像Ik，提取其对应的特征图F ; (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 ; (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 取候选目标的特征集：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； (4) 计算箱粒子权值： (4a)求取各候选目标特征集与特征模板M之间的距离集其 中Pp s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； (4b)根据距离集I对预测箱粒子集进行收缩，得到更新箱粒子集表示k时刻第i个更新箱粒子的状态区间； (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； (5) 重采样： (5a)利用重采样算法，根据权值集对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表示k时刻第i个重采样箱粒子的状 态区间； (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 子集表示k时刻第i个箱粒子的状态区间； (6) 估计目标状态： (6a)根据k时刻的箱粒子集估计k时刻的目标状态Xk:其中，N表示粒子总数，为k时刻第i个箱粒子的中心； (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1；，并输出； (7) 判断是否迭代： 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。2.根据权利要求1所述的方法，其中步骤（Ia)中初始化k-Ι时刻的箱粒子集为通过如下步骤确定： (Ial)根据目标的初始状态，产生k-Ι时刻第i个箱粒子其中，分别表示k-Ι时刻第i个箱粒子状态区间中任意一点的横坐标和纵坐 标，分别表示k-Ι时刻第i个箱粒子状态区间中任意一点横坐标的下限和上限，分别表示k-Ι时刻第i个箱粒子状态区间中任意一点纵坐标的下限和上限； (la2)用步骤（Ial)中所得的N个箱粒子，组成箱粒子集3. 根据权利要求1所述的方法，其中步骤（2a)中读入k时刻的图像I k，通过对k-1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通过如 下步骤确定： (2al)对k-Ι时刻箱粒子集中的每一个箱粒子进行传递，得到预测箱粒子其中，i为状态噪声，其服从均值为§，状态噪声协方差为Ψ的高斯分布； (2a2)用步骤（2al)中所得的N个预测箱粒子，组成预测箱粒子集4. 根据权利要求1所述的方法，其中步骤（2b)中根据k时刻预测箱粒子集和目标跟踪窗Bk i，确定k时刻候选目标集通过如下步骤确定： (2bl)计算预测箱粒子集中第i个预测箱粒子的第V个顶点所 对应的候选目标if ?其中，和分别表示k时刻第i个预测箱粒子的第V个顶点的横坐标和纵坐标， V取值为1、2、3、4 ; (2b2)用步骤（2bl)中所得的4个顶点所对应的候选目标，组成第i个预测箱粒子的候 选目标集? > (2b3)用步骤（2b2)中所得的N个预测箱粒子的候选目标集，组成候选目标集5. 根据权利要求1所述的方法，其中步骤（3a)中对于k时刻图像I k，提取其对应的特 征图F，通过如下步骤确定： (3al)计算图像1冲（x，y)处的像素点所对应的特征向量F(x，y):其中，Ik(X，y)为图像Ik像素点（X，y)处的灰度值，分别表示图 像Ik像素点（X，y)处X方向的一阶和二阶梯度，分别表示图像^像 素点（X，y)处y方向的一阶和二阶梯度，T表示向量转置，X的取值为1，2…W，y的取值为 1，2…H，W表示图像Ik的宽，H表示图像I k的高； (3a2)用步骤（3al)中得到的WXH个特征向量，组成特征图F : F = {F (X，y) I X = 1，2,…，W，y = 1，2,…，H} 〇6. 根据权利要求1所述的方法，其中步骤（3b)中在特征图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，通过如下步骤确定： (3bl)分别计算特征向量积分图IP中的点IP(x'，y'，a)和特征向量乘积积分图IQ 中的点 IQ(x' ，y' ，a, b):其中，F(x, y, a)为特征图F中的点F(x, y)处的第a维特征，F(x, y, b)为特征图F中 F (X，y)处的第b维特征，a为第一组特征序号，其取值为1，2··· d，b为第二组特征序号，其 取值为1，2··· d，d为特征维数； (3b2)将步骤（3bl)所得的点IPV，太，a)和IQV，太，a，b)分别表示成矩阵 形式 IPx,y和 IQx,y:(3b3)将步骤（3b2)所得的点IPx，y和IQx，y分别组成集合，得到特征向量积分图IP和 特征向量乘积积分图IQ : IP = {IPx，y|x = 1，2 - W!，y = 1，2...HJ， IQ = {IQx，y|x = 1，H1, y = 1，2...HJ， 其中，W1表示IP和IQ的宽，H i表示积分图IP和IQ的高。7. 根据权利要求1所述的方法，其中步骤（3c)中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集通过如下步 骤确定： (3cl)计算候选目标集中每一个候选目标if H所对应的特征协方差矩阵 c"'r):其中，V的取值为1、2、3、4，（X'，y')为候选目标if'f对应矩形区域左上角的顶点坐 标，（X"，y")为候选目标if1对应矩形区域右下角的顶点坐标，η为区域内像素总数η = (X" -X' ) · (y" -y' )，IQx" ,y"、IQx, ,y"、IQx" 、IQx, ,y,为特征向量乘积积分图 IQ 中 的四个不同点，IPx" ,y"、IPx( ,y"、IPx" ,y(、IPx( ,y(为特征向量积分图IP中的四个不同点； (3c2)用步骤（3cl)中所得的4个顶点所对应的特征协方差矩阵，组成第i个预测箱粒 子的特征集(3c3)用步骤（3c2)中所得的N个预测箱粒子的特征集，组成候选目标的特征集8.根据权利要求1所述的方法，其中步骤（4a)中计算候选目标的特征集与特征模板M之间的距离集通过如下步骤计算： (4al)分别计算每一个候选目标特征与特征模板M的之间距离:(4a2)用步骤（4al)中所得的4个顶点所对应的距离，组成第i个预测箱粒子的距离集(4a3)用步骤（4a2)中所得的N个预测箱粒子的距离集，组成距离集9. 根据权利要求1所述的方法，其中步骤（4b)中根据距离集对预测箱 粒子集进行收缩得到更新箱粒子集，通过如下步骤计算： (4bl)分别计算预测箱粒子集中每一个预测箱粒子距特征模板最近的顶点序 号β⑴：其中，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Cf4与特征模板1之间的距离； (4b2)根据步骤（4bl)中的得到的顶点序号，确定k时刻第i个预测箱粒子距特征模板 最近的顶点(4b3)分别将预测箱粒子集中的每一个预测箱粒子收缩为原始大小的 1/4,得到更新箱粒子其中，S为状态空间中的矩形区域，为k时刻第i个预测箱粒子的中心，为k时刻第i个预测箱粒子距特征模板最近的顶点，inf{ ·}表示取最小矩形区 域； (4b4)用步骤（4b3)中所求的N个更新箱粒子，组成更新箱粒子集10. 根据权利要求1所述的方法，其中步骤（4c)中计算更新箱粒子集对应的 权值集·通过如下步骤计算： (4cl)分别计算更新箱粒子集中每一个更新箱粒子的权值^^其中，为更新箱粒子集中第i个预测箱粒子与特征模板的最近距离，R 为特征观测噪声方差； (4c2)用步骤（4cl)中所求的N个更新箱粒子的权值，组成更新箱粒子的权值集
【专利摘要】本发明公开了一种基于改进箱粒子滤波的视频目标跟踪方法，主要解决现有粒子滤波视频目标跟踪方法针对大动态范围目标跟踪中存在的搜索和捕捉性能差以及粒子采样效率低的问题。其实现步骤是：1.在粒子滤波框架下将普通点粒子拓展为箱粒子，通过目标状态预测得到候选目标，提取候选目标特征；2.通过计算候选目标特征与模板之间的距离，对箱粒子进行收缩，并得到对应权值；3.对箱粒子进行重采样，进而融合得到目标的状态估计，实现对目标的可靠跟踪。本发明实现了对目标状态空间的高效覆盖，提高了采样效率，提升了对大动态范围目标的搜索和捕捉性能，可用于视频监控、目标跟踪系统。
【IPC分类】G06T7/20
【公开号】CN105427340
【申请号】CN201510755799
【发明人】姬红兵, 樊振华, 刘月, 张文博, 张永权
【申请人】西安电子科技大学昆山创新研究院, 西安电子科技大学
【公开日】2016年3月23日
【申请日】2015年11月9日