一種聯(lián)合多特征的層次粒子濾波跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及基于彩色圖像的目標(biāo)跟蹤系統(tǒng)，屬于計(jì)算機(jī)視覺領(lǐng)域，具體設(shè)及一種 基于聯(lián)合多特征的層次粒子濾波跟蹤算法。
【背景技術(shù)】
[0002] 由于粒子濾波算法是基于貝葉斯框架的概率估計(jì)方法，非常適合于描述目標(biāo)跟蹤 運(yùn)一不確定性問題，而且其在處理非線性、非高斯、多模態(tài)的系統(tǒng)時(shí)具有獨(dú)特的優(yōu)勢(shì)，粒子 濾波算法己成為目標(biāo)跟蹤領(lǐng)域主要的理論框架之一，并得到成功應(yīng)用。但是目標(biāo)在運(yùn)動(dòng)中 可能會(huì)被非目標(biāo)的物體部分遮擋或全部遮擋，或者被跟蹤的多個(gè)目標(biāo)互相遮擋。遮擋往往 會(huì)造成目標(biāo)的誤跟蹤或跟蹤丟失，遮擋問題是目標(biāo)跟蹤算法必須解決的問題。盡管粒子濾 波算法本身具有一定的魯棒性，但是在目標(biāo)被嚴(yán)重遮擋或者被具有相似外觀的物體遮擋的 情況下，隨機(jī)粒子的分布不能很好地近似目標(biāo)狀態(tài)。另外，在實(shí)際的目標(biāo)跟蹤系統(tǒng)應(yīng)用中， 背景往往比較復(fù)雜，環(huán)境中存在著具有與目標(biāo)外觀相近的物體，自然光線或燈光的亮度也 會(huì)不斷變化，運(yùn)些因素均對(duì)系統(tǒng)的跟蹤精度產(chǎn)生一定的影響，常常會(huì)導(dǎo)致跟蹤效果不佳。
[0003] 針對(duì)實(shí)際應(yīng)用中往往存在目標(biāo)被遮擋的情況，前人做了許多工作，如對(duì)遮擋前的 目標(biāo)訓(xùn)練分類器，遮擋發(fā)生后通過分類器識(shí)別目標(biāo)，但是運(yùn)種方法當(dāng)兩個(gè)物體外觀相近時(shí) 仍不能很好的解決問題?；蛘咄ㄟ^采用JPDAF(Joint Prob油ilistic Data Associative Filter)的方法處理遮擋，但運(yùn)種方法計(jì)算復(fù)雜。最典型的方法是Snake主動(dòng)輪廓模型，運(yùn) 種方法可W給出目標(biāo)精確的輪廓，但模型依賴于圖像中的細(xì)微變化，存在輪廓初始化、對(duì)圖 像噪聲非常敏感、不能解決快速運(yùn)動(dòng)的目標(biāo)跟蹤等問題。而針對(duì)復(fù)雜背景干擾、光照變化產(chǎn) 生的不利影響，為了保證復(fù)雜背景下粒子濾波的跟蹤精度，目前的研究主要集中在兩個(gè)方 面：一是優(yōu)化粒子采樣方法，使粒子更好地近似目標(biāo)的后驗(yàn)概率分布；二是建立魯棒的特 征模型，使目標(biāo)特征模型具有高分辨能力。然而在運(yùn)些方法中，目標(biāo)狀態(tài)的估計(jì)往往依賴于 濾波器模型，很容易受到復(fù)雜環(huán)境干擾的影響；目標(biāo)顯著特征的提取和模型的建立也較為 復(fù)雜，在實(shí)際應(yīng)用中具有一定的局限性。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明提供了一種聯(lián)合多特征的層次粒子濾波跟蹤方法，能夠有效地 充分利用不同目標(biāo)特征信息，有效地去除誤匹配。
[0005] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案包括如下步驟：
[000引步驟1、獲取目標(biāo)的連續(xù)帖圖像，并在第1帖圖像上選定目標(biāo)區(qū)域，設(shè)粒子表 征目標(biāo)在圖像中的位置，并設(shè)定粒子濾波中的粒子數(shù)目Ν，獲得初始時(shí)刻0時(shí)刻的粒子集 ^刀始化該粒子集中粒子狀態(tài)分布為隨機(jī)高斯分布；i為粒子編號(hào)。
[0007]從第2帖開始的第k帖圖像中，其對(duì)應(yīng)時(shí)刻為k。
[000引步驟2、W第k-1帖圖像中的目標(biāo)區(qū)域的中屯、點(diǎn)作為第k帖的捜索區(qū)域的中屯、點(diǎn)， 在捜索區(qū)域中進(jìn)行角點(diǎn)檢測(cè)，獲得角點(diǎn)；然后根據(jù)第k-1帖中對(duì)應(yīng)的目標(biāo)位置，建立目標(biāo)的 顏色和紋理特征的聯(lián)合直方圖。
[0009] 步驟3、根據(jù)預(yù)先設(shè)定的粒子運(yùn)動(dòng)模|心1^將k-1時(shí)刻的粒子i通過傳遞函 數(shù)佑_,，為_1迄傳遞到下一時(shí)刻，得到k時(shí)刻的粒子集戊說:，其中淹，為k-1時(shí)刻粒子權(quán)值， 其中初始權(quán)值數(shù)值設(shè)為1/N。
[0010] 步驟4、提取獲得第k帖圖像中的角點(diǎn)，對(duì)第k帖圖像與第k-1帖圖像進(jìn)行特征點(diǎn) 匹配，獲得目標(biāo)角點(diǎn)特征信息，確定k時(shí)刻粒子的一階權(quán)值4.1 . 'G
[0011] 步驟5、根據(jù)目標(biāo)的顏色和紋理特征的聯(lián)合直方圖建立目標(biāo)顏色和紋理特征聯(lián)合 似然函數(shù)，利用一階權(quán)值與聯(lián)合似然函數(shù)相乘獲得二階權(quán)值將二階權(quán)值進(jìn)行權(quán)值歸 一化，作為k時(shí)刻粒子權(quán)值巧:。
[0012] 步驟6、根據(jù)k時(shí)刻粒子權(quán)值W及其粒子集(4培，獲取k時(shí)刻目標(biāo)狀態(tài)估計(jì)值
作為k時(shí)刻的目標(biāo)區(qū)域。
[0013] 步驟7、判斷粒子濾波是否結(jié)束，若是則完成粒子濾波，并退出本流程，否則，判斷 捜索區(qū)域中的粒子數(shù)目Neff是否小于Nth，若是，則將k時(shí)刻的粒子權(quán)值誠恢復(fù)為初始權(quán)值， 否則維持k時(shí)刻的粒子權(quán)值4不變；其中Nth為預(yù)先設(shè)定的闊值；令k自加1，返回步驟2。
[0014] 進(jìn)一步地，步驟4中一階權(quán)值的具體步驟為：
[0015] 在對(duì)第k帖圖像進(jìn)行角點(diǎn)提取，并與第k-1帖圖像進(jìn)行特征點(diǎn)匹配，W確定匹配區(qū) 域，其中匹配區(qū)域小于捜索區(qū)域且大于目標(biāo)區(qū)域，將分布在匹配區(qū)域外的粒子的一階權(quán)值 置零，將分布在匹配區(qū)域內(nèi)的粒子保持k-1時(shí)刻權(quán)值作為D
[0016] 進(jìn)一步地，步驟2中根據(jù)目標(biāo)初始坐標(biāo)，建立目標(biāo)的顏色和紋理特征的聯(lián)合直方 圖時(shí)，利用LBP算子建立目標(biāo)的紋理特征描述，針對(duì)目標(biāo)區(qū)域中每個(gè)粒子計(jì)算LBP算子 L區(qū)Ρ"ι'\
[0017]
[0018] 其中g(shù)。是當(dāng)前粒子的局部鄰域中屯、像素點(diǎn)的灰度值，gρ(ρ= 0, 1，…，P-1)在半徑為R的圓形對(duì)稱區(qū)域內(nèi)R個(gè)相等空間像素灰度值，R> 0,P為采樣點(diǎn)個(gè)數(shù)，S為符號(hào)函數(shù)
U表示均勻性的度量，
y
[0019] 由此得到一個(gè)量化為8bin的紋理直方圖模型；
[0020] 而根據(jù)目標(biāo)的顏色信息，R、G、BΞ通道的顏色特征可W被量化為8X8X8bin的顏 色直方圖；
[0021] 聯(lián)合目標(biāo)的顏色和紋理特征，建立一個(gè)8X8X8X8的聯(lián)合直方圖來描述目標(biāo)特 征。
[0022] 進(jìn)一步地，步驟5中，采用步驟2中建立據(jù)目標(biāo)的顏色和紋理特征的聯(lián)合直方 圖的方式，分別建立目標(biāo)區(qū)域模型和捜索區(qū)域模型，然后計(jì)算目標(biāo)區(qū)域模型和捜索區(qū)域 模型之間的己氏化attacharyya距離d，從而建立目標(biāo)顏色和紋理特征聯(lián)合似然函數(shù)
Zk表示目標(biāo)觀測(cè)向量，σ為正態(tài)分布的尺度參數(shù)，具體為 目標(biāo)區(qū)域中粒子的標(biāo)準(zhǔn)差。
[0023] 進(jìn)一步地，二階權(quán)值為蛛3 。
[0024] 有益效果：
[00巧]本發(fā)明采用了不同方法提取了目標(biāo)的顏色、紋理、角點(diǎn)特征，運(yùn)些特征易于提取且 可W從不同側(cè)面描述目標(biāo)的外觀模型。本發(fā)明在層次粒子濾波算法框架下，根據(jù)目標(biāo)的角 點(diǎn)特征確定粒子的一階權(quán)值，依據(jù)目標(biāo)的顏色和紋理特征計(jì)算粒子的二階權(quán)值，從而能夠 有效地充分利用不同目標(biāo)特征信息，有效地去除誤匹配，實(shí)現(xiàn)由"粗"到"精"的目標(biāo)跟蹤過 程。能夠在存在相似背景或物體干擾、光線變化及部分遮擋等較復(fù)雜環(huán)境中，實(shí)現(xiàn)對(duì)目標(biāo)準(zhǔn) 確穩(wěn)定的跟蹤，算法具有良好的魯棒性，提高了動(dòng)態(tài)環(huán)境中目標(biāo)跟蹤的可靠性。
【附圖說明】
[0026] 圖1為標(biāo)準(zhǔn)的LBP算子區(qū)域示意圖。
[0027] 圖2為心算子的9種均勻模式示意圖。
[0028] 圖3為采用基于顏色特征的粒子濾波跟蹤算法跟蹤結(jié)果。
[0029] 圖4為基于角點(diǎn)特征的目標(biāo)匹配及粒子分布。
[0030] 圖5為目標(biāo)LBP紋理特征圖像。
[0031] 圖6為跟蹤飛行器時(shí)基于本發(fā)明算法的目標(biāo)跟蹤中的化attacharyya系數(shù)變化。
[0032] 圖7為采用本發(fā)明算法對(duì)飛行器的跟蹤結(jié)果。
[0033] 圖8為采用本發(fā)明算法對(duì)坦克模型的跟蹤結(jié)果。
[0034] 圖9為基于本發(fā)明算法的目標(biāo)跟蹤中的角點(diǎn)匹配率變化。
[0035] 圖10為跟蹤坦克模型時(shí)基于本發(fā)明算法的目標(biāo)跟蹤中的化attacharyya系數(shù)變 化；
[0036]圖11為本方法流程圖。
【具體實(shí)施方式】
[0037] 下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
[0038] 實(shí)施例1、本實(shí)施例中的聯(lián)