一种基于粒子群优化算法的视频多运动目标跟踪定位方法与流程

本发明涉及图像处理技术领域，特别是一种基于粒子群优化算法的视频多运动目标跟踪定位方法。

背景技术：

粒子群优化算法(pso)是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。pso同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，pso的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。

然而，传统的粒子群算法只能解决单目标定位问题，而不能解决多目标定位问题。

技术实现要素：

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于粒子群优化算法的视频多运动目标跟踪定位方法，利用图斑探测结合粒子群优化算法，将粒子群分割成相应数量的子群来达到多目标定位的目的。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于粒子群优化算法的视频多运动目标跟踪定位方法，包括如下步骤：

步骤1、用户输入视频，按相同时间间隔均匀抽取视频中的f帧图像，按行访问每一帧图像的每个像素点，记录每个像素点的三个通道的色彩强度值，计算每个像素点的灰度化值，使每一帧图像转化为一个二维矩阵，将第i帧图像记为ii，i∈{1,2,…,f}；

步骤2、依次将每帧图像分割为图斑像素点和背景像素点，得到图斑的数量b及其几何特征；所述图斑像素点为运动目标所在像素点，背景像素点为非运动目标所在像素点；具体如下：

步骤2.1、将第一帧图像作为背景图像b0(x,y)，设置阈值t；

步骤2.2、依次将i的取值从1到f-1，采用公式求出ii与ii+1之间的帧差二值图像di，由帧差二值图像di更新第i帧的背景图像bi(x,y)，α为更新速度；

步骤2.3、将bf-1(x,y)视为背景图像b(x,y)；

步骤2.4、依次将i取值1到f-1，采用公式计算背景差分二值图像dbi(x,y)；在背景差分二值图像dbi(x,y)中，扫描每个像素点，将dbi(x,y)中所有灰度值为0的像素点的称为背景像素点，将dbi(x,y)中所有灰度值为255的像素点称为图斑像素点，图斑像素点构成的连通域称为图斑，获取图斑的数量b，同时获取每个图斑的几何特征，该几何特征包括图斑的线段边界点、外接矩形、面积以及形心位置；

步骤3、设置初始化迭代次数k为1；

步骤4、探测第k帧输入图像ik，进行粒子的初始化：在每个图斑的外接矩形内随机生成均匀粒子，第m个图斑的外接矩形内的粒子数为pop(m)，pop(m)＝min((axis(m)/axismin)*popmin,popmax)，其中，axis(m)是图斑的外接矩形的长，axismin是所有图斑的外接矩形的长边中的最小长边，popmin和popmax是允许范围内每个粒子群最少和最多的粒子数，粒子总数如果k＝1，随机初始化每个粒子的位置p⁰和速度v⁰，如果k＞1，各粒子初始化为第k-1帧时保存的所有粒子的位置p^k-1和速度v^k-1；

步骤5、运用粒子群优化算法，进行m次迭代；具体如下：

步骤5.1、初始化迭代次数t为1；

步骤5.2、计算粒子的适应度

其中表示第t次迭代时第j个粒子，λ为加权系数，是第j个粒子所在图斑的颜色直方图的成本，是第j个粒子所在图斑的梯度方向的梯度成本，j＝1,2,3…q；

步骤5.3、依次将j的取值从1到q，更新每个粒子的局部最佳解决方案：当t＝1时，第t次迭代的局部最佳方案当t＞1时，第j个粒子的第t次迭代的局部最佳方案为

更新第t次迭代的整体最佳方案：t＝1时，gbest(t)＝p^t，其中，p¹为初始化时全体粒子的位置矩阵；当t＞1时，第t次迭代的整体最佳方案为

步骤5.4、通过计算来更新所有粒子的第t次的位置p^t和速度v^t；其中，w为加权系数，c1和c2是加速度常数，r1和r2是由随机值1或0组成的矩阵，为第t-1次迭代所有粒子达到的局部最佳方案，是第t-1次迭代时的整体最佳方案，v^t和v^t-1是第t次迭代和第t-1次迭代时的全体粒子的速度；

步骤5.5、当迭代次数t没有达到预设的最大迭代次数m，t＝t+1，回到步骤5.3；若t＝m，则执行步骤5.6；

步骤5.6、保存第k帧输入图像ik中每个粒子的位置p^m和速度v^m，并保存第k帧输入图像ik中每个粒子所在图斑的外接矩形的四个顶点坐标值；

步骤5.7、当k＜f时，k自增1，回到步骤4，否则结束探测。

作为本发明所述的一种基于粒子群优化算法的视频多运动目标跟踪定位方法进一步优化方案，r1和r2是由随机值1或0组成的q×4矩阵。

作为本发明所述的一种基于粒子群优化算法的视频多运动目标跟踪定位方法进一步优化方案，为q×4矩阵。

作为本发明所述的一种基于粒子群优化算法的视频多运动目标跟踪定位方法进一步优化方案，是q×4矩阵。

作为本发明所述的一种基于粒子群优化算法的视频多运动目标跟踪定位方法进一步优化方案，在q×4矩阵中，每一行对应每一个粒子，每一列对应一个粒子的每个维度。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明所述的基于粒子群优化算法的多运动目标定位方法，解决了传统的粒子群优化算法不能定位部分运动目标的问题。本发明提出的粒子群优化算法过重复擦除已检测到的对象的过程，实现了定位部分被遮挡目标、解决了多个对象的胶着问题；

(2)本发明采用基于图斑特征引导的粒子群探测器，由于所有的特征图已经归一化到较小的空间尺度，意味着低空间分辨率，因此可以降低需要扫描的像素，从而有效降低算法的计算成本。

附图说明

图1是基于粒子群优化算法的视频多运动目标定位方法的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示是基于粒子群优化算法的视频多运动目标定位方法的流程图，具体如下：

步骤1)、从车辆监控录像中选取一段8046帧视频序列，压缩大小至240x320像素，按相同时间间隔均匀抽取视频的中的40帧画面。按行访问每一帧画面的每个像素点，记录每个像素点的三个通道的色彩强度值，计算每个像素点的灰度化值，使每一帧图像转化为一个二维矩阵，将第i帧图像转化成的二维矩阵记为ii，i∈{1,2,…,40}；

步骤2)、依次将每帧图像分割为图斑像素点和背景像素点，得到图斑的数量及其几何特征，所述图斑像素点为运动目标所在像素点，背景像素点为非运动目标所在像素点；

步骤2)具体步骤如下：

步骤2.1)、将第一帧图像作为背景图像b0(x,y)，设置阈值t＝27；

步骤2.2)、依次将i取值1到f-1，采用公式求出ii与ii+1之间的帧差二值图像di，由帧差二值图像di更新背景图像设置更新速度α＝0.6。

步骤2.3)、b39(x,y)可视为背景图像矩阵b(x,y)；

步骤2.4)、依次将i取值1到39，采用公式计算背景差分二值图像dbi(x,y)；在背景差分二值图像dbi(x,y)中，扫描每个像素点，将dbi(x,y)中所有灰度值为0的像素点的称为背景像素点，将dbi(x,y)中所有灰度值为255的像素点称为图斑像素点，图斑像素点构成的连通域称为图斑，获取图斑的数量为5，同时获取每个图斑的几何特征，该几何特征包括图斑的线段边界点、外接矩形、面积以及形心位置；

步骤3)、设置迭代次数k，将k初始化为1；

步骤4)、探测第k帧输入图像ik，进行粒子的初始化：在每个图斑的外接矩形内随机生成均匀粒子，第m个图斑的外接矩形内的粒子数为pop(m)，pop(m)＝min((axis(m)/axismin)*popmin,popmax)，计算出每个矩形内的粒子数大约为8个，其中axismin＝80，粒子总数q＝40；如果k＝1，随机初始化每个粒子的位置p⁰和速度v⁰，如果k＞1，各粒子初始化为第k-1帧时保存的所有粒子的位置p^k-1和速度v^k-1；

步骤5)、运用粒子群优化算法，进行16次迭代，流程如下：

步骤5.1、初始化迭代次数t为1；

步骤5.2、其中表示第t次迭代时第j个粒子，λ为加权系数，是粒子所在图斑的颜色直方图的成本，是粒子所在图斑的梯度方向的梯度成本；

步骤5.3、依次将j取值1到40，更新每个粒子的局部最佳解决方案：当t＝1时，当t＞1时，zbest1第j个粒子的第t次迭代的局部最佳方案为

更新第t次迭代的整体最佳方案：t＝1时，gbest(t)＝p^t，其中p¹为初始化时全体粒子的位置矩阵，p¹为；当t＞1时，第t次迭代的整体最佳方案为

当迭代次数j没有达到粒子数目8，j＝j+1，回到步骤5.2；若t＝8，则执行步骤5.3；

步骤5.4、通过计算来更新每个粒子的状态和速度。设定加速度常数c1＝1，c2＝5，加权系数w＝1，由随机值1或0组成8×4的矩阵r1和r2。

步骤5.5、当迭代次数t没有达到预设的最大迭代次数16，t＝t+1，回到步骤5.3；若t＝16，则执行步骤5.6；

步骤5.6、保存第k帧输入图像ik中每个粒子的位置p^m和速度v^m，并保存第k帧输入图像ik中每个粒子所在图斑的外接矩形的四个顶点坐标值；

步骤5.7、当k＜f时，k自增1，回到步骤4，否则结束探测。最后得到的最后一帧图像中的5个运动汽车的外接矩形的顶点坐标值为{(2,12)，(2,60)，(24,12)，(24，60)}，{(12,23)，(12,69)，(27,23)，(27，69)}，{(25,78)，(25,141)，(47,78)，(24，141)}，{(121,35)，(121,65)，(134,35)，(134，65)}，{(205,267)，(205,298)，(234,267)，(234，298)}。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。