一種基于粒子濾波和感知哈希的視頻目標跟蹤方法
【技術領域】
[0001] 本發明涉及一種基于粒子濾波和感知哈希的視頻目標跟蹤方法。
【背景技術】
[0002] 視頻目標跟蹤是計算機視覺領域中的核心內容之一，它是對視頻幀序列中的運動 目標進行特征檢測、識別和跟蹤的過程，在獲得運動目標的運動特征以后，通過進一步的分 析處理，達到對運動目標的軌跡等參數的描述。運動目標跟蹤在技術上涉及視頻處理、模式 識別以及人工智能等多個領域。且在很多方面都具有廣泛的應用，例如公共場景監控、智能 交通、醫學氣象、機器人視覺導航、軍事視覺制導等。但由于受到光照變化、實時性等諸多因 素的影響，如何實現有效的目標跟蹤，提高目標跟蹤的準確性和穩定性，是視頻目標跟蹤領 域的一大難題。因此，研究實時性好、穩定性高的視頻目標跟蹤算法具有極其重要的意義。
[0003] 粒子濾波是基于蒙特卡洛仿真的近似貝葉斯濾波算法，其主要思想是通過重要性 函數產生帶權重的離散隨機采樣粒子來近似系統隨機變量的后驗概率分布，可以適用于任 何分布的狀態估計問題。但當目標所處環境受到強烈的光照變化或者在目標尺度發生變化 時，傳統的粒子濾波算法中新出現的目標特征與模板特征無法吻合，從而不能有效的跟蹤 到運動目標。
【發明內容】
[0004] 本發明為了解決上述問題，提出了一種基于粒子濾波和感知哈希的視頻目標跟蹤 方法，本方法在光照變化劇烈和目標尺度發生變化時依然能夠有效跟蹤到運動目標。
[0005] 為了實現上述目的，本發明采用如下技術方案：
[0006] -種基于粒子濾波和感知哈希的視頻目標跟蹤方法，包括以下步驟：
[0007] (1)在原始圖像中選定待跟蹤目標作為目標區域，提取目標區域的感知哈希特征 作為模板特征，并對權重粒子集進行初始化定位；
[0008] (2)對權重粒子集進行狀態坐標預測，對預測的粒子位置處標注預測區域；
[0009] (3)對每一個預測粒子區域提取感知哈希特征，并計算預測粒子區域與目標區域 的相似度；
[0010] (4)根據離目標遠近的位置貢獻以及感知哈希特征相似度大小更新粒子權重，確 定估計目標的位置，得到新的目標區域；
[0011] (5)根據權重大小和重采樣估計值得到下一幀的權重粒子集，重復步驟（2)~步 驟（4)直至所有視頻序列結束。
[0012] 所述步驟（1)中，計算目標區域的感知哈希特征，感知哈希算法的具體方法包括：
[0013] (1-1)將所在幀圖像轉換成灰度圖像，將選定的待跟蹤目標縮小到32*32的正方 形；
[0014] (1-2)計算待跟蹤目標的DCT變換，得到32*32的DCT系數矩陣，最終僅保留系數 矩陣左上角的8*8系數矩陣，待跟蹤目標的能量基本全部集中在此8*8大小的低頻系數矩 陣上；
[0015] (1-3)計算DCT系數平均值，每個DCT系數與此平均值進行比較，大于均值的記為 1，小于均值的記為0 ;
[0016] (1-4)將上一步比較結果按矩陣形式構造成64位感知哈希指紋，此64位感知哈希 指紋即是待跟蹤目標的感知哈希特征。
[0017] 所述步驟（1-2)中，其中DCT變換公式為：
[0018] F = AfA1
[0019]
[0020]
[0021] 在本發明中 i = 0, 1，2···，31 ;j = 0, 1，2···，31 ;N = 32。
[0022] 所述步驟（I)中，在待跟蹤目標附近按照標準正態分布進行權重粒子的初始化定 位，初始化粒子樣本的個數為N，每個粒子權重為1/N。
[0023] 所述步驟（2)的具體方法為：按照標準正態分布對權重粒子集進行狀態坐標預 測，同時對預測的粒子位置處畫出同截取跟蹤目標矩形框等長等寬的矩形框預測區域；
[0024] 其中狀態坐標預測公式為：
[0025] X (k |k-l) = X(k-1 |k-l)+U(k)
[0026] U(k)~N(0，1)
[0027] 上式中，X(k|k-1)是利用上一狀態預測的結果，X(k-l|k-l)是上一狀態最優的結 果（或者是待跟蹤目標的初始化狀態），U(k)為現在狀態的控制量并服從標準正態分布。
[0028] 所述步驟⑶中，計算預測粒子區域與目標區域的相似度方法如下：
[0029] 計算預測粒子區域感知哈希指紋與目標區域感知哈希指紋的漢明距離，即計算兩 者哈希指紋中相同位置不同位的個數。
[0030] 所述步驟（4)中，包括：
[0031] (4-1)得到每個預測粒子區域與目標區域的相似度后，結合離目標遠近的位置貢 獻更新粒子的權重；
[0032] (4-2)更新完成預測粒子的權重后，計算出在當前幀圖像中跟蹤目標的最優預測 位置作為估計目標的位置，即為新的目標區域。
[0033] 所述步驟（4-1)中，更新權重方法為：為減少非目標位置的粒子權重，根據離目標 遠近的位置貢獻以及計算的感知哈希相似度大小兩種線索共同實現自適應的調整粒子權 重：
[0034]
[0035] 其中，W|是指t時刻第i個粒子的粒子權重，離是指t時刻第i個粒子的相似度， Xt 1是指t時刻第i個粒子的坐標位置橫坐標，y t1是指t時刻第i個粒子的坐標位置縱坐 標，W、H是指目標區域的半寬高；
[0036]
[0037] 其中Wnmi1是指t時刻第i個粒子的歸一化權重。
[0038] 所述步驟（4-2)中，利用最小方差估計確定估計目標的位置，具體方法包括：最小 方差估計確定估計目標位置的計算公式如下：
[0039]
[0040] 其中是指新的目標位置橫坐標；
[0041 ]
[0042] 其中y_是指新的目標位置縱坐標。
[0043] 所述步驟（5)中，包括：得到當前幀圖像中估計目標的位置后，需要增加權重大的 粒子數，拋棄權重小的粒子，更新得到下一幀的權重粒子集，為防止多次迭代后出現權值退 化現象，采用粒子重抽樣法來解決權值退化問題，該方法為：
[0044] 首先計算目標的重米樣估計值：
[0045]
[0046] 指t時刻第i個粒子的權重，由上式判斷是否重采樣當前跟蹤目標權重粒子 集，設置閥值Nt，當Reff < Nt時，需要重采樣權重粒子集，則在規定區域內采用隨機算法重 新生成新的粒子。
[0047] 本發明的有益效果為：
[0048] (1)本視頻目標跟蹤方法采用感知哈希來描述跟蹤目標特征，目標尺度的變化不 會引起感知哈希值的變化，因此對尺度變化具有很強的魯棒性；為減少非目標位置的粒子 權重，根據離目標遠近的位置貢獻以及計算的感知哈希相似度大小兩種線索共同實現自適 應的調整粒子權重，從而可以更有效的描述目標信息，提高了跟蹤的穩定性；
[0049] (2)本視頻目標跟蹤方法對光照變化劇烈或對比度的改變具有很強的魯棒性，在 增加或減少亮度或對比度，甚至在改變顏色的情況下，本方法的感知哈希值都不會顯著改 變，能夠避免伽馬校正或顏色直方圖被調整帶來的影響，繼而可以實現對目標持續，準確的 跟蹤；
[0050] (3)本視頻目標跟蹤方法可以去除目標特征向量中的冗余信息，對目標感知特征 進行壓縮生成簡短感知哈希值和基于感知哈希值的匹配，大幅度提高了跟蹤速度，可實現 實時跟蹤效果。
【附圖說明】
[0051 ] 圖1是本發明方法的流程圖。
[0052] 圖2是提取感知哈希特征的算法流程圖。
【具體實施方式】：
[0053] 下面結合附圖與實施例對本發明作進一步說明。
[0054] 本發明所述方法以粒子濾波為框架，采用感知哈希值描述跟蹤目標的觀測信息， 根據離目標遠近的位置貢獻以及計算的感知哈希相似度大小兩種線索更新粒子權重，最后 通過最小方差估計確定估計目標的位置。具體流程如圖1所示，包括如下步驟：
[0055] 步驟1 :在原始圖像中選定待跟蹤目標作為目標區域，提取目標區域的感知哈希 特征作為模板特征，并對權重粒子集進行初始化定位；
[0056] 人工選取待跟蹤目標作為目標區域，計算目標區域的感知哈希特征，感知哈希算 法流程圖如2所示，包括：
[0057] 1)將所在幀圖像轉換成灰度圖像，將選定的待跟蹤目標縮小到32*32的正方形；
[0058] 2)計算待跟蹤目標的DCT變換，得到32*32的DCT系數矩陣，最終僅保留系數矩 陣左上角的8*8系數矩陣，待跟蹤目標的能量基本全部集中在此8*8大小的低頻系數矩陣 上；
[0059] 其中DCT變換公式為：
[0060]
[0061]
[0062]
[0063] 在本發明中 i = 0, 1，2..· · · 31 ; j = 0, 1，2..· · · 31 ;N = 32。
[0064] 3)計算DCT系數平均值，每個DCT系數與此平均值進行比較，大于均值的記為1， 小于均值的記為〇 ;
[0065] 4)將上一步比較結果按矩陣形式構造成64位感知哈希指紋，此