一种联合多特征的层次粒子滤波跟踪方法
【技术领域】
[0001] 本发明设及基于彩色图像的目标跟踪系统，属于计算机视觉领域，具体设及一种 基于联合多特征的层次粒子滤波跟踪算法。
【背景技术】
[0002] 由于粒子滤波算法是基于贝叶斯框架的概率估计方法，非常适合于描述目标跟踪 运一不确定性问题，而且其在处理非线性、非高斯、多模态的系统时具有独特的优势，粒子 滤波算法己成为目标跟踪领域主要的理论框架之一，并得到成功应用。但是目标在运动中 可能会被非目标的物体部分遮挡或全部遮挡，或者被跟踪的多个目标互相遮挡。遮挡往往 会造成目标的误跟踪或跟踪丢失，遮挡问题是目标跟踪算法必须解决的问题。尽管粒子滤 波算法本身具有一定的鲁棒性，但是在目标被严重遮挡或者被具有相似外观的物体遮挡的 情况下，随机粒子的分布不能很好地近似目标状态。另外，在实际的目标跟踪系统应用中， 背景往往比较复杂，环境中存在着具有与目标外观相近的物体，自然光线或灯光的亮度也 会不断变化，运些因素均对系统的跟踪精度产生一定的影响，常常会导致跟踪效果不佳。
[0003] 针对实际应用中往往存在目标被遮挡的情况，前人做了许多工作，如对遮挡前的 目标训练分类器，遮挡发生后通过分类器识别目标，但是运种方法当两个物体外观相近时 仍不能很好的解决问题。或者通过采用JPDAF(Joint Prob油ilistic Data Associative Filter)的方法处理遮挡，但运种方法计算复杂。最典型的方法是Snake主动轮廓模型，运 种方法可W给出目标精确的轮廓，但模型依赖于图像中的细微变化，存在轮廓初始化、对图 像噪声非常敏感、不能解决快速运动的目标跟踪等问题。而针对复杂背景干扰、光照变化产 生的不利影响，为了保证复杂背景下粒子滤波的跟踪精度，目前的研究主要集中在两个方 面：一是优化粒子采样方法，使粒子更好地近似目标的后验概率分布；二是建立鲁棒的特 征模型，使目标特征模型具有高分辨能力。然而在运些方法中，目标状态的估计往往依赖于 滤波器模型，很容易受到复杂环境干扰的影响；目标显著特征的提取和模型的建立也较为 复杂，在实际应用中具有一定的局限性。
【发明内容】
[0004] 有鉴于此，本发明提供了一种联合多特征的层次粒子滤波跟踪方法，能够有效地 充分利用不同目标特征信息，有效地去除误匹配。
[0005] 为了达到上述目的，本发明的技术方案包括如下步骤：
[000引步骤1、获取目标的连续帖图像，并在第1帖图像上选定目标区域，设粒子表 征目标在图像中的位置，并设定粒子滤波中的粒子数目Ν，获得初始时刻0时刻的粒子集 ^刀始化该粒子集中粒子状态分布为随机高斯分布；i为粒子编号。
[0007]从第2帖开始的第k帖图像中，其对应时刻为k。
[000引步骤2、W第k-1帖图像中的目标区域的中屯、点作为第k帖的捜索区域的中屯、点， 在捜索区域中进行角点检测，获得角点；然后根据第k-1帖中对应的目标位置，建立目标的 颜色和纹理特征的联合直方图。
[0009] 步骤3、根据预先设定的粒子运动模|心1^将k-1时刻的粒子i通过传递函 数佑_,，為_1迄传递到下一时刻，得到k时刻的粒子集戊说:，其中淹，为k-1时刻粒子权值， 其中初始权值数值设为1/N。
[0010] 步骤4、提取获得第k帖图像中的角点，对第k帖图像与第k-1帖图像进行特征点 匹配，获得目标角点特征信息，确定k时刻粒子的一阶权值4.1 . 'G
[0011] 步骤5、根据目标的颜色和纹理特征的联合直方图建立目标颜色和纹理特征联合 似然函数，利用一阶权值与联合似然函数相乘获得二阶权值将二阶权值进行权值归 一化，作为k时刻粒子权值巧:。
[0012] 步骤6、根据k时刻粒子权值W及其粒子集(4培，获取k时刻目标状态估计值
作为k时刻的目标区域。
[0013] 步骤7、判断粒子滤波是否结束，若是则完成粒子滤波，并退出本流程，否则，判断 捜索区域中的粒子数目Neff是否小于Nth，若是，则将k时刻的粒子权值诚恢复为初始权值， 否则维持k时刻的粒子权值4不变；其中Nth为预先设定的阔值；令k自加1，返回步骤2。
[0014] 进一步地，步骤4中一阶权值的具体步骤为：
[0015] 在对第k帖图像进行角点提取，并与第k-1帖图像进行特征点匹配，W确定匹配区 域，其中匹配区域小于捜索区域且大于目标区域，将分布在匹配区域外的粒子的一阶权值 置零，将分布在匹配区域内的粒子保持k-1时刻权值作为D
[0016] 进一步地，步骤2中根据目标初始坐标，建立目标的颜色和纹理特征的联合直方 图时，利用LBP算子建立目标的纹理特征描述，针对目标区域中每个粒子计算LBP算子 L区Ρ"ι'\
[0017]
[0018] 其中g。是当前粒子的局部邻域中屯、像素点的灰度值，gρ(ρ= 0, 1，…，P-1)在半径为R的圆形对称区域内R个相等空间像素灰度值，R> 0,P为采样点个数，S为符号函数
U表示均匀性的度量，
y
[0019] 由此得到一个量化为8bin的纹理直方图模型；
[0020] 而根据目标的颜色信息，R、G、BΞ通道的颜色特征可W被量化为8X8X8bin的颜 色直方图；
[0021] 联合目标的颜色和纹理特征，建立一个8X8X8X8的联合直方图来描述目标特 征。
[0022] 进一步地，步骤5中，采用步骤2中建立据目标的颜色和纹理特征的联合直方 图的方式，分别建立目标区域模型和捜索区域模型，然后计算目标区域模型和捜索区域 模型之间的己氏化attacharyya距离d，从而建立目标颜色和纹理特征联合似然函数
Zk表示目标观测向量，σ为正态分布的尺度参数，具体为 目标区域中粒子的标准差。
[0023] 进一步地，二阶权值为蛛3 。
[0024] 有益效果：
[00巧]本发明采用了不同方法提取了目标的颜色、纹理、角点特征，运些特征易于提取且 可W从不同侧面描述目标的外观模型。本发明在层次粒子滤波算法框架下，根据目标的角 点特征确定粒子的一阶权值，依据目标的颜色和纹理特征计算粒子的二阶权值，从而能够 有效地充分利用不同目标特征信息，有效地去除误匹配，实现由"粗"到"精"的目标跟踪过 程。能够在存在相似背景或物体干扰、光线变化及部分遮挡等较复杂环境中，实现对目标准 确稳定的跟踪，算法具有良好的鲁棒性，提高了动态环境中目标跟踪的可靠性。
【附图说明】
[0026] 图1为标准的LBP算子区域示意图。
[0027] 图2为心算子的9种均匀模式示意图。
[0028] 图3为采用基于颜色特征的粒子滤波跟踪算法跟踪结果。
[0029] 图4为基于角点特征的目标匹配及粒子分布。
[0030] 图5为目标LBP纹理特征图像。
[0031] 图6为跟踪飞行器时基于本发明算法的目标跟踪中的化attacharyya系数变化。
[0032] 图7为采用本发明算法对飞行器的跟踪结果。
[0033] 图8为采用本发明算法对坦克模型的跟踪结果。
[0034] 图9为基于本发明算法的目标跟踪中的角点匹配率变化。
[0035] 图10为跟踪坦克模型时基于本发明算法的目标跟踪中的化attacharyya系数变 化；
[0036]图11为本方法流程图。
【具体实施方式】
[0037] 下面结合附图并举实施例，对本发明进行详细描述。
[0038] 实施例1、本实施例中的联