基于量子粒子群优化的视觉跟踪方法
【技术领域】
[0001] 本发明涉及视觉跟踪技术，具体涉及基于量子粒子群优化的视觉跟踪方法。
【背景技术】
[0002] 视觉跟踪技术是计算机视觉领域中一项重要并且极具挑战的研宄。这是因为视觉 跟踪技术已经被广泛地应用于智能监控、人机交互、智能交通、运动捕捉等领域。在视频序 列中给定目标的初始状态，视觉跟踪的目标是在随后的图像中估计目标的状态。尽管鲁棒 的视觉跟踪技术依旧存在较大的困难（例如：光照变化、遮挡、外观以及形状的变化、剧烈 的随机性运动等），近些年来，大量的研宄为视觉跟踪技术提供了大量的思路，许多性能良 好的跟踪算法已经被用到实际应用中。
[0003] 当前大多数的跟踪算法可以被视为一个优化过程：在新的一帧图像中，搜寻目标 的最优状态。这样的话，可以将大多数跟踪算法分成两类：确定性方法（deterministic methods)和随机性方法（stochasticmethods)。确定性方法通常包含一个用来求解成本 函数（costfunction)的最优化算法。典型的确定性方法有meanshift算法和基于主轮 廓线模型（蛇模型）的跟踪算法。确定性方法的优点在于计算复杂度低，缺点是容易陷入 局部最优，这会导致跟踪结果不够精确并且容易丢失目标从而使得跟踪失败。与确定性方 法不同，随机性方法中目标的状态是随机性的，而新的一帧图像中目标状态的确定是根据 概率的方法。典型的随机性跟踪方法是粒子滤波（particlefilter)，也被称为时序蒙特卡 洛方法。相较于确定性跟踪方法，随机性跟踪方法不会陷入局部最优，具有较强的稳定性。 然而这种方法通常计算复杂度较大，尤其在高维模型中，计算量很大。
[0004] 近年来，粒子群优化算法（PS0)在视觉跟踪领域得到了广泛的应用，这是由于粒 子群优化算法能够很好地解决非线性、多峰优化问题。与其他群体智能算法不同，粒子群优 化算法的粒子之间是相互作用并且是受整体环境影响的，类似于群鸟捕食。粒子群优化算 法以其简单高效的特性，被应用到视觉跟踪算法中，取得了不错的效果。然而粒子群优化算 法是局部收敛的算法，同样会陷入局部最优，这是因为粒子群优化算法中，每个粒子的运动 轨迹是有限制的，这导致了迭代过程中搜索空间局限性。因此，基于粒子群优化算法的跟踪 方法并不能很好的解决跟踪过程中的存在的难题。
【发明内容】
[0005] 为了解决基于粒子群优化算法的跟踪方法所存在的问题，本发明的目的是提出一 种鲁棒性较好的跟踪方法，能够完成多种复杂场景（光照和外观变化、剧烈运动、遮挡、背 景干扰等）下的跟踪任务。
[0006] 为实现上述目的，本发明提出一种基于量子粒子群优化（QPS0)的视觉跟踪方法， 包括如下步骤：
[0007] 步骤1、对前一帧图像中粒子的个体最优状态集合进行随机传播并产生新的粒 子；
[0008] 步骤2、对新的粒子进行量子粒子群优化迭代：
[0009] 步骤21、更新粒子状态；
[0010] 步骤22、根据粒子状态得到每个粒子对应的观测值，计算粒子的适应度值；
[0011] 步骤23、根据适应度值更新粒子的个体最优状态和群体最优状态；
[0012] 步骤24、根据适应度值、粒子的个体最优状态和群体最优状态进行收敛性判断： 若满足收敛条件则输出群体最优状态粒子对应的观测值作为当前帧图像的跟踪结果，否则 跳转到步骤21。
[0013] 其中对前一帧图像中粒子的个体最优状态集合进行随机传播的具体步骤为：给 定前一帧图像中粒子集合的最优状态，根据高斯分布对个体最优状态粒子集合进行随机传 播。
[0014] 对新的粒子进行量子粒子群优化迭代，包括以下步骤：
[0015]S211、给定上一次迭代后的粒子最优状态、群体最优状态，对于新的一帧的初始状 态，则使用前一帧跟踪结果所对应的粒子最优状态、群体最优状态；
[0016] S212、计算粒子的平均最优状态
【主权项】
1. 基于量子粒子群优化的视觉跟踪方法，其特征在于，包括w下步骤： 步骤1、对前一帖图像中粒子的个体最优状态集合进行随机传播并产生新的粒子； 步骤2、对新的粒子进行量子粒子群优化迭代： 步骤21、更新粒子状态； 步骤22、根据粒子状态得到每个粒子对应的观测值，计算粒子的适应度值； 步骤23、根据适应度值更新粒子的个体最优状态和群体最优状态； 步骤24、根据适应度值、粒子的个体最优状态和群体最优状态进行收敛性判断：若满 足收敛条件则输出群体最优状态粒子对应的观测值作为当前帖图像的跟踪结果，否则跳转 到步骤21。
2. 按照权利要求1所述的基于量子粒子群优化的视觉跟踪方法，其特征在于，对前一 帖图像中粒子的个体最优状态集合进行随机传播的具体步骤为：给定前一帖图像中粒子集 合的最优状态，根据高斯分布对个体最优状态粒子集合进行随机传播。
3. 按照权利要求1所述的基于量子粒子群优化的视觉跟踪方法，其特征在于，更新粒 子状态包括W下步骤： 5211、 给定上一次迭代后的粒子最优状态、群体最优状态，对于新的一帖的初始状态， 则使用前一帖跟踪结果所对应的粒子最优状态、群体最优状态； 5212、 计算粒子的平均最优状态
其中N表示该 粒子集合中的粒子数量，Pi表示当前图像中第i个粒子的个体最优状态，d表示粒子状态的 维度； 5213、 计算吸引子的状态，巧=(〇^7，,+(1-口其中Pg是当前帖图像中粒子群体最 优状态是介于0到1之间的随机数； 5214、 对粒子状态进行迭代：
U为介于0到1之间的随机 数，Xi为粒子状态。
4. 按照权利要求1所述的基于量子粒子群优化的视觉跟踪方法，其特征在于，更新粒 子的个体最优状态和群体最优状态的步骤有： 5231 ;基于当前粒子的适应度值，更新粒子的个体最优状态：对每个粒子，如果粒子当 前状态对应的适应度值大于其个体最优状态对应的适应度值，则将粒子的个体最优状态更 新为粒子的当前状态；否则保持其个体最优状态不变； 5232 ;基于当前粒子的适应度值，更新粒子的群体最优状态：更新完粒子的个体最优 状态后，在所有粒子的个体最优状态对应的适应度值中，选择适应度值最大的粒子的个体 最优状态，作为群体最优状态。
5. 按照权利要求1所述的基于量子粒子群优化的视觉跟踪方法，其特征在于，收敛性 判断具体为； S241 ;对群体最优状态粒子的适应度值进行收敛性判断，如果群体最优状态粒子的适 应度值大于预设的阔值th，并且所有粒子的个体最优状态与群体最优状态的误差小于预设 的阔值T，则认为满足收敛条件； 5242 ;如果S241的条件不满足，则继续判断是否达到最大迭代次数，如果达到最大迭 代次数，则认为满足收敛条件，否则认为还未收敛； 5243 ;如果收敛性判断为已经收敛，则停止迭代并输出群体最优状态对应的观测值作 为当前图像的跟踪结果，如果收敛性判断为未收敛，则跳转到步骤21。
【专利摘要】本发明公开了一种基于量子粒子群优化的视觉跟踪方法，其实现步骤为：(1)在当前图像中，利用状态转移分布对上一帧图像中粒子的个体最优状态进行随机传播；(2)对随机传播后的粒子进行量子粒子群优化迭代；(3)利用基于混合高斯的外观模型计算每个粒子的适应度值；(4)根据适应度值更新粒子的个体最优状态和群体最优状态；(5)收敛判断：若满足收敛条件则以群体最优状态对应的观测值作为当前图像的跟踪结果，若不满足收敛条件，则继续进行量子粒子群优化迭代。本发明实现了有效的视觉跟踪，具有良好的鲁棒性。
【IPC分类】G06T7-20
【公开号】CN104851110
【申请号】CN201510192189
【发明人】王保云, 孙波, 高 浩, 师玉娇
【申请人】南京邮电大学
【公开日】2015年8月19日
【申请日】2015年4月21日