基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開(kāi)了一種基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，它包括：步驟1、粒子進(jìn)行初始化和賦權(quán)值；步驟2、粒子狀態(tài)轉(zhuǎn)移預(yù)測(cè)；步驟3、構(gòu)建粒子顏色模型似然函數(shù)；步驟4、構(gòu)建粒子的預(yù)測(cè)向量簇模型似然函數(shù)；步驟5、顏色模型與預(yù)測(cè)向量簇模型融合與粒子加權(quán)更新；步驟6、計(jì)算可靠性因子與更新顏色模型與預(yù)測(cè)向量簇模型權(quán)值；步驟7、計(jì)算當(dāng)前幀最后狀態(tài)；步驟8、重采樣粒子。本發(fā)明的優(yōu)點(diǎn)是：能更好地覆蓋運(yùn)動(dòng)目標(biāo)，提高了算法的準(zhǔn)確性，且能夠處理目標(biāo)發(fā)生轉(zhuǎn)動(dòng)，或者目標(biāo)被其他物體干擾、遮擋情況下的目標(biāo)跟蹤，提高了算法的魯棒性。
【專利說(shuō)明】基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于涉及圖像處理領(lǐng)域，具體涉及一種視頻目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002]視頻目標(biāo)跟蹤是指在視頻序列中找到人們感興趣的物體并實(shí)時(shí)的跟蹤其運(yùn)動(dòng)狀態(tài)。為了找到這一運(yùn)動(dòng)物體，現(xiàn)有很多方法，例如基于特征的方法，特征包括顏色，形狀，亮度等等。實(shí)現(xiàn)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(diǎn)。
[0003]粒子濾波的思想基于蒙特卡洛方法，它是利用粒子集來(lái)表示概率，可以用在任何形式的狀態(tài)空間模型上。其核心思想是通過(guò)從后驗(yàn)概率中抽取的隨機(jī)狀態(tài)粒子來(lái)表達(dá)其分布，是一種順序重要性采樣法。簡(jiǎn)單來(lái)說(shuō)，粒子濾波法是指通過(guò)尋找一組在狀態(tài)空間傳播的隨機(jī)樣本對(duì)概率密度函數(shù)進(jìn)行近似，以樣本均值代替積分運(yùn)算，從而獲得狀態(tài)最小方差分布的過(guò)程。這里的樣本即指粒子，當(dāng)樣本數(shù)量N—〉c?時(shí)可以逼近任何形式的概率密度分布。由于非參數(shù)化的特點(diǎn)，它擺脫了解決非線性濾波問(wèn)題時(shí)隨機(jī)量必須滿足高斯分布的制約，能表達(dá)比高斯模型更廣泛的分布，也對(duì)變量參數(shù)的非線性特性有更強(qiáng)的建模能力。因此，粒子濾波能夠比較精確地表達(dá)基于觀測(cè)量和控制量的后驗(yàn)概率分布。
[0004]然而傳統(tǒng)粒子濾波或基于顏色模型的粒子濾波的魯棒性較差，在背景顏色沒(méi)有干擾，或沒(méi)有其他運(yùn)動(dòng)物體遮擋的時(shí)候，尚能發(fā)揮良好的跟蹤效果。但是當(dāng)環(huán)境較為復(fù)雜，或是物體本身發(fā)生變化的時(shí)候，往往容易丟失目標(biāo)。
[0005]由此可見(jiàn)，現(xiàn)有技術(shù)在復(fù)雜環(huán)境或物體本身發(fā)生變化的時(shí)候，對(duì)物體跟蹤的誤差大，造成算法魯棒性差。

【發(fā)明內(nèi)容】

[0006]為了彌補(bǔ)現(xiàn)有方法中狀態(tài)轉(zhuǎn)移的粒子沒(méi)有很好地覆蓋運(yùn)動(dòng)目標(biāo)，以及無(wú)法處理當(dāng)目標(biāo)發(fā)生轉(zhuǎn)動(dòng)或被其他物體干擾、遮擋的情況，本發(fā)明所要解決的技術(shù)問(wèn)題就是提供一種基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，提高目標(biāo)跟蹤的魯棒性。
[0007]本發(fā)明所要解決的技術(shù)問(wèn)題是通過(guò)這樣的技術(shù)方案實(shí)現(xiàn)的，它包括有以下步驟:
[0008]步驟1、粒子進(jìn)行初始化和賦權(quán)值
[0009]在初始圖像中采用手動(dòng)選取目標(biāo)初始位置，并采樣N個(gè)粒子作為初始粒子集，每個(gè)粒子初始權(quán)重為1/N，將顏色模型與預(yù)測(cè)向量簇模型的初始信息權(quán)值均設(shè)置為0.5。
[0010]步驟2、粒子狀態(tài)轉(zhuǎn) 移預(yù)測(cè)
[0011]基于粒子濾波理論，利用粒子狀態(tài)轉(zhuǎn)移和當(dāng)前時(shí)刻的觀測(cè)值構(gòu)造建議性分布，根據(jù)構(gòu)造的建議性分布進(jìn)行粒子系統(tǒng)的轉(zhuǎn)移與預(yù)測(cè)。由此使當(dāng)前時(shí)刻的粒子分布更加接近真實(shí)目標(biāo)。[0012]步驟3、構(gòu)建粒子顏色模型似然函數(shù)
[0013]利用核函數(shù)構(gòu)造目標(biāo)區(qū)域內(nèi)的顏色概率分布，核函數(shù)給遠(yuǎn)離目標(biāo)中心的像素分配很小的加權(quán)，再利用Bhattacharryya相似度系數(shù)衡量候選目標(biāo)區(qū)域與目標(biāo)模板區(qū)域的相似度程度，根據(jù)相似度系數(shù)建立顏色模型似然函數(shù)，由顏色模型似然函數(shù)計(jì)算每個(gè)粒子的顏色似然。
[0014]步驟4、構(gòu)建粒子的預(yù)測(cè)向量簇模型似然函數(shù)
[0015]本時(shí)刻所有粒子和它們下一時(shí)刻預(yù)測(cè)的粒子構(gòu)成一簇向量，向量包含方向與長(zhǎng)度兩個(gè)信息，而長(zhǎng)度除以粒子轉(zhuǎn)移的時(shí)間近似為速度；利用核函數(shù)構(gòu)造預(yù)測(cè)向量簇的方向模型似然函數(shù)和預(yù)測(cè)向量簇的速度模型似然函數(shù)，用預(yù)測(cè)向量簇的方向和速度兩個(gè)模型似然函數(shù)構(gòu)建預(yù)測(cè)向量簇模型似然函數(shù)，之后根據(jù)預(yù)測(cè)向量簇模型似然函數(shù)計(jì)算每個(gè)粒子的似然。
[0016]步驟5、顏色模型與預(yù)測(cè)向量簇模型信息融合與粒子加權(quán)更新
[0017]將顏色模型似然函數(shù)與預(yù)測(cè)向量簇模型似然函數(shù)利用信息融合的方法進(jìn)行加權(quán)融合得到融合之后的似然函數(shù)，根據(jù)融合后的似然函數(shù)對(duì)粒子進(jìn)行加權(quán)，似然度高的粒子分配較大的權(quán)值，似然度低的粒子分配較小的權(quán)值。
[0018]步驟6、計(jì)算可靠性因子與更新顏色模型與預(yù)測(cè)向量簇模型權(quán)值
[0019]計(jì)算根據(jù)顏色模型似然函數(shù)的估計(jì)結(jié)果與融合后的似然函數(shù)的估計(jì)結(jié)果之間的歐幾里得距離；計(jì)算根據(jù)預(yù)測(cè)向量簇模型似然函數(shù)的估計(jì)結(jié)果與融合后的似然函數(shù)之后的估計(jì)結(jié)果之間的歐幾里得距離；分別計(jì)算顏色模型與預(yù)測(cè)向量簇模型的可靠性因子，根據(jù)可靠性因子重新分配顏色模型與預(yù)測(cè)向量簇模型的權(quán)值。
[0020]步驟7、計(jì)算當(dāng)前幀最后狀態(tài)
[0021]根據(jù)當(dāng)前時(shí)刻粒子狀態(tài)和每個(gè)粒子的權(quán)值，將所有粒子加權(quán)融合，得到本時(shí)刻最后的狀態(tài)估計(jì)，確定當(dāng)前巾貞目標(biāo)位置，完成運(yùn)動(dòng)目標(biāo)跟蹤。
[0022]步驟8、重采樣粒子
[0023]為了防止粒子退化問(wèn)題，對(duì)粒子進(jìn)行重采樣，刪除權(quán)值較小的粒子，復(fù)制權(quán)值較大的粒子，組成當(dāng)前時(shí)刻粒子集，再返回步驟2。
[0024]由于傳統(tǒng)的粒子濾波目標(biāo)跟蹤技術(shù)沒(méi)有利用最新觀測(cè)值，導(dǎo)致預(yù)測(cè)粒子無(wú)法有效地覆蓋運(yùn)動(dòng)目標(biāo)；現(xiàn)有的基于顏色模型的目標(biāo)跟蹤技術(shù)也沒(méi)有利用運(yùn)動(dòng)目標(biāo)方向、速度信息，導(dǎo)致系統(tǒng)無(wú)法適應(yīng)目標(biāo)轉(zhuǎn)動(dòng)或被干擾、遮擋的情形。而本發(fā)明一方面通過(guò)引入當(dāng)前時(shí)刻觀測(cè)值，構(gòu)造建議性分布，通過(guò)建議性分布進(jìn)行粒子的預(yù)測(cè)，能更好地覆蓋運(yùn)動(dòng)目標(biāo)，提高算法的準(zhǔn)確性。另一方面，利用前一時(shí)刻的粒子與當(dāng)前時(shí)刻對(duì)應(yīng)的預(yù)測(cè)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(biāo)發(fā)生轉(zhuǎn)動(dòng)，或者目標(biāo)被其他物體干擾、遮擋情況下的目標(biāo)跟蹤，提高算法的魯棒性。
[0025]所以本發(fā)明具有如下的優(yōu)點(diǎn):能更好地覆蓋運(yùn)動(dòng)目標(biāo)，提高了算法的準(zhǔn)確性，且能夠處理目標(biāo)發(fā)生轉(zhuǎn)動(dòng)，或者目標(biāo)被其他物體干擾、遮擋情況下的目標(biāo)跟蹤，提高了算法的魯棒性。
【專利附圖】

【附圖說(shuō)明】
[0026]本發(fā)明的【專利附圖】

【附圖說(shuō)明】如下:[0027]圖1為本發(fā)明的流程圖；
[0028]圖2為基于輔助粒子濾波理論構(gòu)建建議性分布的流程圖；
[0029]圖3為基于顏色模型構(gòu)建顏色模型似然函數(shù)流程圖；
[0030]圖4為基于預(yù)測(cè)向量簇構(gòu)建預(yù)測(cè)向量簇模型似然函數(shù)流程圖。
【具體實(shí)施方式】
[0031]本方法發(fā)明主要內(nèi)容包括:利用建議性分布來(lái)預(yù)測(cè)粒子，結(jié)合粒子的顏色模型和預(yù)測(cè)向量簇構(gòu)建似然函數(shù)，加權(quán)粒子并估計(jì)目標(biāo)狀態(tài)；再根據(jù)可靠性因子得出每時(shí)刻兩種信息的權(quán)值；最后重采樣，得到新的粒子集。
[0032]下面對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0033]本發(fā)明方法的步驟如圖1所示，具體步驟如下:
[0034]步驟1、粒子進(jìn)行初始化和賦權(quán)值
[0035]在初始圖像中手 動(dòng)選擇目標(biāo)的初始位置，并作為系統(tǒng)的初始化狀態(tài)采樣N個(gè)粒子，將每個(gè)粒子的初始權(quán)值設(shè)置為相同，即每個(gè)粒子的初始權(quán)值都是1/N，完成初始粒子的采樣；將顏色模型與預(yù)測(cè)向量簇模型的初始信息權(quán)值均設(shè)置為0.5。在初始時(shí)刻默認(rèn)顏色模型與預(yù)測(cè)向量簇模型對(duì)于目標(biāo)跟蹤的貢獻(xiàn)相同。
[0036]步驟2、粒子狀態(tài)轉(zhuǎn)移預(yù)測(cè)
[0037]應(yīng)用輔助粒子濾波理論構(gòu)造建議性分布流程如圖2所示，輔助粒子濾波通過(guò)引入一個(gè)輔助變量來(lái)近似后驗(yàn)密度，當(dāng)已有k-l時(shí)刻的粒子集時(shí)，要預(yù)測(cè)得到k時(shí)刻的粒子集，首先計(jì)算每個(gè)粒子的輔助變量
[0038]l4=E(H—_)
[0039]式中，社_^表示k-l時(shí)刻第i個(gè)粒子的狀態(tài)，Xk表示k時(shí)刻運(yùn)動(dòng)物體的狀態(tài)。ε 就是用k-1時(shí)刻每一個(gè)粒子的狀態(tài)分別去評(píng)估k時(shí)刻運(yùn)動(dòng)物體的狀態(tài)，再取期望值?！秠即表示k時(shí)刻第i個(gè)粒子的輔助變量。
[0040]其次，計(jì)算每個(gè)粒子的輔助加權(quán)，公式為:4 =
[0041]式中，為k-l時(shí)刻每個(gè)粒子的權(quán)值，略表示k時(shí)刻第i個(gè)粒子的輔助變量，Zk表示k時(shí)刻運(yùn)動(dòng)物體狀態(tài)的觀測(cè)值。p(.)表示概率分布。
[0042]第三，在獲得預(yù)測(cè)似然大的粒子之后，并經(jīng)步驟8對(duì)粒子集重新采樣，得到新的k-l時(shí)刻粒子集，表示為i/Ni;
[0043]最后，把新的k-l時(shí)刻粒子集輸入到狀態(tài)轉(zhuǎn)移方程，得到k時(shí)刻的粒子集。
[0044]步驟3、構(gòu)建粒子顏色模型似然函數(shù)
[0045]為了有效的區(qū)分跟蹤目標(biāo)和其他目標(biāo)，必須選擇合適的視覺(jué)特征來(lái)描述目標(biāo)，顏色特征是一個(gè)被廣泛采用的特征，因?yàn)轭伾卣骱苓m合描述變形目標(biāo)，更重要的是它對(duì)于平面旋轉(zhuǎn)、非剛體和部分遮擋很穩(wěn)定。
[0046]目標(biāo)區(qū)域的顏色分布用離散化的顏色柱狀圖來(lái)表示，柱狀圖分格取為Hi=16X16X16，分別表示R、G、B每個(gè)顏色通道的等級(jí)。構(gòu)建顏色模型似然函數(shù)流程圖如圖3所示:
[0047]首先計(jì)算目標(biāo)區(qū)域內(nèi)顏色概率，假設(shè)候選目標(biāo)橢圓區(qū)域的顏色狀態(tài)變量為X，中心坐標(biāo)是y = (x，y)，半長(zhǎng)軸是1，Xi表示橢圓區(qū)域內(nèi)像素點(diǎn)位置，那么橢圓區(qū)域顏色概率分布P (X)公式為:
[0048]
【權(quán)利要求】
1.基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，其特征是，包括以下步驟: 步驟1、粒子進(jìn)行初始化和賦權(quán)值 在初始圖像中采用手動(dòng)選取目標(biāo)初始位置，并采樣N個(gè)粒子作為初始粒子集，每個(gè)粒子初始權(quán)重為1/N，將顏色模型與預(yù)測(cè)向量簇模型的初始信息權(quán)值均設(shè)置為0.5 ； 步驟2、粒子狀態(tài)轉(zhuǎn)移預(yù)測(cè) 基于粒子濾波理論，利用粒子狀態(tài)轉(zhuǎn)移和當(dāng)前時(shí)刻的觀測(cè)值構(gòu)造建議性分布，根據(jù)構(gòu)造的建議性分布進(jìn)行粒子系統(tǒng)的轉(zhuǎn)移與預(yù)測(cè)； 步驟3、構(gòu)建粒子顏色模型似然函數(shù) 利用核函數(shù)構(gòu)造目標(biāo)區(qū)域內(nèi)的顏色概率分布，核函數(shù)給遠(yuǎn)離目標(biāo)中心的像素分配很小的加權(quán)，再利用Bhattacharryya相似度系數(shù)衡量候選目標(biāo)區(qū)域與目標(biāo)模板區(qū)域的相似度程度，根據(jù)相似度系數(shù)建立顏色模型似然函數(shù)，由顏色模型似然函數(shù)計(jì)算每個(gè)粒子的顏色似然。 步驟4、構(gòu)建粒子的預(yù)測(cè)向量簇模型似然函數(shù) 本時(shí)刻所有粒子和它們下一時(shí)刻預(yù)測(cè)的粒子構(gòu)成一簇向量，向量包含方向與長(zhǎng)度兩個(gè)信息，而長(zhǎng)度除以粒子轉(zhuǎn)移的時(shí)間近似為速度；利用核函數(shù)構(gòu)造預(yù)測(cè)向量簇方向模型似然函數(shù)和預(yù)測(cè)向量簇速度模型似然函數(shù)，用預(yù)測(cè)向量簇的方向和速度兩個(gè)模型似然函數(shù)構(gòu)建預(yù)測(cè)向量簇模型似 函數(shù)，計(jì)算每個(gè)粒子的方向、速度似然。 步驟5、顏色模型與預(yù)測(cè)向量簇模型信息融合與粒子加權(quán)更新將顏色模型似然函數(shù)與預(yù)測(cè)向量簇模型似然函數(shù)利用信息融合的方法進(jìn)行加權(quán)融合得到融合之后的似然函數(shù)，根據(jù)融合后的似然函數(shù)對(duì)粒子進(jìn)行加權(quán)，似然度高的粒子分配較大的權(quán)值，似然度低的粒子分配較小的權(quán)值； 步驟6、計(jì)算可靠性因子與更新顏色模型與預(yù)測(cè)向量簇模型權(quán)值計(jì)算根據(jù)顏色模型似然函數(shù)的估計(jì)結(jié)果與融合后的似然函數(shù)的估計(jì)結(jié)果之間的歐幾里得距離；計(jì)算根據(jù)預(yù)測(cè)向量簇模型似然函數(shù)的估計(jì)結(jié)果與融合后的似然函數(shù)之后的估計(jì)結(jié)果之間的歐幾里得距離；分別計(jì)算顏色模型與預(yù)測(cè)向量簇模型的可靠性因子，根據(jù)可靠性因子重新分配顏色模型與預(yù)測(cè)向量簇模型的權(quán)值； 步驟7、計(jì)算當(dāng)前幀最后狀態(tài) 根據(jù)當(dāng)前時(shí)刻粒子狀態(tài)和每個(gè)粒子的權(quán)值，將所有粒子加權(quán)融合，得到本時(shí)刻最后的狀態(tài)估計(jì)，確定當(dāng)前幀目標(biāo)位置，完成運(yùn)動(dòng)目標(biāo)跟蹤； 步驟8、重采樣粒子 粒子重采樣，刪除權(quán)值較小的粒子，復(fù)制權(quán)值較大的粒子，組成當(dāng)前時(shí)刻粒子集，再返回步驟2。
2.根據(jù)權(quán)利要求1所述的基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，其特征是，在步驟2中，構(gòu)造建議性分布的步驟: 首先計(jì)算每個(gè)粒子的輔助變量
4=e (XkIXL,) 式中，XU表示k-l時(shí)刻第i個(gè)粒子的狀態(tài)，Xk表示k時(shí)刻運(yùn)動(dòng)物體的狀態(tài)；
3.根據(jù)權(quán)利要求1所述的基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，其特征是 ，在步驟3中，所述的核函數(shù)構(gòu)造目標(biāo)區(qū)域內(nèi)的顏色概率分布為:

4.根據(jù)權(quán)利要求1所述的基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，其特征是，在步驟4中，所述的預(yù)測(cè)向量簇的方向模型似然函數(shù)為:
5.根據(jù)權(quán)利要求4所述的基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，其特征是，在步驟4中，所述的預(yù)測(cè)向量簇的速度模型似然函數(shù)為:
6.根據(jù)權(quán)利要求5所述的基于顏色模型與預(yù)測(cè)向量簇模型信息融合的粒子濾波目標(biāo)跟蹤方法，其特征是，在步驟4中，所述的預(yù)測(cè)向量簇模型似然函數(shù)為:
【文檔編號(hào)】G06T7/20GK103985139SQ201410213268
【公開(kāi)日】2014年8月13日 申請(qǐng)日期:2014年5月20日 優(yōu)先權(quán)日:2014年5月20日
【發(fā)明者】王臻, 周建林, 申曉青 申請(qǐng)人:重慶大學(xué)