自适应粒子群优化粒子滤波运动目标跟踪方法
【技术领域】
[0001] 本发明涉及一种运动目标跟踪方法，尤其涉及一种自适应粒子群优化粒子滤波运 动目标跟踪方法，属于图像处理与智能视频监控技术领域。
【背景技术】
[0002] 运动目标跟踪是图像处理和智能视频监控技术领域研究的热点，也是机器人导 航、精确制导等领域的关键技术，具有广泛应用。例如：捕获实验中目标运动的轨迹和姿态， 对交通公路流量的检测，重要场合的视频监控和分析等。因此，运动目标的跟踪具有非常重 要的研究意义。运动目标的跟踪包括目标的检测、特征提取以及匹配跟踪等几个部分技术 组成。其中，目标的检测、目标的特征提取需要一定的先验知识，然后再根据一定的算法，利 用之前的已知信息预测下一时刻目标运动信息（位置、速度等），实现运动目标跟踪。一个 良好的跟踪算法应该具有可靠性高、实时性好、准确性精确等特性。
[0003] 关于运动目标的跟踪已经提出了很多有效的算法，其中，建立在卡尔曼滤波理 论基础上的目标跟踪技术受到了很大关注。但是卡尔曼滤波只适用于线性系统，为此， Sunahara、Buey等人将卡尔曼滤波进一步应用到非线性领域并提出扩展卡尔曼滤波（EKF)， 但是这种方法运算复杂度大大增加了，因此现实中没有得到广泛应用。另一类常用的方法 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]， 它是一类基于核函数的无参数估计算法，不需要先验知识，而且收敛速度比较快，但是对于 快速运动和非高斯噪声环境下有局限性。粒子滤波（PF:Particle Filtering)算法近年来 在目标跟踪领域越来越受到重视，它既不受限于线性系统，也不要求噪声服从高斯分布，而 且在目标出现遮挡时也可以实现可靠跟踪。但是，粒子滤波存在粒子贫化和计算量大的问 题是实际应用的重要障碍。
[0004] 为了解决粒子滤波运动目标跟踪所存在的粒子贫化的问题，很多学者选择将粒子 群优化算法（Particle Swarm optimization,简称PS0)应用到粒子滤波当中，形成粒子群 优化粒子滤波算法（简称PS0PF)，从而使得粒子的多样性得以保障，但是现有PS0PF算法 中粒子群优化算法容易使得粒子陷入局部最优点，从而导致对目标的位置信息定位不够准 确。
[0005] 针对该问题，一些自适应粒子群优化粒子滤波算法被提出，例如，有研究者提出一 种新型邻域自适应调整的动态粒子群优化粒子滤波算法.该算法考虑了粒子的邻域信息， 利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调 整，控制粒子对邻域的影响，减轻局部最优现象，达到收敛速度和寻优能力的最佳平衡；也 有研究者提出对各粒子赋予不同的权值，并在迭代过程中对粒子权值进行自适应调整。这 些方法虽然不同程度地能够解决PS0PF算法中粒子群优化算法容易使得粒子陷入局部最 优点的问题，但均存在算法复杂、计算量大的不足，运动目标跟踪的实时性难以令人满意。
【发明内容】
[0006] 本发明所要解决的技术问题在于克服现有粒子群优化粒子滤波运动目标跟踪技 术所存在的定位不够准确、计算量较大的不足，提供一种自适应粒子群优化粒子滤波运动 目标跟踪方法，在准确提高运动目标跟踪准确度的同时，其计算复杂度更低，目标跟踪实时 性更好。
[0007] 本发明具体采用以下技术方案：
[0008]自适应粒子群优化粒子滤波运动目标跟踪方法，在用粒子滤波方法进行运动目标 的跟踪过程中，利用粒子群优化方法对粒子的位置进行优化；在利用粒子群优化方法对粒 子的位置进行优化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适应调整， 具体如下：如全局最优粒子的位置在连续Ml次迭代中始终变化，则减少粒子数量；如全局 最优粒子的位置在连续M2次迭代中始终不变，则增加粒子数量；Ml、M2为预设的大于等于 3的整数。
[0009]Ml与M2可以相等也可以不等。
[0010] 相比现有技术，本发明具有以下有益效果：
[0011] 本发明将自适应粒子群优化（APS0)技术与粒子滤波（PF)相结合，对运动目标进 行跟踪，可有效克服粒子贫化现象，并进一步在利用粒子群优化方法对粒子的位置进行优 化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适应调整，从而可有效减轻 粒子群优化中的局部最优现象，提高目标跟踪的准确度，同时又具有算法复杂度低，实时性 好的优点。
【附图说明】
[0012] 图1为粒子滤波算法的基本流程示意图；
[0013] 图2为粒子群优化算法的基本流程示意图；
[0014] 图3为本发明自适应粒子群优化粒子滤波运动目标跟踪方法的流程示意图；
[0015] 图4为分别采用本发明方法和传统粒子滤波方法对Browsel视频序列进行运动目 标跟踪的效果对比。
【具体实施方式】
[0016] 下面结合附图对本发明的技术方案进行详细说明：
[0017] 本发明的思路是针对现有粒子群优化粒子滤波运动目标跟踪技术所存在的定位 不够准确、计算量较大的不足，对其进行改进，即在利用粒子群优化方法对粒子的位置进行 优化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适应调整：在粒子迭代更 新的过程中，全局最优点如果连续多次都更新，则说明当前粒子群处于不断开发新的状态 的过程，此时适当减少粒子数目；反之，如果全局最优点连续多次都没有更新，此时粒子群 处于一个收敛的状态，有可能陷入局部最优点而无法跳出来，即目标位置有可能跟踪的不 准确，这时候需要增加粒子数目，从而帮助粒子群跳出这个点，扩展搜索的范围。
[0018] 为了便于公众理解本发明的技术方案，下面首先对本发明所涉及的粒子滤波及粒 子群优化技术进行简单介绍。
[0019] 图1显示了粒子滤波算法的基本流程。粒子滤波（PF:Particle Filtering)的思 想是基于蒙特卡罗方法，利用粒子集来表示概率的问题，可以用在任何形式的空间模型上。 它的核心思想是通过从后验概率中抽取随机状态的粒子来表达它的分布，是一种顺序重要 性采样方法。简单来说，就是通过寻找一组在状态空间传播的随机样本对概率密度函数进 行近似，以样本均值来代替积分的运算，从而获得使状态实现最小方差分布的过程。
[0020] 一般情况下，粒子滤波的状态空间模型可以描述为：
[0021] xk= f(x k-D+UH
[0022] yk= h(x k)+wk
[0023] xk为系统在k时刻的状态值，y k为系统状态x k的量测值，uh，wk分别为非线性系 统的过程噪声和量测噪声值。
[0024] 粒子滤波目标跟踪的基本步骤如下：
[0025] 1.初始化：初始跟踪帧k，然后根据先验分布p(xk)，采样初始粒子集
[0026] 2. For k = 1,2,...
[0027] a)重要性采样：从建议分布采样粒子集，i(A I ;
[0028] b)重要性加权：
[0029] 重要性加权公式为：
[0030]
【主权项】
1. 自适应粒子群优化粒子滤波运动目标跟踪方法，在用粒子滤波方法进行运动目标的 跟踪过程中，利用粒子群优化方法对粒子的位置进行优化；其特征在于，在利用粒子群优化 方法对粒子的位置进行优化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适 应调整，具体如下；如全局最优粒子的位置在连续Ml次迭代中始终变化，则减少粒子数量； 如全局最优粒子的位置在连续M2次迭代中始终不变，则增加粒子数量；Ml、M2为预设的大 于等于3的整数。
2. 如权利要求1所述自适应粒子群优化粒子滤波运动目标跟踪方法，其特征在于，Ml 等于M2。
3. 如权利要求1所述自适应粒子群优化粒子滤波运动目标跟踪方法，其特征在于，每 次所增加或减少的粒子数量为1。
4. 如权利要求1所述自适应粒子群优化粒子滤波运动目标跟踪方法，其特征在于，在 用粒子滤波方法进行运动目标的跟踪过程中，所使用的特征为颜色直方图。
5. 如权利要求4所述自适应粒子群优化粒子滤波运动目标跟踪方法，其特征在于，使 用己氏距离度量颜色直方图的相似度。
【专利摘要】本发明公开了一种自适应粒子群优化粒子滤波运动目标跟踪方法，属于图像处理与智能视频监控技术领域。本发明方法在用粒子滤波方法进行运动目标的跟踪过程中，利用粒子群优化方法对粒子的位置进行优化；在利用粒子群优化方法对粒子的位置进行优化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适应调整。相比现有技术，本发明不但可有效减轻粒子群优化中的局部最优现象，提高目标跟踪的准确度，同时又具有算法复杂度低，实时性好的优点。
【IPC分类】G06T7-20
【公开号】CN104574442
【申请号】CN201510019086
【发明人】胡栋, 王佩思, 魏巍, 曹金山
【申请人】南京邮电大学
【公开日】2015年4月29日
【申请日】2015年1月14日