基于改进箱粒子滤波的视频目标跟踪方法
【技术领域】
[0001] 本发明属于跟踪监测技术领域，特别涉及一种视频目标跟踪方法，可用于视频监 控、目标跟踪系统。
【背景技术】
[0002] 在视频跟踪研究中，基于粒子滤波的目标跟踪方法由于其在解决非线性问题方面 的优异特性，以及相对开放的跟踪框架对各种特征描述方法的兼容能力，在视频跟踪中得 至IJ了广泛的应用。然而，由于采样粒子的空间覆盖能力与实际量测存在的模糊性不相匹配， 致使普通粒子滤波跟踪方法对于运动动态范围大的小目标的捕获性能变差。因此，如何提 高粒子采样效率，利用较少的粒子实现对目标可能存在区域的有效覆盖，同时与量测模糊 性相匹配，已成为视频跟踪研究中的难点问题。
[0003] 目前，典型的目标跟踪方法有：均值漂移，普通粒子滤波和普通箱粒子滤波等。其 中：
[0004] 均值漂移方法，虽然简单易实现，计算量小，但因具有局部收敛特性容易陷入局部 最优解而产生明显的跟踪滞后效应，对快速移动的大动态范围目标易产生失跟；
[0005] 普通粒子滤波方法的跟踪性能较大程度依赖于所采用的粒子数，且将所用粒子抽 象为空间体积为零的点。这使得大量粒子映射到量测空间中，只占据若干个与量测尺度相 当的区域，存在点粒子描述精确性与量测模糊性之间不匹配的问题，导致计算量的浪费。
[0006] 普通箱粒子滤波方法，将普通的点粒子拓展为箱粒子，从而更为高效的实现对目 标状态空间的覆盖，解决了粒子在状态空间中的覆盖能力与量测模糊性不匹配的问题。但 是现有的箱粒子滤波仅应用于雷达目标跟踪中，无法直接应用于视频目标跟踪中。将箱粒 子滤波概念引入视频目标跟踪中，主要面临以下问题：一是普通箱粒子滤波中所使用的区 间分析理论仅适用于初等函数映射，而视频跟踪中量测函数不是初等函数；二是数字图像 坐标具有离散性，而普通箱粒子滤波中的收缩算法和重采样策略都要对箱粒子进行分割操 作，使其可能小于一个像素，从而失去意义。
【发明内容】
[0007] 本发明的目的在于针对上述已有技术中的不足，结合视频跟踪中量测函数为非初 等函数以及数字图像坐标具有离散性的情况，对量测区间映射、收缩算法和重采样策略进 行改进，提出了一种基于改进箱粒子滤波的视频目标跟踪方法，以提升对大动态范围小目 标的搜索和捕捉性能及粒子采样效率。
[0008] 实现本发明的技术关键是：在跟踪过程中，通过顶点映射函数实现对量测实际分 布区间简便而有效的估计，并且将收缩算法和重采样策略中涉及箱粒子体积的操作改进为 稳定且可控的收缩和放大，以保证估计精度与箱粒子覆盖能力之间的平衡，从而更为高效 的实现对目标状态空间的覆盖，提高对目标的搜索和捕捉性能，以及跟踪的实时性。其实现 步骤包括如下：
[0009] (1)初始化：
[0010](la)读入k-1时刻的图像Iki，将普通点粒子拓展为箱粒子，初始化k-1时刻的箱 粒子集为,其中，表示k-i时刻第i个箱粒子的状态区间，i为箱粒子序号， 取值为1，2,…，N，N表示箱粒子总数，k表示时刻，初始时刻为k= 1 ;
[0011] (lb)初始化目标跟踪窗：Bk(rkDcky，其中rki和cki分别表示k-ι时刻目 标跟踪窗的长度和宽度值，T表示向量转置运算；
[0012](lc)根据目标初始状态与目标跟踪窗Bki，初始化目标的特征协方差矩阵Μ作为 特征模板；
[0013] (2)预测目标状态：
[0014] (2a)读入k时刻的图像Ik，通过对k-Ι时刻图像中箱粒子的传递，得 至|Jk时刻图像中的预测箱粒子集f，其中为k时刻第i个预测箱粒子的状态区 ILΛ)L.: r- 间；
[0015](2b)根据k时刻预测箱粒子集和目标跟踪窗Bki，确定k时刻候选目标
I ，其中，ifM为k时刻第i个预测箱粒子的第v个顶点所对应的候选目标， 、 ,(-? 它表示以为中心、Bkl为长宽所界定出的矩形区域，为预测箱粒子[jf□的第ν 个顶点，v表示顶点的序号，取值为1、2、3、4 ;
[0016] ⑶提取候选目标特征：
[0017] (3a)对于k时刻图像Ik，提取其对应的特征图F;
[0018] (3b)在特征图F的基础上得到特征向量积分图IP和特征向量乘积积分图IQ;
[0019] (3c)根据特征向量积分图IP、特征向量乘积积分图IQ和候选目标集
提取候选目标的特征_
，其中Cf>为k时刻第i个预测箱粒子的 第v个顶点所对应候选目标的特征协方差矩阵；
[0020] (4)计算箱粒子权值：
[0021] (4a)求取各候选目标特征集
与特征模板Μ之间的距离集
其中ρ〖'ν>表示k时刻第i个预测箱粒子的第V个顶点所对应候选目标的特征 协方差矩阵与特征模板之间的距离；
[0022] (4b)根据距离#
，对预测箱粒子集进行收缩，得到更新箱 粒子集，其中，[Ml表示k时刻第i个更新箱粒子的状态区间；
[0023] (4c)计算更新箱粒子集对应的权值集表示k时刻第i个更新箱粒子 的权值；
[0024](5)重采样：
[0025] (5a)利用重采样算法，根据权值集丨 < 广(对k时刻更新箱粒子集f#]丨二进行重 采样，得到k时刻的重采样箱粒子集，其中表示k时刻第i个重采样箱粒子的 状态区间；
[0026] (5b)保持重采样箱粒子中心不变，将重采样箱粒子的大小扩大4倍，得到k时刻的 箱粒子集丨[#]【，其中表示k时刻第i个箱粒子的状态区间；
[0027] (6)估计目标状态：
[0028] (6a)根据k时刻的箱粒子集(6#1i，估计k时刻的目标状态Xk:
[0029]
[0030] 其中，N表示粒子总数，为k时刻第i个箱粒子的中心；
[0031] (6b)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标Tk，并输出；
[0032] (7)判断是否迭代：
[0033] 检查下一时刻的信息是否到达，若是，令k=k+l，返回步骤（2)进行迭代，否则，目 标跟踪过程结束。
[0034] 本发明具有以下优点：
[0035] 1)本发明通过将普通的点粒子拓展为箱粒子，提高了对目标状态空间的覆盖能 力，从而解决了采样粒子的覆盖能力与量测模糊性不匹配的问题；
[0036] 2)本发明依靠箱粒子较强的空间覆盖能力，提高了采样效率，从而提升了对大动 态范围目标的搜索和捕捉性能。
【附图说明】
[0037] 图1是本发明的整体流程图；
[0038] 图2是本发明中箱粒子与普通点粒子的比较图；
[0039] 图3是本发明的整体实现过程示意图；
[0040] 图4是用本发明及现有方法对行人视频序列进行跟踪的实验结果图；
[0041] 图5是用本发明及现有方法对乒乓球视频序列进行跟踪的实验结果图；
[0042] 图6是用本发明及现有方法对直升机视频序列进行跟踪的实验结果图；
[0043] 图7是用本发明及现有方法对行人视频序列进行跟踪的似然等高线及采样粒子 实验结果对比图；
[0044] 图8是用本发明及现有方法对乒乓球视频序列进行跟踪的似然等高线及采样粒 子实验结果对比图；
[0045] 图9是用本发明及现有方法对直升机视频序列进行跟踪的似然等高线及采样粒 子实验结果对比图。
【具体实施方式】
[0046] 参照图1，本发明的具体实施过程包括以下步骤：
[0047] 步骤1.初始化。
[0048] 1. 1)令初始时刻k= 1，读入k-1时刻的图像Iki，将普通点粒子拓展为箱粒子，并 初始化k-Ι时刻的箱粒子集
[0049] 参照图2,普通点粒于骰抽家为空间体积为零的点，而箱粒子为LxXLy的箱，可以 更为高效的实现对目标状态空间的覆盖，其中LdP、分别表示箱粒子状态区间的长度值和 宽度值，故本发明选用箱粒子，其初始化k-Ι时刻的箱粒子集步骤如下：
[0050] 1. 1. 1)根据目标的初始状态，产生k-Ι时刻第i个箱粒子
[0051]
1)
[0052] 其中，i为箱粒子序号，取值为1，2, "·，Ν，N表示箱粒子总数，:^和^^分别表示 k-Ι时刻第i个箱粒子状态区间中点的横坐标和纵坐标，^,和3^分别表示k-Ι时刻第i 个箱粒子状态区