基于粒子滤波和加权Surf的抗遮挡目标跟踪方法
【技术领域】
[0001] 本发明属于视频目标跟踪技术领域，具体涉及一种基于粒子滤波和加权Surf的 抗遮挡目标跟踪方法，即通过粒子滤波来初步预测目标，结合扩展卡尔曼实现目标部分遮 挡或短暂全遮挡后的再次预测目标，并提出加权Surf来进一步精确定位目标，从而实现由 粗到细的二级跟踪。
【背景技术】
[0002] 视频目标跟踪是当今计算机视觉领域的前沿研究课题，同时也是热点问题。它的 主要任务就是跟踪序列图像中的运动目标，对目标的行为进行理解和描述，进而进行其它 处理。视频目标跟踪已经应用于众多领域：智能交通、安防监控、军事应用、人机交互、医学 诊断等，因此研究视频目标跟踪技术具有重要的学术意义和实用价值。
[0003] 目前最经典的目标跟踪算法是Meanshift算法，无需进行参数预测可以进行 快速模式匹配，如中国专利文献中公开的一种抗遮挡目标轨迹预测跟踪方法（公告号： CN101853511B，2012年7月11日授权），其采用对应模板配准来确定目标的下一个位置，通 过迭代找到新的中心点，但是其跟踪的准确性略逊于粒子滤波器。而粒子滤波算法能够有 效地解决跟踪中的非线性、非高斯系统的滤波问题，因而得到了国内外学者的深入研究和 高度关注。
[0004]现有处理遮挡问题的粒子滤波目标跟踪算法主要有两种：（1)基于分块模板匹配 的算法：该算法解决了常用的单一模板匹配易受异物或背景等的影响，通过对目标模板进 行分块，利用多个子块对目标进行联合判决，使得对目标位置的判决更为准确，这类算法也 适用于多目标跟踪；（2)基于多特征的目标跟踪算法，也称多线索跟踪，如中国专利文献中 公开的一种多特征融合的粒子滤波视频目标跟踪方法（公告号：CN102722702B，2015年1 月28日授权），该技术方案利用多个具有互补性的目标特征同时对目标状态进行观测，并 在一个合理框架内进行融合，从而可靠地得到目标的精确状态。此外，多特征融合避免了单 一特征的不稳定，对背景干扰（包括相似颜色、干扰边缘）、部分遮挡、光照变化等均具有较 高的鲁棒性。
[0005]然而，目前处理遮挡问题的上述粒子滤波目标跟踪的两种算法尽管具有一定的抗 遮挡效果，但是也存在一些不足：对于模板分块跟踪算法来说，因为将跟踪目标简单分割成 了几个子块，各子块跟踪框并不能完全包含目标的特征信息，且同时存在的一些背景信息， 会对块匹配造成干扰；另一方面它需要利用未被遮挡的子块的信息来判断遮挡的程度，所 以不能处理全遮挡的情况。而多特征融合的目标跟踪算法也是利用目标未被遮挡的部分特 征，可跟踪部分遮挡的目标，但无法处理全遮挡的情况。
【发明内容】
[0006]本发明的目的是克服现有的视频跟踪应用环境中存在遮挡的问题，进而引入遮挡 评价机制，并提出粒子滤波预测和加权Surf精确定位的二级目标跟踪框架。
[0007] 为此，本发明提供了一种基于粒子滤波和加权Surf的抗遮挡目标跟踪方法，具体 包括如下步骤：
[0008] 步骤一、目标模板初始化；
[0009] 步骤二、建立粒子状态转移和观测模型，采用粒子滤波预测目标候选区域；
[0010] 步骤三、计算遮挡因子并通过遮挡因子判断目标是否发生遮挡；
[0011] 步骤四、若遮挡，利用扩展卡尔曼重新预测目标位置；
[0012] 步骤五、若未遮挡，对粒子滤波所确定的目标候选区域，提取Surf特征点并与目 标模板匹配，通过加权匹配特征点的位置信息和尺度信息，精确定位目标的位置和区域；
[0013] 步骤六、根据配准特征点对的数量，决定是否采用遗忘因子的方式来动态更新模 板。
[0014] 上述步骤一、目标模板初始化，包括如下步骤：
[0015] (1. 1)将第一帧目标所在区域作为初始目标模板，提取目标模板的Surf特征点， 并建立目标模板的颜色加权直方图P(x) = {pu(x)}u= 1u;
[0017] 其中nh为目标区域的总像素数;m为颜色直方图中直方格的量化阶数；k为高斯核 函数；Ch用于归一化：
表示核函数窗宽，氏，民表示目标矩形区 域长宽大小；S为冲激函数，和颜色量化函数b(Xl):R2- {1Lm} -起，用于判断目标区域 内像素Xl是否属于颜色直方图的第u个直方格。
[0018] 上述步骤二、建立粒子状态转移和观测模型，采用粒子滤波预测目标候选区域，包 括如下步骤：
[0019] (2. 1)对目标模板的传播粒子进行初始化定位，定义粒子的初始状态为< :
[0020] (2. 2)同时采用如下一阶随机游走模型对粒子状态进行传播；
[0021] x!= +v； (2)
[0022] 式中x;表示t时刻的新粒子，v;是均值为零的高斯白噪声，A为系数矩阵；参照图3 的粒子传播示意图，t-i时刻的粒子通过状态转移模型传播，虚线框代表粒子传播后状态；
[0023] (2. 3)计算各粒子对应候选目标区域的核直方图分布，记为q(x) = {qu(x)}u =ani;
[0024] (2. 4)计算目标模板和第j个粒子候选区域的相似度，采用如下Bhattacharyya距 离作为相似度函数：
[0026] (2. 5)更新粒子的权值，假定粒子数为N，初始权值均为1/N:
[0028]式中，〇为高斯似然模型方差常数，<i和《)/分别表示t-Ι时刻和t时刻的第j个粒子的权值；
[0029] (2. 6)利用最小方差估计来计算候选目标的位置：
[0031] 式中，x_表示计算的当前帧的候选目标的位置，X/表示t时刻第j个粒子对应状 态值；
[0032] (2. 7)引入随机重采样方法，删除权值过小的粒子，保证重采样后的粒子的可靠 性，有效缓解粒子退化现象。
[0033] 上述步骤三、计算遮挡因子并通过遮挡因子判断目标是否发生遮挡，具体包括如 下步骤：
[0034] (3. 1)若X。为当前目标位置，令qu(x。）为当前候选区域的颜色直方图，pu(x)为目 标模板的颜色直方图，判定目标特征u是否被遮挡：
[0035]
[0036] 当cu> 1时，目标特征u被部分遮挡；当cu=-1时，目标特征u被全部遮挡；
[0037] (3. 2)计算遮挡因子occl:
[0038]
[0039] 其中λe[1，m)，为遮挡程度参量；当occl >ξ(ξe(0,D)，则认为目标发 生遮挡；
[0040] (3. 3)判断出现遮挡时，转步骤四，启动扩展卡尔曼滤波来重新预测目标区域；判 断未出现遮挡时则直接转步骤五，对目标位置进行精准定位。
[0041] 上述步骤四、若遮挡，利用扩展卡尔曼重新预测目标位置，具体包括如下步骤：
[0042] (4. 1)构造扩展卡尔曼滤波估计模型，建立如下的状态方程和观测方程，
[0043]S(k)=F·S(k-l)+ff
[0044]Z(k)=Η·S(k)+V (8)
[0045]
[0046] 式中，S(k)和Z(k)分别为系统的状态向量和观测向量，F是状态转移矩阵，H是非 线性观测矩阵，W和V分别为过程噪声观测噪声，其方差分别为Q和R;
[0047] (4. 2)建立系统状态预测方程，
[0048]S(k|k-1)=F·S(k-1 |k-l) (9)
[0049] 式中S(k|k-1)是利用上一帧预测的结果，S(k-l|k-l)为上一帧状态的最佳预测 值；
[0050] (4· 3)对S(kIk-1)的协方差矩阵P(kIk-1)进行预测；
[0051]P(kIk_l) =F·P(k_lIk_l) ·FT+Q(10)