基于回归分析的粒子滤波目标跟踪方法与流程

文档序号:11135320阅读:686来源:国知局
基于回归分析的粒子滤波目标跟踪方法与制造工艺

本发明属于目标跟踪技术领域,特别涉及一种视频目标跟踪方法,可用于智能视频监控、机器人导航、道路交通管制等系统。



背景技术:

视频跟踪是计算机视觉中的一项基础核心技术,广泛应用于安全监督、人机交互、避障系统和视频压缩等领域。常见的视频跟踪方法分为两种:1)目标表示与定位;2)滤波与数据关联。目标表示与定位是一个自下而上的过程,该类方法依赖于先验信息和目标的图像特征模型;滤波与数据关联是一个自上而下的过程,该类方法主要处理目标的动态特性。基于粒子滤波的目标跟踪方法由于在解决非线性问题方面的优异特性,以及相对开放的跟踪框架对各种特征描述方法的兼容能力,在视频跟踪中得到了广泛的应用。

但是现有的粒子滤波方法由于在跟踪过程中会出现粒子匮乏现象,使得粒子的多样性大幅度降低,这将对跟踪精度造成很大的影响。如果要增大粒子数将会使粒子滤波方法的复杂度变高,降低了跟踪性能。因此,如何解决粒子滤波中的粒子匮乏和计算复杂度高的问题,已成为视频跟踪研究中的难点。另外,目标遮挡是视频中常见的情况,如何更加鲁棒的处理目标遮挡问题也是视频跟踪研究中的挑战。



技术实现要素:

本发明的目的在于提出一种基于回归分析的粒子滤波目标跟踪方法,以解决上述已有技术在粒子滤波中由于粒子匮乏导致跟踪失败和效率低的问题,同时增强目标跟踪的关联性,提高处理遮挡的鲁棒性。

本发明的技术方案是这样实现的:

回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。按照自变量和因变量之间的关系类型,回归分析可以分为线性回归分析和非线性回归分析。如果在回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。一般来说,回归分析是通过规定因变量和自变量之间的因果关系,建立回归模型,并根据实际数据来求解模型的各个参数,然后评价回归模型是否能够很好的拟合实际数据;如果能够很好的拟合,则可以作进一步预测。本发明在粒子滤波框架中,通过回归分析的预测结果自适应的控制粒子数,同时根据回归分析的预测结果优化估计结果,提高粒子滤波的计算效率,使得跟踪更加鲁棒,避免由于粒子匮乏导致跟踪失败。其实现步骤包括如下:

如果k<n+1,则用普通粒子滤波算法进行跟踪,否则,用下述算法进行跟踪。

(1)初始化步骤:

(1a)读入k-1时刻的图像Ik-1,根据k-1时刻的目标状态Xk-1,初始粒子数为N0,初始化k-1时刻的粒子集其中,表示k-1时刻第i个粒子的状态区间,i为粒子序号,取值为1,2,…,N,N表示粒子总数,k表示时刻;

(1b)初始化目标跟踪窗:Bk-1=(rk-1,ck-1)T,其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值,T表示向量转置运算;

(1c)根据目标初始状态与目标跟踪窗Bk-1,初始化目标的特征模板M;

(2)目标状态预测步骤:

(2a)读入k时刻的图像Ik,根据前n个时刻的速度,通过最小二乘法预测k-1时刻的速度并按照该速度对k-1时刻粒子集进行预测,得到k时刻预测粒子集其中为k时刻第i个粒子的状态预测值;

(2b)根据k时刻预测粒子集和目标跟踪窗Bk-1,确定k时刻候选目标集并求解候选目标集中与候选目标对应的特征集其中为k时刻第i个候选目标,表示以为中心、Bk-1为长宽所界定出的矩形区域;

(3)计算权值集步骤:

(3a)求取特征集与特征模板M之间的距离集其中di表示第i个候选目标特征Vi与特征模板M之间的距离;

(3b)根据距离集计算候选目标的权值集其中ωi表示第i个候选目标的权值;

(4)重采样步骤:

(4a)对权值集归一化得到

(4b)根据归一化后的权值集利用系统重采样算法对k-1时刻粒子集进行重采样,得到k时刻的重采样粒子集其中表示k时刻第i个重采样粒子的状态区间;

(5)估计目标状态步骤:

(5a)根据k时刻的更新粒子集估计k时刻的目标状态Xk

(5b)根据k时刻的目标状态Xk和目标跟踪窗Bk-1,确定k时刻的目标估计范围T:

其中,x和y分别表示的横、纵坐标,mk和nk分别表示k时刻目标状态Xk的横坐标和纵坐标,rk和ck分别表示k时刻目标跟踪窗的长度和宽度值;

(6)判断是否迭代:

检查下一时刻的信息是否到达,若没有信息到达,则目标跟踪过程结束,输出估计目标状态;否则,执行步骤(7);

(7)回归分析及预测步骤:

(7a)在k时刻的目标状态Xk中,取出目标的位置信息Pk=[mknk]T

(7b)根据k-1时刻的预测速度进一步预测目标在k时刻的位置

(7c)计算k时刻目标状态与预测状态之间的偏差:

(7d)根据偏差E选取粒子数,同时更新粒子集并令k=k+1,返回步骤(2)进行迭代。

本方法具有以下优点:

1)本发明由于利用回归分析进行预测,根据预测结果自适应的控制粒子数目,在跟踪中避免粒子数过多带来的计算量大问题,从而减少了运算时间,提升了跟踪的实时性;

2)本发明由于利用最小二乘法得到的预测结果进行目标状态预测,在跟踪中可以减轻遮挡对目标造成的影响,提升了跟踪的鲁棒性。

附图说明

图1是本发明的实现流程图;

图2是用本发明和现有方法对行人交叉遮挡的视频序列跟踪实验结果图;

图3是用本发明和现有方法对行人被物体遮挡的视频序列跟踪实验结果图;

图4是用本发明和现有方法对行人交叉遮挡的红外视频序列跟踪实验结果图。

具体实施方式

参照图1,本发明的具体实施步骤如下:

步骤1.初始化。

1.1)令初始时刻k=1,N0为初始粒子数,根据目标的初始状态X0,初始化k-1时刻的粒子集为

1.1.1)根据目标的初始状态X0,产生k-1时刻第i个粒子其中,i为粒子序号,取值为1,2,…,N,N表示粒子总数,服从均值为X0、方差为Ψ的高斯分布,X0为目标的初始状态,Ψ为过程噪声方差;

1.1.2)用步骤1.1.1)所得的N个粒子,组成粒子集

1.2)初始化目标跟踪窗:Bk-1=(rk-1,ck-1)T,其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值,T表示向量转置;

1.3)根据目标初始状态X0与目标跟踪窗Bk-1,初始化目标的特征模板M。

步骤2.目标状态预测。

2.1)读入k时刻的图像Ik,通过最小二乘法预测k-1时刻的速度根据k-1时刻的预测速度得到k时刻的预测粒子集

2.1.1)在k时刻,根据前n个时刻的速度,通过最小二乘法预测k-1时刻的速度

其中,Δt为采样时间间隔,n表示所取样本的个数,表示拟合直线的斜率,

表示拟合直线的纵截距,

为所取样本的均值,

2.1.2)根据k-1时刻的预测速度对粒子集进行预测,得到粒子集

本步骤分为如下两种情况:

对N=N0的情况,根据如下公式进行预测:

对N≠N0的情况,根据如下公式进行预测:

其中,表示预测粒子集中的第i个粒子的状态,mk和nk分别表示第i个粒子的横坐标和纵坐标,和分别表示第i个粒子水平和竖直方向上的速度;为粒子集中的第i个粒子的状态,wi为状态噪声,服从均值为方差为Ψ的高斯分布,和分别表示中水平和竖直方向上的速度,为k-1时刻根据最小二乘法的预测速度,α为干扰系数;

2.2)求解k时刻的候选目标集与候选目标对应的特征集

2.2.1)计算预测粒子集中每一个预测粒子对应的候选目标

其中,i为粒子序号,取值为1,2,…,N,表示第i个候选目标区域,和分别表示k时刻第i个预测粒子的横坐标和纵坐标,rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度;

2.2.2)用步骤2.2.1)中所得的N个候选目标,组成候选目标集

2.2.3)计算候选目标集中每一个候选目标的灰度统计直方图Vi

常用的目标特征有灰度特征、颜色特征、纹理特征、形状特征等。现有的提取目标特征的方法中针对颜色特征的提取方法有灰度统计直方图法、颜色直方图法、颜色矩法、颜色相关图法等;针对纹理特征的提取方法有LBP统计直方图法、梯度法、灰度共生矩阵法、自回归纹理模型法、小波变换法等;针对形状特征的提取方法有边界特征法、傅里叶形状描述符法、几何参数法等。

本实例使用但不限于现有方法中的灰度统计直方图法作为目标特征,计算候选目标集中每一个候选目标的灰度统计直方图Vi

其中,i为粒子序号,取值为1,2,…,N,J表示灰度统计直方图中的灰度等级总数,取值为256,I(f(x,y)=u)是一个函数,其表示形式为:

f(x,y)表示像素点(x,y)处颜色分量的均值,(x,y)为像素点的坐标;

2.2.4)用步骤2.2.3)中所求的N个候选目标的灰度统计直方图,组成候选目标特征集

步骤3.计算权值集。

3.1)计算候选目标特征集与特征模板M之间的距离集

3.1.1)计算每一个候选目标特征Vi与特征模板M之间的距离di

其中,i为粒子序号,取值为1,2,…,N,ρi是第i个候选目标特征Vi与特征模板M之间的巴氏系数

3.1.2)用步骤3.1.1)中所得的N个距离,组成距离集

3.2)根据距离集计算候选目标权值集

3.2.1)计算每一个候选目标的权值ωi

其中,i为粒子序号,取值为1,2,…,N,R为特征观测噪声方差;

3.2.2)用步骤3.2.1)中所求的N个候选目标的权值,组成候选目标权值集

步骤4.重采样。

现有的重采样方法有多项式重采样、系统重采样、残差重采样等,本实例使用但不限于现有方法中系统重采样方法对优化粒子集进行重采样,其步骤如下:

4.1)对权值集归一化,得到归一化后的权值集

4.1.1)对权值集中每一个权值ωi进行归一化:

其中i为权值序号,取值为1,2,…,N;

4.1.2)用步骤4.1.1)中得到的N个归一化权值ωi'组成归一化权值集

4.2)利用系统重采样算法,根据归一化权值集对k-1时刻粒子集进行重采样,得到k时刻的重采样粒子集其中表示k时刻第i个重采样粒子的状态区间。

步骤5.估计目标状态。

5.1)根据k时刻的更新粒子集估计k时刻的目标状态Xk

其中,N表示粒子总数,表示k时刻第i个更新粒子的状态估计值;

5.2)根据k时刻的目标状态Xk和目标跟踪窗Bk-1,确定k时刻的目标估计范围T:

其中,x和y分别表示的横、纵坐标,xk和yk分别表示k时刻目标状态Xk的横坐标和纵坐标,rk和ck分别表示k时刻目标跟踪窗的长度和宽度值。

步骤6.判断是否迭代。

检查下一时刻的信息是否到达,若没有信息到达,则目标跟踪过程结束,输出估计目标状态;否则,执行步骤7。

步骤7.回归分析及预测。

7.1)根据目标状态Xk,取出目标的位置信息Pk=[mknk]T

7.2)根据k-1时刻的预测速度进一步预测目标在k时刻的位置

其中,Δt为采样时间间隔,为k-1时刻根据最小二乘法的预测速度,Pk-1是从k-1时刻目标状态Xk-1中取出的位置信息;

7.3)计算k时刻目标状态与预测状态之间的偏差:

其中,Pk是从k时刻目标状态Xk中取出的位置信息,为7.2)中的预测位置;

7.4)根据粒子数更新粒子集,并进行迭代:

7.4.1)根据7.3)中的偏差E选取粒子数:

其中,β为偏差的阈值,其大小由跟踪框Bk的大小决定,|·|表示取整符号;

7.4.2)判断步骤7.4.1)中的粒子数N:

若粒子数N减少,则在已有粒子集中,根据权值从大到小重新排列粒子集,取前N个粒子作为新粒子集;

若粒子数N增多,则增加N0-|N0/2|个服从均值为Xk、方差为Ψ的高斯分布的新粒子,得到新粒子集;

若粒子数N不变,则保持粒子集不变;

7.4.3)令k=k+1,返回步骤2进行迭代。

本发明的效果可通过以下仿真实验进一步说明:

1.仿真条件。

仿真环境:计算机采用Intel Pentium D CPU 2.8Ghz,1GB内存,软件采用MATLAB仿真实验平台。

2.仿真方法。

方法1:本发明方法;

方法2:普通粒子滤波方法。

3.仿真内容与结果。

仿真1:用所述两种方法,对行人交叉遮挡的视频序列进行跟踪,该视频总共85帧,分辨率为432×240,结果如图2所示,其中:

图2(a)为用方法1对行人交叉遮挡的视频序列第11、13、16、17、20、22帧进行跟踪的结果图;

图2(b)为用方法2对行人交叉遮挡的视频序列第11、13、17、18、20、22帧进行跟踪的结果图;

从图2中可以看出,本发明对目标部分遮挡有较好的鲁棒性。

仿真2:用所述两种方法,对行人被物体遮挡的视频序列进行跟踪,该视频共100帧,分辨率为352×288,结果如图3所示,其中:

图3(a)为用方法1对行人被物体遮挡的视频序列第32、44、57、63、73帧进行跟踪的结果图;

图3(b)为用方法2对行人被物体遮挡的视频序列第32、44、49、63、71帧进行跟踪的结果图;

从图3中可以看出,在目标进入复杂背景时,本发明对目标遮挡比较鲁棒,跟踪效果明显优于方法2。

仿真3:用所述两种方法,对行人交叉遮挡的红外视频序列进行跟踪,该视频共100帧,分辨率为320×240。方法2对该视频序列跟踪失败,方法1的跟踪结果如图4所示,其中:

图4为用方法1对行人交叉遮挡的红外视频序列第16、25、35、40、48、56、60、66、71、76、83、99帧进行跟踪的结果图;

从图4中可以看出,在目标遇到相似背景时,本发明仍然能够进行跟踪。

对图2中的场景分别进行30次蒙特卡罗实验,统计平均跟踪误差ε和平均每帧运行时间R,结果如表1所示。

表1

由表1中的统计数据可以看出:在不同粒子数的情况下,本发明对视频序列的跟踪误差比普通粒子滤波方法小,且运行时间也优于普通粒子滤波方法。

综上,本发明较普通粒子滤波方法,在跟踪的鲁棒性和计算效率上都有明显提升。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1