一种基于粒子群优化的模版匹配跟踪方法
【技术领域】
[0001] 本发明属于模版匹配技术领域，尤其涉及一种基于粒子群优化的模版匹配跟踪方 法。
【背景技术】
[0002] 视频目标跟踪是指根据视频中目标的视觉特征在视频帧序列中确定感兴趣的特 定目标在图像中的位置、大小、速度等运动参数及轨迹。视频目标跟踪是计算机视觉系统的 核心任务之一，在智能视频监控、人机交互、医学诊断、机器人导航等众多领域有着广泛的 应用前景。然而在实际中，对复杂场景的鲁棒性以及对跟踪算法的实时性要求是目前视频 目标跟踪技术的主要挑战。因此如何提高跟踪技术的准确性、实时性，以适应实际应用领域 的各种需求是目前的视频目标跟踪技术领域关注的关键问题。
[0003] 基于模版匹配的跟踪算法是一种简单、易行的跟踪算法，它是通过事先建立的目 标模版在待测图像上与候选图像块进行相关性匹配运算，搜索寻找最佳匹配的图像块作为 在当前帧中的跟踪结果，该算法具有理论简单明了、容易实现等特点。
[0004] Olson C F[01son C F. Maximum-1 ikel ihood template matching [C]// Computer Vision and Pattern Recognition, 2000. Proceedings.IEEE Conference on. IEEE，2000, 2:52-57.]提出了运用最大似然计算模板匹配的方法，并提出该方法可用于 视频跟踪。基于模版匹配的跟踪算法大多数能准确的跟踪上目标，但如果图上中有比较复 杂的背景，存在干扰性很强的区域时，将会出现跟踪漂移并导致跟踪识别的情况，并且该算 法计算复杂度较高，因此阻碍其在实际中的应用。为此，基于模版匹配的跟踪算法的不同的 策略被提出，其目的在于提高模版匹配的效率及鲁棒性。目前基于模板匹配的跟踪算法的 改进主要在两个方面，其一，减少相关匹配计算的运算量；其二，减少相关匹配计算的次数。 减少相关匹配的计算量，也就可能改变了匹配的方法，那么匹配的精度就难以保证。
[0005] 模版匹配算法以图像像素值信息进行匹配的，通常采用的是归一化相关系数的模 版匹配算法，通过建立归一化的相关函数的方法来进行相似度量的计算。相似度量r (X，y)， 即描述目标模版Τ(Χ(Ι，％)与候选模版G(X+X(l，y+ yci)的相似程度的一个标量值。
[0007] 根据柯西-施瓦兹不等式可知式（1)中(Kr (X，y) < 1，只有当目标模版和候选模 版完全一致时，r(x，y)取得最大值1。基于模板匹配的跟踪算法就是即要在视频当前帧中 寻找使得r(x，y)取得最大值的候选图像块位置作为当前目标的位置；由公式（1)可知，对 应每一个大小为WXH的候选匹配图像块，模板匹配算法需要进行0 (WH)次乘法运算，传 统的模板匹配算法在图像中采用遍历的方法搜索寻找最优的匹配，对于大小为UXV的图 像搜索区域而言，则需要〇 (WHUV)次乘法运算，即使按照费俊琳等人提出的由粗及细的方 法，也至少需要
次乘法运算，m与η其中为粗搜索的间隔，而精搜索的图 像区域大小为U' XV'。
[0008] 现有的模板匹配的计算复杂度很高，由粗及细的搜索方法也容易陷入局部最优， 使得最终得到的匹配结果不是最优结果。
【发明内容】
[0009] 本发明的目的在于提供一种基于粒子群优化的模版匹配跟踪方法，旨在解决现有 的模板匹配的计算复杂度很高，由粗及细的搜索方法也容易陷入局部最优，得到的匹配结 果不是最优结果的问题。
[0010] 本发明是这样实现的，一种基于粒子群优化的模版匹配跟踪方法，所述基于粒子 群优化的模版匹配跟踪方法首先根据目标以往的运动情况预测目标在当前帧中可能的位 置，每一种预测用粒子群优化算法中的一个粒子进行表示，将目标的位置和范围作为粒子 群优化算法的搜索空间；
[0011] 其次，在状态搜索空间中，运用粒子群优化搜索算法寻找具有最大相关匹配值的 目标状态值作为目标跟踪的结果，并根据跟踪结果自适应更新模板以实现持续稳健的跟 足示。
[0012] 进一步，所述基于粒子群优化的模版匹配跟踪方法具体包括以下步骤：
[0013] 步骤一，选定跟踪区域，建立目标模板：
[0014] 在跟踪的第一帧时，人为或自动用矩形框（X(l，yci，W，H)选定待跟踪目标的矩形区 ±或，其中，（ x〇，y。）为矩形框在图像帧中的位置，（w，H)而代表矩形框的大小，以矩形框所表 示的图像块作为初始目标模板Τ( Χ(Ι，％);
[0015] 步骤二，初始化粒子群：
[0016] 将目标的位置及范围作为粒子群的搜索状态空间，每个粒子代表目标在状态空间 的一种状态可能，初始化粒子群的种群数为m，即粒子群中有m个粒子，任意粒子i的状态初 始化为根据以往目标运动的先验知识，在上一帧跟踪结果附近随机游动，第K-I帧的跟踪 结果为（X ih, yu Wk+ D，则初始化第K帧时粒子i的状态Si= (X iK, yiK, WiK, HiK)为：
[0017] xiK= x κ-ι+νχ+ηχ (2)
[0018] yiK= y K-i+vy+ny ⑶
[0019] WiK=WK_1+nw (4)
[0020] Htt=UnH; (5)
[0021] (vx，vy)分别为根据以往的跟踪结果得到的目标的帧间位移向量先验知识，在跟 踪第一帧（vx，vy)设为（〇,〇)，（n x，ny)为零均值高斯噪声，（nw，nH)为在集合{-1,,0,1}中 按均匀分布随机取值的随机数，目标的帧间位移定义为匀速运动叠加上一零均值分布的 高斯噪声，而由于目标帧间尺度变化通常非常小，因此定义目标尺度的帧间变化为在集合 {-1，，0, 1}中的随机取值；
[0022] 种群中每个粒子在状态空间的运动速度初始化为：
[0023] Vi= (v ix, viy, viff, viH)T= (0,0,0,0) τ； (6)
[0024] 初始化每个粒子的个体最优为其本身所代表的初始状态值，即：
[0025] Pi= (XiK，yiK，WiK，HiK)T; (7)
[0026] 步骤三，计算每个粒子对应的相关匹配值，并得到全局最优：
[0027] 在进行目标跟踪过程中，由于传感器增益的自适应调节以及光照条件的变化等因 素影响，目标模板的像素均值并非总是保持不变，目标像素均值的变化必定会对目标的相 似匹配结果产生影响，为消除此类影响，在行相关匹配计算时，分别减去了目标模板均值T 以及候选区域（xiK，yiK)的灰度均值Gu之后再进行归一化的相关系数的计算：
[0029] 按照上式计算各个粒子所对应的相关匹配值，将相关匹配值最大的粒子初始化为 粒子群的全局最优，即：
[0031] 步骤四，粒子群优化搜索：
[0032] 粒子在搜索空间中的运动由下列方程决定：
[0033] vid (t+1) = 〇vid(t) + n1r1(pid(t)-xtd(t)) + n2r2(pgd(t)-xtd(t)) (10)
[0034] xid (t+1) = xid (t)+vid (t+1) ； (11)
[0035] 其中d = {x, y, W, Η}，代表不同的状态变量，i = 1，2, ···，m，t表示优化搜索算法 的进化代数，ω为微粒的惯性权值，巧及^为分布于[0，1]间的随机数，n JP n 2为加 速常数，设置速度的上限ν_，当vid (t+1) >ν_时有V id (t+1) = Vniax，当vid (t+1) <-ν_时有 vid (t+1) = -vmax；
[0036] 设置粒子的惯性权值ω按如下方式进行变化：
[0038] 即随着搜索迭代次数的递增，惯性权值ω逐渐减少，从而放慢搜索的脚步；
[0039] 让全局最优的粒子在解空间中作随机游动：
[0040] Pg (t+1) =pg(t)+r3 (13)
[0041] 计算全局最优粒子随机游动后在新位置处对应的相关匹配值γ，并替换当前相关 匹配值最小的粒子；
[0042] 步骤五，更新全局最优以及个体最优：
[0043] 依据每个粒子所代表的新的状态值{^(〇,7〇^)，1"(〇，!^(〇}，按公式（8)计 算其所对应的新相关匹配值γ (xiK(t)，yiK(t))，通过比较每个粒子自身在各次迭代中的相 关匹配值，更新个体最优：
[0045] 根据更新后的个体最优更新全局最优：
(15)
[0047] 步骤六，判断优化迭代是否结束：
[0048] 当满足相邻两次优化迭代搜索得到的全局最优的相关匹配值的差小于规定阈值 thred，则迭代结束；最后一次迭代得到的全局最优样本作为当前帧中的目标，前后相邻两 次全局最优的相关匹配值之差大于规定阈值，则回到步骤四进行新一轮优化搜索；
[0049] 步骤七，模板更新：
[0050] 将当前跟踪模板的相关匹配值作为判断跟踪准确性的依据，将目标模板与当前帧 的跟踪结果进行动态加权进行模板更新：
[0051] T (x, y) = (I- α ) X T (x,