基于复杂动态场景的卡尔曼粒子滤波跟踪方法
【技术领域】
[0001] 本发明属于图像探测与处理领域，具体涉及一种基于复杂动态场景的卡尔曼粒子 滤波跟踪方法。
【背景技术】
[0002] 目标跟踪的主要任务是从图像序列中检测、识别并跟踪运动目标，甚至能够理解 并描述目标的行为。目标跟踪被广泛应用于人体运动识别、视频监控、视频检索、虚拟现实 和人机交互等方面。
[0003] 针对运动目标的跟踪，国外提出了名称为无迹卡尔曼滤波方法（UKF)(杨 柏胜，姬红兵.基于无迹卡尔曼滤波的被动多传感器融合跟踪[J].控制与决 策，2008, 23 (4) : 460-463.)的目标跟踪方法，该方法对非线性函数的概率密度分布进行近 似，用一系列确定样本来逼近状态的后验概率密度，可以有效解决由系统非线性的加剧而 引起的滤波发散问题，但UKF仍是用高斯分布来逼近系统状态的后验概率密度，所以在系 统状态的后验概率密度是非高斯的情况下，目标跟踪结果会有极大的误差；Fukunaga提出 了均值偏移理论mean-shift(彭宁嵩，杨杰，刘志，等.Mean-Shift跟踪算法中核函数 窗宽的自动选取[J].软件学报，2005, 16(9) =1542-1550.)，其采用核函数直方图对目标建 模，但对运动目标部分遮挡、目标的旋转、变形以及背景运动都不敏感，针对尺度变化的目 标或者严重遮挡的目标，在模型更新方面有所不足，以至难以跟踪高速运动的目标。相比上 述两种方法，标准粒子滤波(胡士强，敬忠良.粒子滤波算法综述[J]. 2005)能够更好的解 决非线性、非高斯运动目标跟踪问题，但是粒子滤波在复杂场景中易受背景噪声干扰影响， 并且如果背景运动过于复杂会严重影响粒子滤波中状态的准确预测。
【发明内容】
[0004] 本发明提出一种基于复杂动态场景的卡尔曼粒子滤波跟踪方法，该方法能消除背 景运动剧烈对目标跟踪带来的影响，从而能够更准确的预测跟踪目标。
[0005] 通过灰度投影算法快速实现图像粗配准，消除背景运动过快的影响，然后将标准 粒子滤波和卡尔曼滤波得到的粒子权重进行比较，得到有效的粒子来进行预测跟踪，最后 可以有效实现复杂动态场景中运动目标的稳健跟踪。
[0006] 为了解决上述技术问题，本发明提供一种基于复杂动态场景的卡尔曼粒子滤波跟 踪方法，包括以下步骤：
[0007] 步骤一：在第1帧图像中，手动选取目标区域G1，将目标区域G1等效为目标，将目 标区域G1的中心位置设为目标的初始状态X。；根据目标区域G1的颜色分布，计算目标的颜 色直方图P;然后在目标区域G1内随机选取数量为N的粒子，粒子初始权值均为1/N;
[0008] 步骤二：在处理第k帧图像时，k>=2,计算第k帧图像和第k-1帧图像的相位偏移 对第k帧图像进行图像补偿；然后使用时间序列模型对粒子的状态进行传播，使用第k-1帧 图像中粒子的状态获得第k帧图像粒子状态< :
[0009] 步骤三：根据步骤二中得到的第k帧图像上的粒子状态4,以每个粒子为中心选 取与目标区域G1大小相同的区域P1，计算区域P1内的颜色直方图q;然后计算区域P1颜 色直方图平q与目标区域G1颜色直方图p的巴氏距离d(y);根据巴氏距离计算每个粒子 的权重4 ;使用归一化权重:琢计算第k帧图像中目标的位置信息zk ;
[0010]步骤四：使用目标在第k帧图像的位置信息zk和第k-1帧图像中的位置信息zk: 计算目标的相对位移巧，然后根据帧频计算目标在第k帧图像中的运动速度％ ;将第k帧图 像得到的位置信息zk、第k-1帧图像中的位置信息zk :和在第k帧图像中的运动速度「[戈 入卡尔曼公式计算获得目标的状态值?％及协方差Pk ;状态值即为目标在第k帧图像中的 位置信息；
[0011] 步骤五：以目标状态值毛为中心选取与目标区域G1大小相同的区域G2,随机采 样数量为N的粒子，然后计算粒子的颜色直方图与目标的颜色直方图的巴氏距离进 一步计算粒子的权重％并归一化得到司；
[0012] 步骤六：将步骤三获得的归一化粒子权重或和步骤五得到的归一化粒子权重 大小进行比较，选取值大的作为第k帧图像中目标的有效粒子；
[0013] 步骤七：对步骤六中求得的N个粒子进行重采样，粒子的权重设为1/N，作为下一 帧的初始粒子，然后转至步骤二重复计算，直到视频全部处理完成。
[0014] 本发明与现有技术相比，其显著优点在于：（1)通过灰度投影算法快速计算背景 位移现图像粗配准，从而消除背景运动剧烈对目标跟踪带来的影响；（2)将标准粒子滤波 和卡尔曼滤波得到的粒子权重进行比较，得到有效的粒子来进行预测跟踪，从而能够更准 确的预测跟踪目标。
【附图说明】
[0015] 图1是本发明流程图。
[0016] 图2是图像补偿处理图。
[0017] 图3是使用本发明方法跟踪目标图。
[0018] 图4是仿真实验中使用标准粒子滤波算法的跟踪目标图。
[0019] 图5是跟踪方法比较图。
【具体实施方式】
[0020] 如图1所示，本发明基于复杂动态场景的卡尔曼粒子滤波跟踪方法的具体实施步 骤如下：
[0021] 步骤一：在第1帧图像中，手动选取目标区域G1，将目标区域G1等效为目标，将目 标区域G1的中心位置设为目标的初始状态X。；根据目标区域G1的颜色分布，计算目标的颜 色直方图P;然后在目标区域G1内随机选取数量为N的粒子，粒子初始权值均为1/N。
[0022] 步骤二：在处理第k(k>=2)帧图像时，首先计算第k帧图像和第k_l帧图像的相 位偏移对第k帧图像进行图像补偿，图像补偿后第k帧图像和第k-1帧图像的坐标系被统 一到同一坐标系中。计算第k帧图像和第k-1帧图像的相位偏移的方法有灰度投影法、相 位配准法、块匹配算法等。
[0023] 然后使用时间序列模型（AutoRegressive,AR模型），AutoRegressive,AR模型详 见文献(李远征，卢朝阳，高全学，等.基于多特征融合的均值迁移粒子滤波跟踪算法[J]. 电子与信息学报，2010, 32 (2) :411-415.)对粒子的状态进行传播，使用第k-1帧图像中粒 子的状态xh获得第k帧图像粒子状态<，x[表示第k帧图像中第i个粒子状态，ieN。AR模型传播式如式（1)所示
[0024]
(1)
[0025] 公式（1)中A为4阶单位阵，沁为高斯白噪声；
[0026] 步骤三：根据步骤二中得到的第k帧图像上的粒子状态4，以每个粒子为中心选 取与目标区域G1大小相同的区域P1，计算区域P1内的颜色直方图q;然后计算区域P1颜色 直方图平q与目标区域G1颜色直方图p的Bhattacharyya巴氏距离d(y)，Bhattacharyya 巴氏距离d(y)的概念详见文献(宣国荣，柴佩琪.基于巴氏距离的特征选择[J].模式识 别与人工智能，1996, 9(4) :324-329.)，巴氏距离计算公式如式（2)所示
[0027]
(2)
[0028] 式（2)中，p代表目标区域G1颜色直方图，q代表粒子区