自適應粒子群優化粒子濾波運動目標跟蹤方法
【技術領域】
[0001] 本發明涉及一種運動目標跟蹤方法，尤其涉及一種自適應粒子群優化粒子濾波運 動目標跟蹤方法，屬于圖像處理與智能視頻監控技術領域。
【背景技術】
[0002] 運動目標跟蹤是圖像處理和智能視頻監控技術領域研究的熱點，也是機器人導 航、精確制導等領域的關鍵技術，具有廣泛應用。例如：捕獲實驗中目標運動的軌跡和姿態， 對交通公路流量的檢測，重要場合的視頻監控和分析等。因此，運動目標的跟蹤具有非常重 要的研究意義。運動目標的跟蹤包括目標的檢測、特征提取以及匹配跟蹤等幾個部分技術 組成。其中，目標的檢測、目標的特征提取需要一定的先驗知識，然后再根據一定的算法，利 用之前的已知信息預測下一時刻目標運動信息（位置、速度等），實現運動目標跟蹤。一個 良好的跟蹤算法應該具有可靠性高、實時性好、準確性精確等特性。
[0003] 關于運動目標的跟蹤已經提出了很多有效的算法，其中，建立在卡爾曼濾波理 論基礎上的目標跟蹤技術受到了很大關注。但是卡爾曼濾波只適用于線性系統，為此， Sunahara、Buey等人將卡爾曼濾波進一步應用到非線性領域并提出擴展卡爾曼濾波（EKF)， 但是這種方法運算復雜度大大增加了，因此現實中沒有得到廣泛應用。另一類常用的方法 是均值漂移算法-Mean-shift 算法[D. Comaniciu, V. Ramesh and P. Meer, 〃Real_time tracking of non-rigid objects using Mean Shift"，Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2:142-149,2000]， 它是一類基于核函數的無參數估計算法，不需要先驗知識，而且收斂速度比較快，但是對于 快速運動和非高斯噪聲環境下有局限性。粒子濾波（PF:Particle Filtering)算法近年來 在目標跟蹤領域越來越受到重視，它既不受限于線性系統，也不要求噪聲服從高斯分布，而 且在目標出現遮擋時也可以實現可靠跟蹤。但是，粒子濾波存在粒子貧化和計算量大的問 題是實際應用的重要障礙。
[0004] 為了解決粒子濾波運動目標跟蹤所存在的粒子貧化的問題，很多學者選擇將粒子 群優化算法（Particle Swarm optimization,簡稱PS0)應用到粒子濾波當中，形成粒子群 優化粒子濾波算法（簡稱PS0PF)，從而使得粒子的多樣性得以保障，但是現有PS0PF算法 中粒子群優化算法容易使得粒子陷入局部最優點，從而導致對目標的位置信息定位不夠準 確。
[0005] 針對該問題，一些自適應粒子群優化粒子濾波算法被提出，例如，有研究者提出一 種新型鄰域自適應調整的動態粒子群優化粒子濾波算法.該算法考慮了粒子的鄰域信息， 利用多樣性因子、鄰域擴展因子和鄰域限制因子共同對粒子的鄰域粒子數量進行自適應調 整，控制粒子對鄰域的影響，減輕局部最優現象，達到收斂速度和尋優能力的最佳平衡；也 有研究者提出對各粒子賦予不同的權值，并在迭代過程中對粒子權值進行自適應調整。這 些方法雖然不同程度地能夠解決PS0PF算法中粒子群優化算法容易使得粒子陷入局部最 優點的問題，但均存在算法復雜、計算量大的不足，運動目標跟蹤的實時性難以令人滿意。
【發明內容】
[0006] 本發明所要解決的技術問題在于克服現有粒子群優化粒子濾波運動目標跟蹤技 術所存在的定位不夠準確、計算量較大的不足，提供一種自適應粒子群優化粒子濾波運動 目標跟蹤方法，在準確提高運動目標跟蹤準確度的同時，其計算復雜度更低，目標跟蹤實時 性更好。
[0007] 本發明具體采用以下技術方案：
[0008]自適應粒子群優化粒子濾波運動目標跟蹤方法，在用粒子濾波方法進行運動目標 的跟蹤過程中，利用粒子群優化方法對粒子的位置進行優化；在利用粒子群優化方法對粒 子的位置進行優化時，根據全局最優粒子的位置變化情況對粒子的數量進行自適應調整， 具體如下：如全局最優粒子的位置在連續Ml次迭代中始終變化，則減少粒子數量；如全局 最優粒子的位置在連續M2次迭代中始終不變，則增加粒子數量；Ml、M2為預設的大于等于 3的整數。
[0009]Ml與M2可以相等也可以不等。
[0010] 相比現有技術，本發明具有以下有益效果：
[0011] 本發明將自適應粒子群優化（APS0)技術與粒子濾波（PF)相結合，對運動目標進 行跟蹤，可有效克服粒子貧化現象，并進一步在利用粒子群優化方法對粒子的位置進行優 化時，根據全局最優粒子的位置變化情況對粒子的數量進行自適應調整，從而可有效減輕 粒子群優化中的局部最優現象，提高目標跟蹤的準確度，同時又具有算法復雜度低，實時性 好的優點。
【附圖說明】
[0012] 圖1為粒子濾波算法的基本流程示意圖；
[0013] 圖2為粒子群優化算法的基本流程示意圖；
[0014] 圖3為本發明自適應粒子群優化粒子濾波運動目標跟蹤方法的流程示意圖；
[0015] 圖4為分別采用本發明方法和傳統粒子濾波方法對Browsel視頻序列進行運動目 標跟蹤的效果對比。
【具體實施方式】
[0016] 下面結合附圖對本發明的技術方案進行詳細說明：
[0017] 本發明的思路是針對現有粒子群優化粒子濾波運動目標跟蹤技術所存在的定位 不夠準確、計算量較大的不足，對其進行改進，即在利用粒子群優化方法對粒子的位置進行 優化時，根據全局最優粒子的位置變化情況對粒子的數量進行自適應調整：在粒子迭代更 新的過程中，全局最優點如果連續多次都更新，則說明當前粒子群處于不斷開發新的狀態 的過程，此時適當減少粒子數目；反之，如果全局最優點連續多次都沒有更新，此時粒子群 處于一個收斂的狀態，有可能陷入局部最優點而無法跳出來，即目標位置有可能跟蹤的不 準確，這時候需要增加粒子數目，從而幫助粒子群跳出這個點，擴展搜索的范圍。
[0018] 為了便于公眾理解本發明的技術方案，下面首先對本發明所涉及的粒子濾波及粒 子群優化技術進行簡單介紹。
[0019] 圖1顯示了粒子濾波算法的基本流程。粒子濾波（PF:Particle Filtering)的思 想是基于蒙特卡羅方法，利用粒子集來表示概率的問題，可以用在任何形式的空間模型上。 它的核心思想是通過從后驗概率中抽取隨機狀態的粒子來表達它的分布，是一種順序重要 性采樣方法。簡單來說，就是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，以樣本均值來代替積分的運算，從而獲得使狀態實現最小方差分布的過程。
[0020] 一般情況下，粒子濾波的狀態空間模型可以描述為：
[0021] xk= f(x k-D+UH
[0022] yk= h(x k)+wk
[0023] xk為系統在k時刻的狀態值，y k為系統狀態x k的量測值，uh，wk分別為非線性系 統的過程噪聲和量測噪聲值。
[0024] 粒子濾波目標跟蹤的基本步驟如下：
[0025] 1.初始化：初始跟蹤幀k，然后根據先驗分布p(xk)，采樣初始粒子集
[0026] 2. For k = 1,2,...
[0027] a)重要性采樣：從建議分布采樣粒子集，i(A I ;
[0028] b)重要性加權：
[0029] 重要性加權公式為：
[0030]
【主權項】
1. 自適應粒子群優化粒子濾波運動目標跟蹤方法，在用粒子濾波方法進行運動目標的 跟蹤過程中，利用粒子群優化方法對粒子的位置進行優化；其特征在于，在利用粒子群優化 方法對粒子的位置進行優化時，根據全局最優粒子的位置變化情況對粒子的數量進行自適 應調整，具體如下；如全局最優粒子的位置在連續Ml次迭代中始終變化，則減少粒子數量； 如全局最優粒子的位置在連續M2次迭代中始終不變，則增加粒子數量；Ml、M2為預設的大 于等于3的整數。
2. 如權利要求1所述自適應粒子群優化粒子濾波運動目標跟蹤方法，其特征在于，Ml 等于M2。
3. 如權利要求1所述自適應粒子群優化粒子濾波運動目標跟蹤方法，其特征在于，每 次所增加或減少的粒子數量為1。
4. 如權利要求1所述自適應粒子群優化粒子濾波運動目標跟蹤方法，其特征在于，在 用粒子濾波方法進行運動目標的跟蹤過程中，所使用的特征為顏色直方圖。
5. 如權利要求4所述自適應粒子群優化粒子濾波運動目標跟蹤方法，其特征在于，使 用己氏距離度量顏色直方圖的相似度。
【專利摘要】本發明公開了一種自適應粒子群優化粒子濾波運動目標跟蹤方法，屬于圖像處理與智能視頻監控技術領域。本發明方法在用粒子濾波方法進行運動目標的跟蹤過程中，利用粒子群優化方法對粒子的位置進行優化；在利用粒子群優化方法對粒子的位置進行優化時，根據全局最優粒子的位置變化情況對粒子的數量進行自適應調整。相比現有技術，本發明不但可有效減輕粒子群優化中的局部最優現象，提高目標跟蹤的準確度，同時又具有算法復雜度低，實時性好的優點。
【IPC分類】G06T7-20
【公開號】CN104574442
【申請號】CN201510019086
【發明人】胡棟, 王佩思, 魏巍, 曹金山
【申請人】南京郵電大學
【公開日】2015年4月29日
【申請日】2015年1月14日