环境监控系统的制作方法

本发明涉及环境监控技术领域，具体涉及环境监控系统。

背景技术：

随着生活智能化的不断发展，智能家居将是未来发展的必然趋势。对于无人值守的地方、隐蔽场所以及黑暗处的监测也成为必须解决的问题。

技术实现要素：

为解决上述问题，本发明旨在提供环境监控系统。

本发明的目的采用以下技术方案来实现：

环境监控系统，包括环境监控小车、危险目标物监测装置和显示终端，所述环境监控小车上设置摄像头，摄像头通过舵机与转向控制模块连接，所述的转向控制模块、摄像头通过无线网络连接所述危险目标物监测装置和显示终端；所述危险目标物监测装置用于检测环境中的危险目标物并对危险目标物进行追踪。

本发明的有益效果为：结构简单，操作方便，便于在以无人值守的地方、隐蔽场所以及黑暗场所等监测不方便的地方进行无线、自动监测，从而解决了上述的技术问题。

附图说明

利用附图对本发明作进一步说明，但附图中的应用场景不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构示意图；

图2是本发明危险目标物监测装置的模块连接示意图。

附图标记：

环境监控小车1、危险目标物监测装置2、显示终端3、摄像头11、舵机12、转向控制模块13、运动区域检测模块21、危险目标物区域确定模块22、危险目标物定位模块23、初始化子模块221、状态转移模型建立子模块224、观测模型建立子模块223、危险目标物候选区域计算子模块224、位置修正子模块225、重采样子模块226。

具体实施方式

结合以下应用场景对本发明作进一步描述。

应用场景1

参见图1、图2，本应用场景的一个实施例的复杂场景下的环境监控系统，包括环境监控小车1、危险目标物监测装置2和显示终端3，所述环境监控小车1上设置摄像头11，摄像头11通过舵机12与转向控制模块13连接，所述的转向控制模块13、摄像头11通过无线网络连接所述危险目标物监测装置2和显示终端3；所述危险目标物监测装置2用于检测环境中的危险目标物并对危险目标物进行追踪。

本实施例结构简单，操作方便，便于在以无人值守的地方、隐蔽场所以及黑暗场所等监测不方便的地方进行无线、自动监测，从而解决了上述的技术问题。

优选的，所述显示终端为手机。

本优选实施例便于用户对环境进行实时监控。

优选的，所述手机上设置用于操控所述转向控制模块13的操作界面。

本优选实施例便于用户对转向控制模块进行操控。

优选的，所述危险目标物监测装置2包括运动区域检测模块21、危险目标物区域确定模块22和危险目标物定位模块23；所述运动区域检测模块21用于在摄像头11采集的视频图像中检测危险目标物的运动区域D₁并以此作为危险目标物模板；所述危险目标物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测危险目标物候选区域；所述危险目标物定位模块23用于对所述危险目标物候选区域和所述危险目标物模板进行特征相似度量，确定危险目标物的位置坐标。

本优选实施例构建了危险目标物监测装置2的模块架构。

优选的，所述危险目标物区域确定模块22包括：

(1)初始化子模块221：用于在所述运动区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块224：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(3)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)危险目标物候选区域计算子模块224：其利用最小方差估计来计算危险目标物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的危险目标物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的危险目标物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了危险目标物监测装置2的鲁棒性；设置位置修正子模块225，能够避免异常数据对整个系统带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了危险目标物监测装置2的鲁棒性。

在此应用场景中，选取粒子数n＝50，跟踪速度相对提高了8％，跟踪精度相对提高了7％。

应用场景2

参见图1、图2，本应用场景的一个实施例的复杂场景下的环境监控系统，包括环境监控小车1、危险目标物监测装置2和显示终端3，所述环境监控小车1上设置摄像头11，摄像头11通过舵机12与转向控制模块13连接，所述的转向控制模块13、摄像头11通过无线网络连接所述危险目标物监测装置2和显示终端3；所述危险目标物监测装置2用于检测环境中的危险目标物并对危险目标物进行追踪。

本实施例结构简单，操作方便，便于在以无人值守的地方、隐蔽场所以及黑暗场所等监测不方便的地方进行无线、自动监测，从而解决了上述的技术问题。

优选的，所述显示终端为手机。

本优选实施例便于用户对环境进行实时监控。

优选的，所述手机上设置用于操控所述转向控制模块13的操作界面。

本优选实施例便于用户对转向控制模块进行操控。

优选的，所述危险目标物监测装置2包括运动区域检测模块21、危险目标物区域确定模块22和危险目标物定位模块23；所述运动区域检测模块21用于在摄像头11采集的视频图像中检测危险目标物的运动区域D₁并以此作为危险目标物模板；所述危险目标物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测危险目标物候选区域；所述危险目标物定位模块23用于对所述危险目标物候选区域和所述危险目标物模板进行特征相似度量，确定危险目标物的位置坐标。

本优选实施例构建了危险目标物监测装置2的模块架构。

优选的，所述危险目标物区域确定模块22包括：

(1)初始化子模块221：用于在所述运动区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块224：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(3)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)危险目标物候选区域计算子模块224：其利用最小方差估计来计算危险目标物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的危险目标物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的危险目标物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了危险目标物监测装置2的鲁棒性；设置位置修正子模块225，能够避免异常数据对整个系统带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了危险目标物监测装置2的鲁棒性。

在此应用场景中，选取粒子数n＝55，跟踪速度相对提高了7％，跟踪精度相对提高了8％。

应用场景3

参见图1、图2，本应用场景的一个实施例的复杂场景下的环境监控系统，包括环境监控小车1、危险目标物监测装置2和显示终端3，所述环境监控小车1上设置摄像头11，摄像头11通过舵机12与转向控制模块13连接，所述的转向控制模块13、摄像头11通过无线网络连接所述危险目标物监测装置2和显示终端3；所述危险目标物监测装置2用于检测环境中的危险目标物并对危险目标物进行追踪。

本实施例结构简单，操作方便，便于在以无人值守的地方、隐蔽场所以及黑暗场所等监测不方便的地方进行无线、自动监测，从而解决了上述的技术问题。

优选的，所述显示终端为手机。

本优选实施例便于用户对环境进行实时监控。

优选的，所述手机上设置用于操控所述转向控制模块13的操作界面。

本优选实施例便于用户对转向控制模块进行操控。

优选的，所述危险目标物监测装置2包括运动区域检测模块21、危险目标物区域确定模块22和危险目标物定位模块23；所述运动区域检测模块21用于在摄像头11采集的视频图像中检测危险目标物的运动区域D₁并以此作为危险目标物模板；所述危险目标物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测危险目标物候选区域；所述危险目标物定位模块23用于对所述危险目标物候选区域和所述危险目标物模板进行特征相似度量，确定危险目标物的位置坐标。

本优选实施例构建了危险目标物监测装置2的模块架构。

优选的，所述危险目标物区域确定模块22包括：

(1)初始化子模块221：用于在所述运动区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块224：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(3)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)危险目标物候选区域计算子模块224：其利用最小方差估计来计算危险目标物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的危险目标物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的危险目标物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了危险目标物监测装置2的鲁棒性；设置位置修正子模块225，能够避免异常数据对整个系统带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了危险目标物监测装置2的鲁棒性。

在此应用场景中，选取粒子数n＝60，跟踪速度相对提高了6.5％，跟踪精度相对提高了8.2％。

应用场景4

参见图1、图2，本应用场景的一个实施例的复杂场景下的环境监控系统，包括环境监控小车1、危险目标物监测装置2和显示终端3，所述环境监控小车1上设置摄像头11，摄像头11通过舵机12与转向控制模块13连接，所述的转向控制模块13、摄像头11通过无线网络连接所述危险目标物监测装置2和显示终端3；所述危险目标物监测装置2用于检测环境中的危险目标物并对危险目标物进行追踪。

本实施例结构简单，操作方便，便于在以无人值守的地方、隐蔽场所以及黑暗场所等监测不方便的地方进行无线、自动监测，从而解决了上述的技术问题。

优选的，所述显示终端为手机。

本优选实施例便于用户对环境进行实时监控。

优选的，所述手机上设置用于操控所述转向控制模块13的操作界面。

本优选实施例便于用户对转向控制模块进行操控。

优选的，所述危险目标物监测装置2包括运动区域检测模块21、危险目标物区域确定模块22和危险目标物定位模块23；所述运动区域检测模块21用于在摄像头11采集的视频图像中检测危险目标物的运动区域D₁并以此作为危险目标物模板；所述危险目标物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测危险目标物候选区域；所述危险目标物定位模块23用于对所述危险目标物候选区域和所述危险目标物模板进行特征相似度量，确定危险目标物的位置坐标。

本优选实施例构建了危险目标物监测装置2的模块架构。

优选的，所述危险目标物区域确定模块22包括：

(1)初始化子模块221：用于在所述运动区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块224：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(3)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)危险目标物候选区域计算子模块224：其利用最小方差估计来计算危险目标物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的危险目标物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的危险目标物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了危险目标物监测装置2的鲁棒性；设置位置修正子模块225，能够避免异常数据对整个系统带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了危险目标物监测装置2的鲁棒性。

在此应用场景中，选取粒子数n＝65，跟踪速度相对提高了6.5％，跟踪精度相对提高了8.5％。

应用场景5

参见图1、图2，本应用场景的一个实施例的复杂场景下的环境监控系统，包括环境监控小车1、危险目标物监测装置2和显示终端3，所述环境监控小车1上设置摄像头11，摄像头11通过舵机12与转向控制模块13连接，所述的转向控制模块13、摄像头11通过无线网络连接所述危险目标物监测装置2和显示终端3；所述危险目标物监测装置2用于检测环境中的危险目标物并对危险目标物进行追踪。

本实施例结构简单，操作方便，便于在以无人值守的地方、隐蔽场所以及黑暗场所等监测不方便的地方进行无线、自动监测，从而解决了上述的技术问题。

优选的，所述显示终端为手机。

本优选实施例便于用户对环境进行实时监控。

优选的，所述手机上设置用于操控所述转向控制模块13的操作界面。

本优选实施例便于用户对转向控制模块进行操控。

优选的，所述危险目标物监测装置2包括运动区域检测模块21、危险目标物区域确定模块22和危险目标物定位模块23；所述运动区域检测模块21用于在摄像头11采集的视频图像中检测危险目标物的运动区域D₁并以此作为危险目标物模板；所述危险目标物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测危险目标物候选区域；所述危险目标物定位模块23用于对所述危险目标物候选区域和所述危险目标物模板进行特征相似度量，确定危险目标物的位置坐标。

本优选实施例构建了危险目标物监测装置2的模块架构。

优选的，所述危险目标物区域确定模块22包括：

(1)初始化子模块221：用于在所述运动区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块224：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(3)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)危险目标物候选区域计算子模块224：其利用最小方差估计来计算危险目标物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的危险目标物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的危险目标物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了危险目标物监测装置2的鲁棒性；设置位置修正子模块225，能够避免异常数据对整个系统带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了危险目标物监测装置2的鲁棒性。

在此应用场景中，选取粒子数n＝70，跟踪速度相对提高了6％，跟踪精度相对提高了9％

最后应当说明的是，以上应用场景仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳应用场景对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。