建模能力。因此，粒子濾波能夠比較精確地表達基於觀測量和控制量的後驗概率分布。
[0004]然而傳統粒子濾波或基於顏色模型的粒子濾波的魯棒性較差，在背景顏色沒有幹擾，或沒有其他運動物體遮擋的時候，尚能發揮良好的跟蹤效果。但是當環境較為複雜，或是物體本身發生變化的時候，往往容易丟失目標。
[0005]由此可見，現有技術在複雜環境或物體本身發生變化的時候，對物體跟蹤的誤差大，造成算法魯棒性差。
【發明內容】
[0006]為了彌補現有方法中狀態轉移的粒子沒有很好地覆蓋運動目標，以及無法處理當目標發生轉動或被其他物體幹擾、遮擋的情況，本發明所要解決的技術問題就是提供一種基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，提高目標跟蹤的魯棒性。
[0007]本發明所要解決的技術問題是通過這樣的技術方案實現的，它包括有以下步驟:
[0008]步驟1、粒子進行初始化和賦權值
[0009]在初始圖像中採用手動選取目標初始位置，並採樣N個粒子作為初始粒子集，每個粒子初始權重為1/N，將顏色模型與預測向量簇模型的初始信息權值均設置為0.5。
[0010]步驟2、粒子狀態轉 移預測
[0011]基於粒子濾波理論，利用粒子狀態轉移和當前時刻的觀測值構造建議性分布，根據構造的建議性分布進行粒子系統的轉移與預測。由此使當前時刻的粒子分布更加接近真實目標。[0012]步驟3、構建粒子顏色模型似然函數
[0013]利用核函數構造目標區域內的顏色概率分布，核函數給遠離目標中心的像素分配很小的加權，再利用Bhattacharryya相似度係數衡量候選目標區域與目標模板區域的相似度程度，根據相似度係數建立顏色模型似然函數，由顏色模型似然函數計算每個粒子的顏色似然。
[0014]步驟4、構建粒子的預測向量簇模型似然函數
[0015]本時刻所有粒子和它們下一時刻預測的粒子構成一簇向量，向量包含方向與長度兩個信息，而長度除以粒子轉移的時間近似為速度；利用核函數構造預測向量簇的方向模型似然函數和預測向量簇的速度模型似然函數，用預測向量簇的方向和速度兩個模型似然函數構建預測向量簇模型似然函數，之後根據預測向量簇模型似然函數計算每個粒子的似然。
[0016]步驟5、顏色模型與預測向量簇模型信息融合與粒子加權更新
[0017]將顏色模型似然函數與預測向量簇模型似然函數利用信息融合的方法進行加權融合得到融合之後的似然函數，根據融合後的似然函數對粒子進行加權，似然度高的粒子分配較大的權值，似然度低的粒子分配較小的權值。
[0018]步驟6、計算可靠性因子與更新顏色模型與預測向量簇模型權值
[0019]計算根據顏色模型似然函數的估計結果與融合後的似然函數的估計結果之間的歐幾裡得距離；計算根據預測向量簇模型似然函數的估計結果與融合後的似然函數之後的估計結果之間的歐幾裡得距離；分別計算顏色模型與預測向量簇模型的可靠性因子，根據可靠性因子重新分配顏色模型與預測向量簇模型的權值。
[0020]步驟7、計算當前幀最後狀態
[0021]根據當前時刻粒子狀態和每個粒子的權值，將所有粒子加權融合，得到本時刻最後的狀態估計，確定當前巾貞目標位置，完成運動目標跟蹤。
[0022]步驟8、重採樣粒子
[0023]為了防止粒子退化問題，對粒子進行重採樣，刪除權值較小的粒子，複製權值較大的粒子，組成當前時刻粒子集，再返回步驟2。
[0024]由於傳統的粒子濾波目標跟蹤技術沒有利用最新觀測值，導致預測粒子無法有效地覆蓋運動目標；現有的基於顏色模型的目標跟蹤技術也沒有利用運動目標方向、速度信息，導致系統無法適應目標轉動或被幹擾、遮擋的情形。而本發明一方面通過引入當前時刻觀測值，構造建議性分布，通過建議性分布進行粒子的預測，能更好地覆蓋運動目標，提高算法的準確性。另一方面，利用前一時刻的粒子與當前時刻對應的預測粒子所形成的向量簇中包含的方向、速度的信息，能夠處理目標發生轉動，或者目標被其他物體幹擾、遮擋情況下的目標跟蹤，提高算法的魯棒性。
[0025]所以本發明具有如下的優點:能更好地覆蓋運動目標，提高了算法的準確性，且能夠處理目標發生轉動，或者目標被其他物體幹擾、遮擋情況下的目標跟蹤，提高了算法的魯棒性。
【專利附圖】
【附圖說明】
[0026]本發明的【專利附圖】
【附圖說明】如下:[0027]圖1為本發明的流程圖；
[0028]圖2為基於輔助粒子濾波理論構建建議性分布的流程圖；
[0029]圖3為基於顏色模型構建顏色模型似然函數流程圖；
[0030]圖4為基於預測向量簇構建預測向量簇模型似然函數流程圖。
【具體實施方式】
[0031]本方法發明主要內容包括:利用建議性分布來預測粒子，結合粒子的顏色模型和預測向量簇構建似然函數，加權粒子並估計目標狀態；再根據可靠性因子得出每時刻兩種信息的權值；最後重採樣，得到新的粒子集。
[0032]下面對本發明作進一步說明。
[0033]本發明方法的步驟如圖1所示，具體步驟如下:
[0034]步驟1、粒子進行初始化和賦權值
[0035]在初始圖像中手 動選擇目標的初始位置，並作為系統的初始化狀態採樣N個粒子，將每個粒子的初始權值設置為相同，即每個粒子的初始權值都是1/N，完成初始粒子的採樣；將顏色模型與預測向量簇模型的初始信息權值均設置為0.5。在初始時刻默認顏色模型與預測向量簇模型對於目標跟蹤的貢獻相同。
[0036]步驟2、粒子狀態轉移預測
[0037]應用輔助粒子濾波理論構造建議性分布流程如圖2所示，輔助粒子濾波通過引入一個輔助變量來近似後驗密度，當已有k-l時刻的粒子集時，要預測得到k時刻的粒子集，首先計算每個粒子的輔助變量
[0038]l4=E(H—_)
[0039]式中，社_^表示k-l時刻第i個粒子的狀態，Xk表示k時刻運動物體的狀態。ε 就是用k-1時刻每一個粒子的狀態分別去評估k時刻運動物體的狀態，再取期望值。《y即表示k時刻第i個粒子的輔助變量。
[0040]其次，計算每個粒子的輔助加權，公式為:4 =
[0041]式中，為k-l時刻每個粒子的權值，略表示k時刻第i個粒子的輔助變量，Zk表示k時刻運動物體狀態的觀測值。p(.)表示概率分布。
[0042]第三，在獲得預測似然大的粒子之後，並經步驟8對粒子集重新採樣，得到新的k-l時刻粒子集，表示為i/Ni;
[0043]最後，把新的k-l時刻粒子集輸入到狀態轉移方程，得到k時刻的粒子集。
[0044]步驟3、構建粒子顏色模型似然函數
[0045]為了有效的區分跟蹤目標和其他目標，必須選擇合適的視覺特徵來描述目標，顏色特徵是一個被廣泛採用的特徵，因為顏色特徵很適合描述變形目標，更重要的是它對於平面旋轉、非剛體和部分遮擋很穩定。
[0046]目標區域的顏色分布用離散化的顏色柱狀圖來表示，柱狀圖分格取為Hi=16X16X16，分別表示R、G、B每個顏色通道的等級。構建顏色模型似然函數流程圖如圖3所示:
[0047]首先計算目標區域內顏色概率，假設候選目標橢圓區域的顏色狀態變量為X，中心坐標是y = (x，y)，半長軸是1，Xi表示橢圓區域內像素點位置，那麼橢圓區域顏色概率分布P (X)公式為:
[0048]
【權利要求】
1.基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，其特徵是，包括以下步驟: 步驟1、粒子進行初始化和賦權值 在初始圖像中採用手動選取目標初始位置，並採樣N個粒子作為初始粒子集，每個粒子初始權重為1/N，將顏色模型與預測向量簇模型的初始信息權值均設置為0.5 ； 步驟2、粒子狀態轉移預測 基於粒子濾波理論，利用粒子狀態轉移和當前時刻的觀測值構造建議性分布，根據構造的建議性分布進行粒子系統的轉移與預測； 步驟3、構建粒子顏色模型似然函數 利用核函數構造目標區域內的顏色概率分布，核函數給遠離目標中心的像素分配很小的加權，再利用Bhattacharryya相似度係數衡量候選目標區域與目標模板區域的相似度程度，根據相似度係數建立顏色模型似然函數，由顏色模型似然函數計算每個粒子的顏色似然。 步驟4、構建粒子的預測向量簇模型似然函數 本時刻所有粒子和它們下一時刻預測的粒子構成一簇向量，向量包含方向與長度兩個信息，而長度除以粒子轉移的時間近似為速度；利用核函數構造預測向量簇方向模型似然函數和預測向量簇速度模型似然函數，用預測向量簇的方向和速度兩個模型似然函數構建預測向量簇模型似 函數，計算每個粒子的方向、速度似然。 步驟5、顏色模型與預測向量簇模型信息融合與粒子加權更新將顏色模型似然函數與預測向量簇模型似然函數利用信息融合的方法進行加權融合得到融合之後的似然函數，根據融合後的似然函數對粒子進行加權，似然度高的粒子分配較大的權值，似然度低的粒子分配較小的權值； 步驟6、計算可靠性因子與更新顏色模型與預測向量簇模型權值計算根據顏色模型似然函數的估計結果與融合後的似然函數的估計結果之間的歐幾裡得距離；計算根據預測向量簇模型似然函數的估計結果與融合後的似然函數之後的估計結果之間的歐幾裡得距離；分別計算顏色模型與預測向量簇模型的可靠性因子，根據可靠性因子重新分配顏色模型與預測向量簇模型的權值； 步驟7、計算當前幀最後狀態 根據當前時刻粒子狀態和每個粒子的權值，將所有粒子加權融合，得到本時刻最後的狀態估計，確定當前幀目標位置，完成運動目標跟蹤； 步驟8、重採樣粒子 粒子重採樣，刪除權值較小的粒子，複製權值較大的粒子，組成當前時刻粒子集，再返回步驟2。
2.根據權利要求1所述的基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，其特徵是，在步驟2中，構造建議性分布的步驟: 首先計算每個粒子的輔助變量
4=e (XkIXL,) 式中，XU表示k-l時刻第i個粒子的狀態，Xk表示k時刻運動物體的狀態；
3.根據權利要求1所述的基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，其特徵是 ，在步驟3中，所述的核函數構造目標區域內的顏色概率分布為:
4.根據權利要求1所述的基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，其特徵是，在步驟4中，所述的預測向量簇的方向模型似然函數為:
5.根據權利要求4所述的基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，其特徵是，在步驟4中，所述的預測向量簇的速度模型似然函數為:
6.根據權利要求5所述的基於顏色模型與預測向量簇模型信息融合的粒子濾波目標跟蹤方法，其特徵是，在步驟4中，所述的預測向量簇模型似然函數為:
【文檔編號】G06T7/20GK103985139SQ201410213268
【公開日】2014年8月13日 申請日期:2014年5月20日 優先權日:2014年5月20日
【發明者】王臻, 周建林, 申曉青 申請人:重慶大學