一种视频序列图像中的运动目标跟踪方法
【技术领域】
[0001] 本发明设及计算机图像处理技术，具体设及对运动目标的跟踪。
【背景技术】
[0002] 随着科技进步和社会发展，智能视频监控技术已经在工农业生产、国防建设、商 业、交通W及家庭安防等领域得到了广泛的应用，作为传输与存储的载体。
[0003] 智能视频监控序列图像中的运动目标的视觉分析主要是对含有运动目标的视频 序列进行分析，包含运动目标检测、运动目标跟踪W及行为分析与判断=个过程。
[0004] 检测与跟踪的难点在于图像是从=维空间到二维平面的投影，本身存在信息损 失，而且运动目标并不是一个确定不变的信号，它在跟踪的过程中会发生旋转、放缩、位移 等多种复杂的变化，同时背景图像的增杂、目标自身的频繁出现和消失、目标之间具有相似 的外表、多目标的相互遮挡W及光照的突然变化等。该些是视频目标跟踪中经常遇到的难 点，也是学者一直努力研究的热点。
[0005] 目前对视频序列图像中运动目标跟踪的研究方法有很多种，比较有效的方法是 Kalman滤波和粒子滤波跟踪算法。
[0006] Kalman滤波理论是Kalman在1960年提出的一个滤波理论，该理论突破了经典的 Wiener滤波理论所表现出来的局限性，将处理的信息当作状态分量，通过把状态模型引入 最优滤波理论，用状态方程描述系统的动态模型，利用观测方程来提供系统的状态测量信 息，利用HUbed空间中的映射理论解决最优状态估计问题，Kalman滤波理论对具有高斯 分布噪声的线性特征系统可W得到系统状态的递归最小均方估计，可W用来处理服从高斯 分布的运动情况。
[0007] 基于视频序列图像重要性采样的蒙特卡洛方法早在20世纪50年代就被学者提 出来应用于统计学里面，粒子滤波是一种基于蒙特卡洛方法和递推贝叶斯估计的统计滤波 方法，算法的基本思想是根据系统状态向量的经验条件分布在状态空间利用一群带权重的 随机样本，及样本粒子来表示系统的随机后验概率分布，根据测量不断调整粒子的权重和 位置，通过调整后的粒子信息修正最初的经验条件分布。其实质使用由粒子及其权重组成 的离散随机测度近似相关的概率分布，并且根据算法递推更新离散随机测度。当样本容量 很大时，该种蒙特卡洛描述就近似于状态变量真实的后验概率密度函数。该技术适用于任 何能用状态空间模型表示的非高斯背景的非线性随机系统，是一种很有效的非线性滤波技 术，已经开始广泛的应用于金融数据分析，运动目标跟踪，计算机视觉等领域。
[000引对于运动目标的跟踪，现有技术通常采用如下技术方案实施。
[0009] (1) Kalman 滤波
[0010] Kalman滤波的前提是系统为线性，噪声呈高斯分布，后验概率也是高斯型的。该算 法是通过反馈来进行估计，首先滤波器要做出一个反应，然后接收一个带有噪声的反馈值。 所W，Kalman滤波算法主要分为两个主要阶段，一个为时间更新（预测），另一个为量测更 新（修正），整个算法的进程为该两个过程的不断迭代，预测即为通过当前状态信息对下一 个可能状态进行估计，修正是对反馈的结果做处理，通过对观测值和先验估计进行合并得 到后验估计。
[001U 假设前一时刻k-1的后验概率分布p(Xk_i|zk_i)是高斯型的，则动态系统可W表示 为：
[001 引
【主权项】
1. 一种视频序列图像中的运动目标跟踪方法，其特征在于，获取运动目标图像帧，对 目标图像每帧中出现的目标与颜色模板进行特征匹配，根据粒子集的HSV颜色空间直方图 和观测目标HSV颜色空间直方图由Bhattacharyya系数确定跟踪目标与样本的相似度， 根据相似度判断两个离散颜色直方图是否为同一目标，建立运动目标的观测概率分布：
建立粒子的运动模型的状态转移方程：Xk+1=Xk+Gk，其 中，Xk为样本在空间中的位置坐标向量，Gk为随机扰动噪声；求解状态转移方程，完成运动 目标跟踪。
2. 根据权利要求1所述的方法，其特征在于，根据公式：
十算跟踪目标与样本两个离散颜色直方图的相似度，根据公式 J=a/1-/_X/W)计算Bhattacharyya距离，当相似度低于系数阈值，距离d高于距离阈值 时，两个颜色直方图描述的物体为不同目标。
3. 根据权利要求1或2所述的方法，其特征在于，采用改进粒子滤波跟踪算法完成运 动目标跟踪，具体包括：消除阴影得到跟踪目标范围，确定跟踪目标范围HSV颜色模型直方 图，建立初始样本集；根据状态转移方程对ROI区域内每个粒子进行状态转移，计算第k个 粒子样本的颜色模板值，计算第k个粒子的权值<>，对粒子权值作归一化处理；选取权值 最大的粒子表示目标当前的状态；当小于权值阈值，将权值最大的粒子作为对象模板 对粒子进行重新采样，直至完成所有图像帧。
4. 根据权利要求1或2所述的方法，其特征在于，采用码本背景模型粒子滤波跟踪算法 完成运动目标跟踪，具体包括：检测运动目标得到感兴趣区域ROI;计算目标区域HSV颜色 模型直方图{q}，建立粒子初始样本集；根据状态转移方程对ROI区域内的粒子进行状态转 移，建立转移后粒子的颜色直方图及颜色模板值；对粒子权值进行更新，并对更新的权值归 一化；用权值最大的粒子表示目标当前位置，当粒子权值小于权重阈值时对粒子集进行重 米样。
5. 根据权利要求4所述的方法，其特征在于，改进码本背景模型粒子滤波算法完成运 动目标跟踪，具体包括：使用Codebook对视频序列进行背景建模，对前景目标检测；用前景 检测得到的模板初始化感兴趣区域R0I，在R0I中使用前景区域的HSV颜色直方图作为模板 初始化粒子，根据状态转移方程进行粒子状态转移并对粒子权值进行更新。
6. 根据权利要求4或5所述的方法，其特征在于，对目标相似度进行判断的时候，如 果两个目标的采样粒子重合，出现目标编号交换的现象，则停止重采样；若粒子集权重小于 1/N，则对粒子集进行重采样；用码本背景建模检测出运动目标前景后求得其轮廓最大外界 矩形，将该矩形作为感兴趣区域，限定粒子在该区域中重采样。
7. 根据权利要求1-4其中之一所述的方法，其特征在于，根据公式：
对粒子的权值w(1)进行更新，其中，d为Bhattacharyya距 离，〇表示HSV颜色空间下的样本颜色方差，<，O为第k个采样点，第（k-1)个采样点
【专利摘要】本发明公开一种视频序列图像中的运动目标跟踪方法，属于图像处理技术领域，针对现有技术Kalman滤波跟踪成功率较差，粒子滤波实时性方面的不足，对粒子滤波算法的实时性进行研究，根据运动目标图像与颜色模板进行特征匹配，采用结合前景目标检测改进粒子滤波跟踪，改进基于前景检测的粒子滤波算法，引入了交叉遮挡判断，建立状态转移方程，完成运动目标跟踪，保证了粒子的可靠性和多样性，很好的描述目标的运动状态，在减少计算量的同时也提高了算法的实时性，在交叉时停止重采样，使得在目标周围的粒子不会受到干扰。
【IPC分类】G06T7-20
【公开号】CN104616318
【申请号】CN201510032727
【发明人】瞿中, 辛宁, 文倩云, 赵栋梁, 乔高元
【申请人】重庆邮电大学
【公开日】2015年5月13日
【申请日】2015年1月22日