[0125] 步骤5.重采样。
[0126] 现有的重采样方法有多项式重采样、系统重采样、残差重采样等，本实例使用但不 限于现有方法中系统重采样方法对箱粒子集进行重采样，再对重采样后的箱粒子集进行放 大，得到最后的箱粒子集，其步骤如下：
[0127] 5. 1)利用系统重采样算法，根据权值集{#广对k时刻更新箱粒子集 进行重采样，得到k时刻的重采样箱粒子集fsf ，其中表示k时刻第i个重采样箱 粒子的状态区间；
[0128] 5. 2)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 箱粒子集化^^二，其中□表示k时刻第i个箱粒子的状态区间。
[0129] 步骤6.估计目标状态。
[0130] 6. 1)根据k时刻的箱粒子集估计k时刻的目标中心位置Xk:
[0131]
27)
[0132] 其中，N表示粒子总数，为k时刻第i个箱粒子的中心；
[0133] 6. 2)根据k时刻的目标中心位置和目标跟踪窗，确定k时刻的目标Tk:
[0134]
2得
[0135] 其中，（x，y)为目标范围内的任意像素点，X和y分别为该像素点的横坐标和纵坐 标，Xk和yk分别表示k时刻目标状态Xk的横坐标和纵坐标，rjpck*别表示k时刻目标跟 踪窗的长度和宽度值。
[0136] 6. 3)输出步骤6. 2)所得的目标Tk。
[0137] 步骤7判断是否迭代。
[0138] 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。
[0139] 本发明的整体实现过程如图3所示。
[0140] 本发明的效果可通过以下仿真实验进一步说明：
[0141] 1.仿真条件。
[0142] 仿真环境：计算机采用IntelCorei5_2400CPU3.lGhz，4GB内存，软件采用 MatlabR2014a仿真实验平台。
[0143] 仿真参数：箱粒子状态区间的长度和宽度值1^=Ly= 5,箱粒子数N= 30,状态噪 声方差Ψ=diag([64, 64])，特征观测噪声方差R= 1。
[0144] 2.仿真方法。
[0145] 方法1 :本发明方法；
[0146] 方法2:普通粒子滤波跟踪方法，该方法使用粒子数N= 120
[0147] 方法3:均值漂移跟踪方法。
[0148] 3.仿真内容与结果。
[0149] 仿真1:用所述三种方法，对行人视频序列进行跟踪，结果如图4所示，其中：
[0150] 图4(a)为用方法1对行人视频序列第1、19、46和67帧进行跟踪的结果图；
[0151] 图4(b)为用方法2对行人视频序列第1、19、46和67帧进行跟踪的结果图；
[0152] 图4(c)为用方法3对行人视频序列第1、19、46和67帧进行跟踪的结果图。
[0153] 从图4可以看出，本发明方法能够较好的跟踪快速移动行人目标，方法2分别在第 19和46帧存在一定误差，方法3则由于无法计算得到有效的漂移向量，丢失目标未能实现 有效跟踪。
[0154] 仿真2:用所述三种方法，对乒乓球视频序列进行跟踪，结果如图5所示，其中：
[0155] 图5(a)为用方法1对乒乓球视频序列第1、13、24和41帧进行跟踪的结果图；
[0156] 图5 (b)为用方法2对乒乓球视频序列第1、13、24和41帧进行跟踪的结果图；
[0157] 图5(c)为用方法3对乒乓球视频序列第1、13、24和41帧进行跟踪的结果图。
[0158] 从图5可以看出，本发明方法能够较为准确地捕捉快速运动且反复机动的目标， 方法2则无法有效的适应目标运动的快速和突变性，分别在第13、24和41帧存在较大偏 离，方法3同样无法有效的适应目标运动的快速和突变性，分别在第13和41帧存在较大偏 离。
[0159] 仿真3:用所述三种方法，对直升机视频序列进行跟踪，结果如图6所示，其中：
[0160] 图6 (a)为用方法1对直升机视频序列第1、4、8和10帧进行跟踪的结果图；
[0161] 图6 (b)为用方法2对直升机视频序列第1、4、8和10帧进行跟踪的结果图；
[0162] 图6(c)为用方法3对直升机视频序列第1、4、8和10帧进行跟踪的结果图。
[0163] 从图6可以看出，本发明方法能够在战场的复杂环境下实现对目标的跟踪，方法2 则在第8~10帧，即摄像机转动突变时，跟踪结果明显偏离，方法3则无法有效的适应目标 的快速运动和摄像机转动突变，分别在第8和10帧存在较大偏离。
[0164] 仿真4:用方法1和方法2,对行人、乒乓球和直升机视频序列分别进行跟踪，提取 跟踪过程中的似然等高线和采样粒子，结果如图7、图8和图9所示，其中：
[0165] 图7为用方法1和方法2对行人视频序列第19帧进行跟踪的似然等高线和采样 粒子图；
[0166] 图8为用方法1和方法2对乒乓球视频序列第24帧进行跟踪的似然等高线和采 样粒子图；
[0167] 图9为用方法1和方法2对直升机视频序列第10帧进行跟踪的似然等高线和采 样粒子图。
[0168]在图7、图8和图9中，对图像中存在目标的局部区域遍历，逐点提取候选目标，并 与特征模板计算距离，进而得到局部区域所有候选目标的权重分布，即为似然等高线图，矩 形框为本发明方法的预测箱粒子，而1/4的实心部分为本发明方法更新后收缩的更新箱粒 子，较小的黑色圆点为方法2的普通点粒子。
[0169] 从图7可以看出，本发明方法与方法2均能实现有效采样，大部分的箱粒子和普通 点粒子都覆盖在似然较高的位置，只是由于粒子覆盖能力的不同，本发明方法的估计状态 更为接近目标真实状态。
[0170] 从图8可以看出，本发明方法能够通过若干处于目标似然较高位置的箱粒子的较 强覆盖能力实现对目标的捕捉，而方法2由于普通点粒子的覆盖能力较弱，且累积误差使 其采样中心距真实目标状态较远，导致普通点粒子均处于似然较低的位置，未实现有效采 样，估计状态偏差较大。
[0171] 从图9可以看出，与上一场景类似，本发明方法通过若干有效的箱粒子实现了对 目标的跟踪，而方法2未实现有效采样，估计状态偏差较大。
[0172] 对图4~图6中的场景分别进行100次蒙特卡罗实验，统计平均跟踪误差Err和 平均每帧运行时间RT，结果如表1所示。
[0173] 表 1
[0174]
[0175] 由表1中的统计数据可以看出：在跟踪误差方面，本发明对三组视频序列的跟踪 结果比方法2分别降低了 42 %、68 %和81 %，比方法3分别降低了 98 %、86 %和88 %;在运 行时间方面，由于每个箱粒子需要计算4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，其计算复杂度是普通点粒子的4倍，所以本发明方法使用30个粒子数与 方法2使用120个粒子数的计算耗时RT接近，而方法3则用时最少。
[0176] 综上可以得出，方法3虽然用时最少，但无法实现对大动态范围目标的有效跟踪， 而在用时相当的情况下，本发明在跟踪精度和鲁棒性方面均优于方法2。
【主权项】
1. 一种基于改进箱粒子滤波的视频目标跟踪方法，包括： (1) 初始化： (la) 读入k-Ι时刻的图像Ik i，将普通点粒子拓展为箱粒子，初始化k-Ι时刻的箱粒子 集为表示k-Ι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 ; (lb) 初始化目标跟踪窗：其中rkl和Ckl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； (lc) 根据目标初始状态与目标跟踪窗Bk i，初始化目标的特征协方差矩阵M作为特征 模板； (2) 预测目标状态： (2a)读入k时刻的图像Ik，通过对k-Ι时刻图像中箱粒子集的传递，得到k 时刻图像中的预测箱粒子集I为k时刻第i个预测箱粒子的状态区间； (2b)根据k时刻预测箱粒子集：和目标跟踪窗Bk i，确定k时刻候选目标集其中，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I为中心、Bkl为长宽所界定出的矩形区域，I为预测箱粒子的第V个 顶点，V表示顶点的序号，取值为1、2、3、4; (3) 提取候选目标特征： (3a)对于k时刻图