本發明涉及圖像處理技術領域，特別是一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法。
背景技術：
粒子群優化算法(pso)是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。pso同遺傳算法類似，是一種基于迭代的優化算法。系統初始化為一組隨機解，通過迭代搜尋最優值。但是它沒有遺傳算法用的交叉以及變異，而是粒子在解空間追隨最優的粒子進行搜索。同遺傳算法比較，pso的優勢在于簡單容易實現并且沒有許多參數需要調整。目前已廣泛應用于函數優化，神經網絡訓練，模糊系統控制以及其他遺傳算法的應用領域。
然而，傳統的粒子群算法只能解決單目標定位問題，而不能解決多目標定位問題。
技術實現要素：
本發明所要解決的技術問題是克服現有技術的不足而提供一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法，利用圖斑探測結合粒子群優化算法，將粒子群分割成相應數量的子群來達到多目標定位的目的。
本發明為解決上述技術問題采用以下技術方案：
根據本發明提出的一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法，包括如下步驟：
步驟1、用戶輸入視頻，按相同時間間隔均勻抽取視頻中的f幀圖像，按行訪問每一幀圖像的每個像素點，記錄每個像素點的三個通道的色彩強度值，計算每個像素點的灰度化值，使每一幀圖像轉化為一個二維矩陣，將第i幀圖像記為ii，i∈{1,2,…,f}；
步驟2、依次將每幀圖像分割為圖斑像素點和背景像素點，得到圖斑的數量b及其幾何特征；所述圖斑像素點為運動目標所在像素點，背景像素點為非運動目標所在像素點；具體如下：
步驟2.1、將第一幀圖像作為背景圖像b0(x,y)，設置閾值t；
步驟2.2、依次將i的取值從1到f-1，采用公式
步驟2.3、將bf-1(x,y)視為背景圖像b(x,y)；
步驟2.4、依次將i取值1到f-1，采用公式
步驟3、設置初始化迭代次數k為1；
步驟4、探測第k幀輸入圖像ik，進行粒子的初始化：在每個圖斑的外接矩形內隨機生成均勻粒子，第m個圖斑的外接矩形內的粒子數為pop(m)，pop(m)＝min((axis(m)/axismin)*popmin,popmax)，其中，axis(m)是圖斑的外接矩形的長，axismin是所有圖斑的外接矩形的長邊中的最小長邊，popmin和popmax是允許范圍內每個粒子群最少和最多的粒子數，粒子總數
步驟5、運用粒子群優化算法，進行m次迭代；具體如下：
步驟5.1、初始化迭代次數t為1；
步驟5.2、計算粒子的適應度
步驟5.3、依次將j的取值從1到q，更新每個粒子的局部最佳解決方案：當t＝1時，第t次迭代的局部最佳方案
更新第t次迭代的整體最佳方案：t＝1時，gbest(t)＝pt，其中，p1為初始化時全體粒子的位置矩陣；當t＞1時，第t次迭代的整體最佳方案為
步驟5.4、通過計算
步驟5.5、當迭代次數t沒有達到預設的最大迭代次數m，t＝t+1，回到步驟5.3；若t＝m，則執行步驟5.6；
步驟5.6、保存第k幀輸入圖像ik中每個粒子的位置pm和速度vm，并保存第k幀輸入圖像ik中每個粒子所在圖斑的外接矩形的四個頂點坐標值；
步驟5.7、當k＜f時，k自增1，回到步驟4，否則結束探測。
作為本發明所述的一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法進一步優化方案，r1和r2是由隨機值1或0組成的q×4矩陣。
作為本發明所述的一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法進一步優化方案，
作為本發明所述的一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法進一步優化方案，
作為本發明所述的一種基于粒子群優化算法的視頻多運動目標跟蹤定位方法進一步優化方案，在q×4矩陣中，每一行對應每一個粒子，每一列對應一個粒子的每個維度。
本發明采用以上技術方案與現有技術相比，具有以下技術效果：
(1)本發明所述的基于粒子群優化算法的多運動目標定位方法，解決了傳統的粒子群優化算法不能定位部分運動目標的問題。本發明提出的粒子群優化算法過重復擦除已檢測到的對象的過程，實現了定位部分被遮擋目標、解決了多個對象的膠著問題；
(2)本發明采用基于圖斑特征引導的粒子群探測器，由于所有的特征圖已經歸一化到較小的空間尺度，意味著低空間分辨率，因此可以降低需要掃描的像素，從而有效降低算法的計算成本。
附圖說明
圖1是基于粒子群優化算法的視頻多運動目標定位方法的流程圖。
具體實施方式
下面結合附圖對本發明的技術方案做進一步的詳細說明：
如圖1所示是基于粒子群優化算法的視頻多運動目標定位方法的流程圖，具體如下：
步驟1)、從車輛監控錄像中選取一段8046幀視頻序列，壓縮大小至240x320像素，按相同時間間隔均勻抽取視頻的中的40幀畫面。按行訪問每一幀畫面的每個像素點，記錄每個像素點的三個通道的色彩強度值，計算每個像素點的灰度化值，使每一幀圖像轉化為一個二維矩陣，將第i幀圖像轉化成的二維矩陣記為ii，i∈{1,2,…,40}；
步驟2)、依次將每幀圖像分割為圖斑像素點和背景像素點，得到圖斑的數量及其幾何特征，所述圖斑像素點為運動目標所在像素點，背景像素點為非運動目標所在像素點；
步驟2)具體步驟如下：
步驟2.1)、將第一幀圖像作為背景圖像b0(x,y)，設置閾值t＝27；
步驟2.2)、依次將i取值1到f-1，采用公式
步驟2.3)、b39(x,y)可視為背景圖像矩陣b(x,y)；
步驟2.4)、依次將i取值1到39，采用公式
步驟3)、設置迭代次數k，將k初始化為1；
步驟4)、探測第k幀輸入圖像ik，進行粒子的初始化：在每個圖斑的外接矩形內隨機生成均勻粒子，第m個圖斑的外接矩形內的粒子數為pop(m)，pop(m)＝min((axis(m)/axismin)*popmin,popmax)，計算出每個矩形內的粒子數大約為8個，其中axismin＝80，粒子總數q＝40；如果k＝1，隨機初始化每個粒子的位置p0和速度v0，如果k＞1，各粒子初始化為第k-1幀時保存的所有粒子的位置pk-1和速度vk-1；
步驟5)、運用粒子群優化算法，進行16次迭代，流程如下：
步驟5.1、初始化迭代次數t為1；
步驟5.2、
步驟5.3、依次將j取值1到40，更新每個粒子的局部最佳解決方案：當t＝1時，
更新第t次迭代的整體最佳方案：t＝1時，gbest(t)＝pt，其中p1為初始化時全體粒子的位置矩陣，p1為；當t＞1時，第t次迭代的整體最佳方案為
當迭代次數j沒有達到粒子數目8，j＝j+1，回到步驟5.2；若t＝8，則執行步驟5.3；
步驟5.4、通過計算
步驟5.5、當迭代次數t沒有達到預設的最大迭代次數16，t＝t+1，回到步驟5.3；若t＝16，則執行步驟5.6；
步驟5.6、保存第k幀輸入圖像ik中每個粒子的位置pm和速度vm，并保存第k幀輸入圖像ik中每個粒子所在圖斑的外接矩形的四個頂點坐標值；
步驟5.7、當k＜f時，k自增1，回到步驟4，否則結束探測。最后得到的最后一幀圖像中的5個運動汽車的外接矩形的頂點坐標值為{(2,12)，(2,60)，(24,12)，(24，60)}，{(12,23)，(12,69)，(27,23)，(27，69)}，{(25,78)，(25,141)，(47,78)，(24，141)}，{(121,35)，(121,65)，(134,35)，(134，65)}，{(205,267)，(205,298)，(234,267)，(234，298)}。
以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定本發明的具體實施只局限于這些說明。對于本發明所屬技術領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干簡單推演或替代，都應當視為屬于本發明的保護范圍。