一種樣本自適應的免疫遺傳粒子濾波弱小目標跟蹤方法與流程
2023-05-13 01:42:11 1
本發明涉及一種弱小目標跟蹤方法，特點是樣本自適應的免疫遺傳粒子濾波弱小目標跟蹤方法，用於圖像處理、計算機視覺和目標跟蹤定位。屬於光電捕獲跟蹤系統中目標跟蹤技術領域。
背景技術：
弱小目標的跟蹤是光電捕獲跟蹤系統中的核心技術之一，其利用圖像處理算法對於複雜場景下跟蹤目標，算法的性能對光電捕獲跟蹤系統的穩健性和魯棒性十分關鍵。由於遠距離下的目標成像面積小，特別是在非平穩的起伏背景幹擾下，目標易受背景幹擾和背景雜波淹沒，缺乏有效的結構、形狀和紋理等信息，致使難以正確跟蹤目標，成為當前亟待解決的問題。
目前，常用的目標跟蹤算法有Mean Shift算法、卡爾曼濾波、粒子濾波等。Mean Shift計算量相對較小，實時性高，但對於目標較小且運動較快時，易出現跟蹤丟失。對於高斯噪聲的線性系統時，卡爾曼濾波取得較好的跟蹤效果。而對於非線性系統後來又提出了擴展卡爾曼濾波和無味卡爾曼濾波，擴展卡爾曼濾波僅適用於濾波誤差和預測誤差較小的情況下，否則會導致跟蹤不穩定甚至發散，而無味卡爾曼雖能跟好地逼近狀態方程的非線性特徵，比擴展卡爾曼濾波獲得更好的估計精度，但其不適應非高斯分布系統。針對更為複雜的非線性非高斯環境，粒子濾波具有明顯的優勢，但由於目標在成像系統上僅佔幾個像元且能量弱，同時又受系統噪聲和背景雜波幹擾，當前面臨的是一個低信噪比弱小目標跟蹤的問題，採用標準粒子濾波跟蹤此類目標往往導致粒子退化，極大降低跟蹤的準確度，同時在每次迭代中採樣固定的粒子數進行重要性採樣，存在計算量大、實時性差的問題。因此需要研究新的方法以適應跟蹤與定位的工程應用需求。
技術實現要素：
本發明要解決的技術問題為：針對現有技術的不足，提供一種樣本自適應的免疫遺傳粒子濾波弱小目標跟蹤方法，該方法在目標被雲層或地物遮擋和噪聲幹擾時，由於加入免疫遺傳優化算法，有效提高粒子的多樣性，確保了跟蹤精度，同時採用自適應重採樣算法，降低了算法的複雜度和運算量，提高了跟蹤效率。
本發明解決上述技術問題採用的技術方案為：一種樣本自適應的免疫遺傳粒子濾波弱小目標跟蹤方法，包括如下步驟：
步驟一、背景預測：採用各向異性微分算法對待處理圖像進行背景預測，並將預測的背景圖與原圖做差分處理，獲取差分圖，自動捕獲初始幀的目標，進行跟蹤初始化；
步驟二、對步驟一中捕獲的目標，在其鄰域內進行隨機採樣，獲取粒子集{xki,wki}，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，同時計算相應的粒子權值並歸一化權值，具體公式如下：
(21)計算粒子權值
wki＝wk-1ip(zk|xki) (2-1)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，wk-1i為k-1時刻第i個粒子對應的權值，wki為k時刻第i個粒子對應的權值，xki為k時刻第i個粒子的狀態，zk為k時刻隨機變量，p(zk|xki)為每個粒子的似然概率；
(22)歸一化權值
其中wki為k時刻第i個粒子對應的權值，N為粒子數。
步驟三、將步驟二中獲取的粒子權值用以估算有效粒子數，並判斷有效粒子數是否小於預設閾值，計算有效粒子數如下：
(31)估算有效粒子數
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，Threshold代表預設閾值大小，N為粒子數，Neff為有效粒子數；
步驟四、若步驟三中計算得到的有效粒子數小於預設閾值，則說明粒子集退化嚴重，需要加入免疫遺傳算法，對粒子集進行優化，保持樣本多樣性；
步驟五、若步驟三中計算得到的有效粒子數大於預設閾值，則說明當前粒子集還能有效表徵目標觀測狀態，直接進入自適應重採樣過程；
步驟六、輸出跟蹤結果，並進行下一時刻的循環，直到結束，對步驟四或步驟五獲取的粒子集{xki,wki}進行最優估計，計算k時刻目標狀態和方差，輸出跟蹤結果，其中狀態估計和方差估計採樣如下定義：
(61)狀態估計
其中xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，N為粒子數，Xk為k時刻的樣本集合，E(Xk)為k時刻樣本集合Xk對應的狀態估計均值。
(62)方差估計
其中，k為時刻數，i為粒子數(i＝1,2,3,…N)，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，N為粒子數，為k時刻樣本集合Xk對應的狀態估計均值，Pk為k時刻對應的狀態方差。
本發明與現有技術相比的有益效果在於：
(1)本發明採用各向異性的微分原理對背景進行預測，與傳統的目標跟蹤方法相比，自動捕獲跟蹤目標。
(2)本發明採用免疫遺傳算法對粒子集進行優化，與標準粒子濾波方法相比，有效地解決樣貧的問題，得到更穩健的跟蹤結果。
(3)本發明採用樣本自適應的採樣算法，與以往採用固定的粒子數進行重要性採樣粒子濾波方法相比，本發明有效地解決跟蹤計算量大、實時性差的問題。
附圖說明
圖1為本發明方法實現流程圖；
圖2為本發明對真實場景序列1的第2幀圖像跟蹤結果圖；
圖3為本發明對真實場景序列1的第60幀圖像跟蹤結果圖；
圖4為本發明對真實場景序列1的第100幀圖像跟蹤結果圖；
圖5為本發明對真實場景序列2的第2幀圖像跟蹤結果圖；
圖6為本發明對真實場景序列2的第60幀圖像跟蹤結果圖；
圖7為本發明對真實場景序列2的第100幀圖像跟蹤結果圖；
圖8為本發明對真實場景序列1採用免疫遺傳粒子優化算法與標準粒子濾波跟蹤中心坐標對比結果圖；
圖9為本發明對真實場景序列2採用免疫遺傳粒子優化算法與標準粒子濾波跟蹤中心坐標對比結果圖；
圖10為本發明採用KLD自適應採樣與標準粒子濾波選擇粒子數目對比結果圖。
具體實施方式
本發明提供一種樣本自適應的免疫遺傳粒子濾波弱小目標跟蹤方法，基本包含以下步驟：
步驟一、背景預測。採用各向異性微分算法對待處理圖像進行背景預測，並將預測的背景圖與原圖做差分處理，獲取差分圖，自動捕獲初始幀的目標，進行跟蹤初始化。
步驟二、對步驟一中捕獲的目標，在其鄰域內進行隨機採樣，獲取粒子集{xki,wki}，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，同時計算相應的粒子權值並歸一化權值，包括以下兩個步驟：
(2.1)計算粒子權值
(2.1.1)wki＝wk-1ip(zk|xki)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，wk-1i為k-1時刻第i個粒子對應的權值，wki為k時刻第i個粒子對應的權值，xki為k時刻第i個粒子的狀態，zk為k時刻隨機變量，p(zk|xki)為每個粒子的似然概率。
(2.2)歸一化權值
(2.2.1)
其中wki為k時刻第i個粒子對應的權值，N為粒子數。
步驟三、將步驟二中獲取的粒子權值用以估算有效粒子數，並判斷有效粒子數是否小於預設閾值，計算有效粒子數如下：
(3.1)估算有效粒子數
(3.1.1)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，Threshold代表預設閾值大小，N為粒子數，Neff為有效粒子數。
步驟四、若步驟三中計算得到的有效粒子數小於預設閾值，則說明粒子集退化嚴重，需要加入免疫遺傳算法，對粒子集進行優化，保持樣本多樣性。免疫遺傳粒子濾波算法包括以下六個步驟：
(4.1)定義抗原，本發明採用捕獲目標鄰域的灰度直方圖分布作為抗原，根據目標模板的中心坐標，由如下公式定義抗原。
(4.1.1)
其中py(u)為在位置y處的灰度分布py＝{py(u)}u＝1,2,…m中的一個向量，N為鄰域內像素點的個數，xi為像素點的位置，為選用的核函數Epanechnikov Kernel，b(xi-u)為xi-u處的直方圖條柱編號，δ[b(xi-u)]是Kronecker delta函數，參數Hx和Hy分別為目標鄰域的寬和高，歸一化常數保證
(4.2)初始化抗體庫，以目標鄰域中心為原點，通過高斯分布隨機採樣N個粒子，並分別計算每個粒子對應的灰度直方圖分布qy＝{qy(u)}u＝1,2,…m。
(4.3)計算抗原與抗體間的親和力，採用Bhattacharyya係數來表示目標模板灰度分布直方圖py與當前區域灰度分布直方圖qy間的親和力，那麼k時刻第i個抗原與抗體的親和力如下：
(4.3.1)
其中fitki為k時刻第i個抗原與抗體的親和力，σ是高斯分布的方差，ρ[py,qy]為目標模板灰度分布直方圖py與當前區域灰度分布直方圖qy間Bhattacharyya係數，代表抗原與抗體間的親和力。
(4.4)計算克隆抗體的數目，k時刻第i個抗體克隆數定義為：
(4.4.1)
其中numki為k時刻第i個抗體克隆數目，round為取整函數，N為粒子數，fitki為k時刻第i個抗原與抗體的親和力。
(4.5)抗體變異，k時刻第i個抗體的狀態ski變異表示為：
(4.5.1)ski＝ski+fitki×randn
其中k時刻第i個抗體的狀態ski＝{x,y,vx,vy,Hx,Hy}，x,y分別為目標區域中心坐標，vx,vy分別為橫軸坐標方向上的速度，Hx和Hy分別為目標鄰域的寬和高，fitki為k時刻第i個抗原與抗體的親和力，randn為滿足N(0,1)的隨機分布。
(4.6)優化所有的抗體，計算變異後所有抗體的親和力fitki，並對親和力由大到小進行排序，選取前N個抗體作為新的粒子集{xki,wki}，其中xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值。
通過以上六個步驟，就可獲取免疫遺傳優化後的粒子集，免疫遺傳粒子濾波充分利用克隆、變異等機制對粒子進行選擇，既將高權值的粒子保留到記憶單元中，同時利用克隆和變異促使原有的粒子集發散，更新粒子，確保粒子集的多樣性。
步驟五、若步驟三種計算得到的有效粒子數大於預設閾值，則說明當前粒子集還能有效表徵目標觀測狀態，直接進入自適應重採樣過程。
本發明採用基於KLD(Kullback Leibler Divergence)採樣原理，自適應選擇每次循環的粒子數，KLD用於表徵兩個概率分布p和q之間的逼近誤差根據概率原理，當跟蹤所需粒子數nχ滿足時，估計概率密度與真實概率密度誤差最小，記為p(K(p,q)≤ε)≈1-δ，其中xk-1,1-δ為分位數為1-δ對應k-1時刻的粒子狀態，ε為誤差界限，δ為置信度。對於跟蹤粒子數nχ，可採用Wilson-Hilferty變換法對其進行近似估計其中z1-δ為標準正態分布N(0，1)的1-δ分位數的上界，k為先驗採樣點數。自適應重採樣算法包括以下五個步驟：
(5.1)輸入k-1時刻的粒子集合{(xk-1i,wk-1i)|i＝1,2,…,Nk-1}，同時給定ε為誤差界限，δ為置信度。
(5.2)初始化參數，設n＝0，nχ＝0，k＝0，α＝0，其中Sk為k時刻預測粒子集，n為跟蹤過程的粒子數，nχ為跟蹤所需粒子數，k為先驗採樣點數，α為未歸一化採樣粒子權值和。
(5.3)進行自適應採樣循環體，進行目標跟蹤。
(5.3.1)對粒子xk-1i進行重要性採樣獲取預測粒子xki，並計算相應的權值wki。
(5.3.2)將新產生的粒子存入Sk中，Sk＝Sk∪{(xki,wki)}。
(5.3.3)當xki落入一個空的小鄰域bk內，則將bk標識為非空，同時讓先驗採樣點自加1，即k＝k+1。
(5.3.4)根據當前先驗採樣點k計算跟蹤所需粒子數，其中ε為誤差界限，k為採樣點數，z1-δ為標準正態分布N(0，1)的1-δ分位數的上界，nχ為跟蹤所需粒子數。
(5.3.5)計算累積權值α＝α+wki，其中α為累積權值之和，wki為k時刻第i個粒子對應的權值。
(5.3.6)讓粒子數n自加1，即n＝n+1，並判斷n與nχ間的大小，若n<nχ則繼續循環，否則跳出循環體。
(5.4)歸一化權值，wki＝wki/α，其中α為累積權值之和，wki為歸一化後k時刻第i個粒子對應的權值。
(5.5)輸出k時刻的粒子集合Sk＝{(xki,wki)|i＝1,2,…,Nk}，其中Nk為k時刻的粒子數，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，Sk為k時刻的粒子集合。
通過以上五個步驟，在每次重要性採樣時可自適應選擇粒子的數目，提高系統跟蹤的效率。
步驟六、輸出跟蹤結果，並進行下一時刻的循環，直到結束。對步驟四或步驟五獲取的粒子集{xki,wki}進行最優估計，計算k時刻目標狀態和方差，輸出跟蹤結果。計算狀態估計和方差估計步驟如下：
(6.1)狀態估計
(6.1.1)
其中xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，N為粒子數，Xk為k時刻的樣本集合，E(Xk)為k時刻樣本集合Xk對應的狀態估計均值。
(6.2)方差估計
(6.2.1)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，N為粒子數，為k時刻樣本集合Xk對應的狀態估計均值，Pk為k時刻對應的狀態方差。
下面結合附圖對本發明的實施例作詳細說明。本實施例在以本發明技術方案為前提下進行實施，給出了詳細實施方式和具體操作過程，但本發明的保護範圍不限於以下的實施例。
自從粒子濾波問世以來，已成為解決非線性、非高斯動態系統的參數估計和狀態濾波問題的主流方法，當前粒子濾波還有許多亟待解決的關鍵問題，如當面臨一個低信噪比弱小目標跟蹤的問題時，由於目標在成像面積小且信號弱，且易受背景雜波和強噪聲幹擾，跟蹤過程往往導致權值退化及樣本枯竭，極大降低了跟蹤精度；以及粒子濾波高效、實時實現問題，由於標準粒子濾波在每次循環中都進行重要性採樣，給系統帶來繁重的計算量，嚴重影響算法的實時性。因此，本發明針對以上問題，引入了免疫遺傳優化算法，確保跟蹤過程粒子的多樣性，有效解決了樣本缺失的問題，同時將KLD採樣原理應用到系統中，實現了粒子個數在線自適應調整，減少了計算量。
本發明基於弱小目標跟蹤的實現，輸入圖像為實際場景空天背景下的弱小目標系列圖像。
如圖1所示，本發明提供了一種樣本自適應的免疫遺傳粒子濾波弱小目標跟蹤方法，包括如下步驟：
步驟一、背景預測。採用各向異性微分算法對待處理圖像進行背景預測，並將預測的背景圖與原圖做差分處理，獲取差分圖，自動捕獲初始幀的目標，進行跟蹤初始化。各向異性背景預測包括以下三個步驟：
(1.1)定義邊緣停止函數：
(1.1.1)
其中u為灰度圖像，為梯度，k為大於0的常數，為邊緣停止函數值。
(1.2)分別求取某個像素點四個方向的邊緣停止函數值，並選擇最小的兩個作為平滑係數：
(1.2.1)
其中min1和min2分別為當前像素點四個方向的邊緣停止函數值中最小的兩個值，c(f(i,j))為中心像素點灰度值對應的邊緣停止函數值，c(f(i-step,j))為中心像素點往縱軸負向移動步長為k的灰度值對應的邊緣停止函數值，c(f(i+step,j))為中心像素點往縱軸正向移動步長為k的灰度值對應的邊緣停止函數值，c(f(i,j-step))為中心像素點往橫軸負向移動步長為k的灰度值對應的邊緣停止函數值，c(f(i,j+step))為中心像素點往橫軸正向移動步長為k的灰度值對應的邊緣停止函數值。
(1.3)根據濾波模板獲取差分圖：
(1.3.1)
其中，c(f(i-step,j))為中心像素點(i,j)往縱軸負向移動步長為k的灰度值對應的邊緣停止函數值，c(f(i+step,j))為中心像素點(i,j)往縱軸正向移動步長為k的灰度值對應的邊緣停止函數值，c(f(i,j-step))為中心像素點(i,j)往橫軸負向移動步長為k的灰度值對應的邊緣停止函數值，c(f(i,j+step))為中心像素點(i,j)往橫軸正向移動步長為k的灰度值對應的邊緣停止函數值，min1和min2分別為中心像素點(i,j)四個方向中最小的兩個邊緣停止函數值。
通過以上三步操作，就可獲取每幅圖像的差分圖，可對初始幀差分圖進行分割處理，自動捕獲待跟蹤目標。
步驟二、對步驟一中捕獲的目標，在其鄰域內進行隨機採樣，獲取粒子集{xki,wki}，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，同時計算相應的粒子權值並歸一化權值，包括以下兩個步驟：
(2.1)計算粒子權值
(2.1.1)wki＝wk-1ip(zk|xki)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，wk-1i為k-1時刻第i個粒子對應的權值，wki為k時刻第i個粒子對應的權值，xki為k時刻第i個粒子的狀態，zk為k時刻隨機變量，p(zk|xki)為每個粒子的似然概率。
(2.2)歸一化權值
(2.2.1)
其中wki為k時刻第i個粒子對應的權值，N為粒子數。
步驟三、將步驟二中獲取的粒子權值用以估算有效粒子數，並判斷有效粒子數是否小於預設閾值，計算有效粒子數如下：
(3.1)估算有效粒子數
(3.1.1)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，Threshold代表預設閾值大小，N為粒子數，Neff為有效粒子數。
步驟四、若步驟三中計算得到的有效粒子數小於預設閾值，則說明粒子集退化嚴重，需要加入免疫遺傳算法，對粒子集進行優化，保持樣本多樣性。免疫遺傳粒子濾波算法包括以下六個步驟：
(4.1)定義抗原，本發明採用捕獲目標鄰域的灰度直方圖分布作為抗原，根據目標模板的中心坐標，由如下公式定義抗原。
(4.1.1)
其中py(u)為在位置y處的灰度分布py＝{py(u)}u＝1,2,…m中的一個向量，N為鄰域內像素點的個數，xi為像素點的位置，為選用的核函數Epanechnikov Kernel，b(xi-u)為xi-u處的直方圖條柱編號，δ[b(xi-u)]是Kronecker delta函數，參數Hx和Hy分別為目標鄰域的寬和高，歸一化常數保證
(4.2)初始化抗體庫，以目標鄰域中心為原點，通過高斯分布隨機採樣N個粒子，並分別計算每個粒子對應的灰度直方圖分布qy＝{qy(u)}u＝1,2,…m。
(4.3)計算抗原與抗體間的親和力，採用Bhattacharyya係數來表示目標模板灰度分布直方圖py與當前區域灰度分布直方圖qy間的親和力，那麼k時刻第i個抗原與抗體的親和力如下：
(4.3.1)
其中fitki為k時刻第i個抗原與抗體的親和力，σ是高斯分布的方差，ρ[py,qy]為目標模板灰度分布直方圖py與當前區域灰度分布直方圖qy間Bhattacharyya係數，代表抗原與抗體間的親和力。
(4.4)計算克隆抗體的數目，k時刻第i個抗體克隆數定義為：
(4.4.1)
其中numki為k時刻第i個抗體克隆數目，round為取整函數，N為粒子數，fitki為k時刻第i個抗原與抗體的親和力。
(4.5)抗體變異，k時刻第i個抗體的狀態ski變異表示為：
(4.5.1)ski＝ski+fitki×randn
其中k時刻第i個抗體的狀態ski＝{x,y,vx,vy,Hx,Hy}，x,y分別為目標區域中心坐標，vx,vy分別為橫軸坐標方向上的速度，Hx和Hy分別為目標鄰域的寬和高，fitki為k時刻第i個抗原與抗體的親和力，randn為滿足N(0,1)的隨機分布。
(4.6)優化所有的抗體，計算變異後所有抗體的親和力fitki，並對親和力由大到小進行排序，選取前N個抗體作為新的粒子集{xki,wki}，其中xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值。
通過以上六個步驟，就可獲取免疫遺傳優化後的粒子集，免疫遺傳粒子濾波充分利用克隆、變異等機制對粒子進行選擇，既將高權值的粒子保留到記憶單元中，同時利用克隆和變異促使原有的粒子集發散，更新粒子，確保粒子集的多樣性。
步驟五、若步驟三中計算得到的有效粒子數大於預設閾值，則說明當前粒子集還能有效表徵目標觀測狀態，直接進入自適應重採樣過程。
本發明採用基於KLD採樣原理，自適應選擇每次循環的粒子數，KLD用於表徵兩個概率分布p和q之間的逼近誤差根據概率原理，當跟蹤所需粒子數nχ滿足時，估計概率密度與真實概率密度誤差最小，記為p(K(p,q)≤ε)≈1-δ，其中xk-1,1-δ為分位數為1-δ對應k-1時刻的粒子狀態，ε為誤差界限，δ為置信度。對於跟蹤粒子數nχ，可採用Wilson-Hilferty變換法對其進行近似估計其中z1-δ為標準正態分布N(0，1)的1-δ分位數的上界，k為先驗採樣點數。自適應重採樣算法包括以下五個步驟：
(5.1)輸入k-1時刻的粒子集合{(xk-1i,wk-1i)|i＝1,2,…,Nk-1}，同時給定ε為誤差界限，δ為置信度。
(5.2)初始化參數，設n＝0，nχ＝0，k＝0，α＝0，其中Sk為k時刻預測粒子集，n為跟蹤過程的粒子數，nχ為跟蹤所需粒子數，k為先驗採樣點數，α為未歸一化採樣粒子權值和。
(5.3)進行自適應採樣循環體，進行目標跟蹤。
(5.3.1)對粒子xk-1i進行重要性採樣獲取預測粒子xki，並計算相應的權值wki。
(5.3.2)將新產生的粒子存入Sk中，Sk＝Sk∪{(xki,wki)}。
(5.3.3)當xki落入一個空的小鄰域bk內，則將bk標識為非空，同時讓先驗採樣點自加1，即k＝k+1。
(5.3.4)根據當前先驗採樣點k計算跟蹤所需粒子數，其中ε為誤差界限，k為採樣點數，z1-δ為標準正態分布N(0，1)的1-δ分位數的上界，nχ為跟蹤所需粒子數。
(5.3.5)計算累積權值α＝α+wki，其中α為累積權值之和，wki為k時刻第i個粒子對應的權值。
(5.3.6)讓粒子數n自加1，即n＝n+1，並判斷n與nχ間的大小，若n<nχ則繼續循環，否則跳出循環體。
(5.4)歸一化權值，wki＝wki/α，其中α為累積權值之和，wki為歸一化後k時刻第i個粒子對應的權值。
(5.5)輸出k時刻的粒子集合Sk＝{(xki,wki)|i＝1,2,…,Nk}，其中Nk為k時刻的粒子數，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，Sk為k時刻的粒子集合。
通過以上五個步驟，在每次重要性採樣時可自適應選擇粒子的數目，提高系統跟蹤的效率。
步驟六、輸出跟蹤結果，並進行下一時刻的循環，直到結束。對步驟四或步驟五獲取的粒子集{xki,wki}進行最優估計，計算k時刻目標狀態和方差，輸出跟蹤結果。計算狀態估計和方差估計步驟如下：
(6.1)狀態估計
(6.1.1)
其中xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，N為粒子數，Xk為k時刻的樣本集合，E(Xk)為k時刻樣本集合Xk對應的狀態估計均值。
(6.2)方差估計
(6.2.1)
其中k為時刻數，i為粒子數(i＝1,2,3,…N)，xki為k時刻第i個粒子的狀態，wki為k時刻第i個粒子對應的權值，N為粒子數，為k時刻樣本集合Xk對應的狀態估計均值，Pk為k時刻對應的狀態方差。
為了驗證算法的有效性，選用2個真實場景對其進行實驗，其中截取真實場景序列1的第2幀、第60幀、第100幀得到的跟蹤結果如圖2、3、4所示。截取真實場景序列2的第2幀、第60幀、第100幀得到的跟蹤結果如圖5、6、7所示。圖中矩形框為跟蹤框，黑線為跟蹤軌跡，可以看到，當目標被背景遮擋(第60幀)和與強噪聲幹擾(第100幀)時，仍能準確地跟蹤目標。
為了定量評估本算法的性能，將本算法與標準粒子濾波(PF)進行比較分析，分別計算2個系列圖像中目標中心點位置與真實位置的絕對誤差如表1和表2所示，並畫出相應的跟蹤坐標位置，如圖8、9所示，從圖表中可看出，PF獲取的跟蹤目標中心點位置與真實位置的絕對誤差較大；而本算法跟蹤誤差保持在了較小值，即使受背景遮擋和與強噪聲幹擾仍可實現有效跟蹤。
表1系列1均方根誤差比較
表2系列2均方根誤差比較
為了驗證本算法的實時性，採用KLD採樣原理自適應的調整樣本個數，自適應調整的粒子數隨初始粒子數的變化情況，並與標準粒子濾波進行比較如圖10所示。從圖中看出，由於採用KLD採樣，系統根據初始化的粒子數自適應的調整所需的粒子數目，當初始粒子數大於150時，KLD重採樣所需粒子數處於穩定狀態，相比於標準粒子濾波計算量明顯減少，由此可知，KLD採樣的計算時間是相當穩定的，不會隨著粒子數的增多而影響算法實時性。
本發明未詳細闡述部分屬於本領域技術人員的公知技術。
本技術領域中的普通技術人員應當認識到，以上的實施例僅是用來說明本發明，而並非用作為對本發明的限定，只要在本發明的實質精神範圍內，對以上所述實施例變化,變型都將落在本發明權利要求書的範圍內。