專利名稱：一種基于序列粒子群優(yōu)化的圖像跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，特別涉及可視化跟蹤(Visual tracking)技術(shù)。
背景技術(shù)：
復(fù)雜場(chǎng)景下目標(biāo)的運(yùn)動(dòng)跟蹤是近些年來計(jì)算機(jī)視覺領(lǐng)域里的前沿研究方向之一， 也是該領(lǐng)域中難點(diǎn)之一。特別是動(dòng)態(tài)場(chǎng)景下的目標(biāo)運(yùn)動(dòng)分析受到了世界上許多重要研究機(jī)構(gòu)的高度重視，這充分說明了它的重要性。跟蹤問題等價(jià)于在連續(xù)的圖像幀間創(chuàng)建基于位置、速度、形狀、紋理、色彩等有關(guān)特征的對(duì)應(yīng)匹配問題。大體上，目標(biāo)跟蹤的算法都要設(shè)計(jì)兩個(gè)關(guān)鍵性問題①表觀模型，即如何對(duì)目標(biāo)進(jìn)行建模、并且實(shí)時(shí)更新。因此，如何構(gòu)建一個(gè)好的表觀模型對(duì)目標(biāo)識(shí)別起著至關(guān)重要的作用。特別是在時(shí)序數(shù)據(jù)流中，目標(biāo)的表觀是隨著時(shí)間而變化的，同時(shí)還可能受到各種光照變化、噪音、部分遮擋、形變等復(fù)雜因素的干擾。 此外，還要滿足實(shí)際應(yīng)用的低計(jì)算復(fù)雜度的要求。②跟蹤框架，如何對(duì)候選區(qū)域與目標(biāo)模板進(jìn)行有效地匹配。總的來說，目前存在的跟蹤算法的理論框架大致可以分為確定性跟蹤框架和隨機(jī)性跟蹤框架兩大類。確定性跟蹤框架容易陷入局部極值，而隨機(jī)化跟蹤框架也存在著樣本退化和計(jì)算量大等問題。這樣就提出一個(gè)嚴(yán)峻的挑戰(zhàn)，那就是如何構(gòu)建一個(gè)在線的低復(fù)雜度的并且非常有效的表觀模型，這對(duì)目標(biāo)跟蹤、姿態(tài)估計(jì)以及行為理解是非常重要的，以及如何建立一個(gè)有效的跟蹤框架，避免陷入局部極值以及樣本退化等主要問題。表觀模型方面，目標(biāo)區(qū)域的顏色直方圖忽略了目標(biāo)表觀的顏色空間分布信息；基于核密度估計(jì)的表觀模型雖然克服了這一點(diǎn)，但計(jì)算和存儲(chǔ)復(fù)雜度非常高；混合高斯模型能動(dòng)態(tài)地學(xué)習(xí)像素顏色的時(shí)間統(tǒng)計(jì)特性，但對(duì)噪音非常敏感；自適應(yīng)的混合高斯融合空間和顏色信息，但致對(duì)目標(biāo)表觀的全局性的變化以及噪音非常敏感；基于在線子空間學(xué)習(xí)的方法將圖像展成向量，丟失了幾乎全部空間信息，對(duì)仍對(duì)噪聲敏感；基于張量的子空間方法能極大地被減少目標(biāo)的時(shí)空分布冗余，但不能在線地更新，因此，無法將這種有效的建模方法應(yīng)用于時(shí)序數(shù)據(jù)跟蹤，也導(dǎo)致了很大的運(yùn)算和存儲(chǔ)代價(jià)。跟蹤框架方面，典型的確定性跟蹤框架根據(jù)事先設(shè)定的相似度損失函數(shù) (Similarity Cost Function)，在當(dāng)前圖像幀內(nèi)的局部區(qū)域通過梯度優(yōu)化的迭代方法找到與目標(biāo)標(biāo)準(zhǔn)模版最為相似的區(qū)域。確定性跟蹤框架一般計(jì)算量較小，效率較高，但容易陷入局部極小值，導(dǎo)致跟蹤的結(jié)果不夠精確。隨著跟蹤誤差的積累，最后可能導(dǎo)致跟蹤失敗。隨機(jī)性跟蹤框架利用狀態(tài)空間對(duì)當(dāng)前跟蹤系統(tǒng)進(jìn)行模型化，利用隨機(jī)產(chǎn)生粒子來逼近狀態(tài)的后驗(yàn)分布。粒子濾波(Particle Filter)，也被稱為時(shí)序蒙特卡羅(sequential MonteCarlo)方法，是目前最為廣泛使用的隨機(jī)性方法。與隨機(jī)性跟蹤框架相比，隨機(jī)性跟蹤框架更為魯棒，但是計(jì)算量過大，而且隨著目標(biāo)狀態(tài)的增長呈指數(shù)增長。另外，由于沒有好的機(jī)制選擇重要性分布，粒子濾波器存在著嚴(yán)重的樣本退化問題
發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)的問題，本發(fā)明目的在于提出一種適用于移動(dòng)攝像機(jī)的復(fù)雜場(chǎng)景下(劇烈運(yùn)動(dòng)、光照變化，噪聲，部分遮擋，形變等)魯棒的目標(biāo)跟蹤框架。為實(shí)現(xiàn)上述目的，本發(fā)明提出一種基于序列粒子群優(yōu)化的圖像跟蹤方法，深入的探究了粒子濾波算法樣本退化的理論原因，得到一種新的跟蹤框架，其方法包括步驟如下步驟1 在當(dāng)前幀圖像中，利用狀態(tài)轉(zhuǎn)移分布對(duì)上一幀圖像中的個(gè)體最優(yōu)狀態(tài)集進(jìn)行隨機(jī)傳播并產(chǎn)生粒子；步驟2 對(duì)隨機(jī)傳播后產(chǎn)生的粒子進(jìn)行粒子群優(yōu)化迭代，獲得粒子的適應(yīng)值；步驟3 利用基于空間約束混合高斯的表觀模型對(duì)每個(gè)粒子的適應(yīng)值進(jìn)行評(píng)價(jià)， 獲得適應(yīng)值評(píng)價(jià)的結(jié)果；步驟4 根據(jù)適應(yīng)值評(píng)價(jià)的結(jié)果更新粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)；步驟5 對(duì)適應(yīng)值評(píng)價(jià)的結(jié)果、粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)進(jìn)行收斂判斷若滿足收斂條件則輸出群體最優(yōu)狀態(tài)粒子對(duì)應(yīng)的觀測(cè)值作為當(dāng)前幀圖像的跟蹤結(jié)果， 若不滿足上述收斂條件，則繼續(xù)執(zhí)行步驟2。優(yōu)選地，對(duì)上一幀圖像中的個(gè)體最優(yōu)狀態(tài)集進(jìn)行隨機(jī)傳播的步驟包括步驟11 給定上一幀圖像中粒子群集合的個(gè)體最優(yōu)狀態(tài)；步驟12 根據(jù)高斯分布對(duì)個(gè)體最優(yōu)狀態(tài)粒子集合進(jìn)行隨機(jī)傳播。優(yōu)選地，對(duì)隨機(jī)傳播后產(chǎn)生的粒子進(jìn)行粒子群優(yōu)化迭代，包括步驟如下步驟21 根據(jù)前一次迭代的粒子個(gè)體最優(yōu)和全局最優(yōu)狀態(tài)得到本次迭代的加速度參數(shù)；步驟22 根據(jù)對(duì)當(dāng)前粒子的預(yù)測(cè)速度設(shè)定當(dāng)前粒子最大速度限制；步驟23 根據(jù)最大速度限制，定義保證收斂性并提高收斂速度的收縮參數(shù)；步驟M 根據(jù)上述收縮參數(shù)對(duì)速度進(jìn)行迭代
權(quán)利要求
1.一種基于序列粒子群優(yōu)化的圖像跟蹤方法，其特征在于，該圖像跟蹤方法包括步驟步驟1 在當(dāng)前幀圖像中，利用狀態(tài)轉(zhuǎn)移分布對(duì)上一幀圖像中的個(gè)體最優(yōu)狀態(tài)集進(jìn)行隨機(jī)傳播并產(chǎn)生粒子；步驟2 對(duì)隨機(jī)傳播后產(chǎn)生的粒子進(jìn)行粒子群優(yōu)化迭代，獲得粒子的適應(yīng)值； 步驟3 利用基于空間約束混合高斯的表觀模型對(duì)每個(gè)粒子的適應(yīng)值進(jìn)行評(píng)價(jià)，獲得適應(yīng)值評(píng)價(jià)的結(jié)果；步驟4 根據(jù)適應(yīng)值評(píng)價(jià)的結(jié)果更新粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)； 步驟5 對(duì)適應(yīng)值評(píng)價(jià)的結(jié)果、粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)進(jìn)行收斂判斷若滿足收斂條件則輸出群體最優(yōu)狀態(tài)粒子對(duì)應(yīng)的觀測(cè)值作為當(dāng)前幀圖像的跟蹤結(jié)果，若不滿足上述收斂條件，則繼續(xù)執(zhí)行步驟2。
2.按照權(quán)利要求1所述的圖像跟蹤方法，其特征在于，對(duì)上一幀圖像中的個(gè)體最優(yōu)狀態(tài)集進(jìn)行隨機(jī)傳播的步驟包括步驟11 給定上一幀圖像中粒子群集合的個(gè)體最優(yōu)狀態(tài)； 步驟12 根據(jù)高斯分布對(duì)個(gè)體最優(yōu)狀態(tài)粒子集合進(jìn)行隨機(jī)傳播。
3.按照權(quán)利要求1所述的圖像跟蹤方法，其特征在于，對(duì)隨機(jī)傳播后產(chǎn)生的粒子進(jìn)行粒子群優(yōu)化迭代，包括步驟如下步驟21 根據(jù)前一次迭代的粒子個(gè)體最優(yōu)和全局最優(yōu)狀態(tài)得到本次迭代的加速度參數(shù)；步驟22 根據(jù)對(duì)當(dāng)前粒子的預(yù)測(cè)速度設(shè)定當(dāng)前粒子最大速度限制； 步驟23 根據(jù)最大速度限制，定義保證收斂性并提高收斂速度的收縮參數(shù)； 步驟M 根據(jù)上述收縮參數(shù)對(duì)速度進(jìn)行迭代
4.按照權(quán)利要求3所述的圖像跟蹤方法，其特征在于，所述加速度常數(shù)鞏, ， 被設(shè)置成自適應(yīng)的加速度常數(shù)，如下式表示
5.按照權(quán)利要求1所述的圖像跟蹤方法，其特征在于，對(duì)每個(gè)粒子的適應(yīng)值進(jìn)行評(píng)價(jià)的步驟包括步驟31 根據(jù)每個(gè)粒子狀態(tài)得到對(duì)應(yīng)的觀測(cè)值；步驟32 根據(jù)事先定義的適應(yīng)值評(píng)價(jià)函數(shù)對(duì)粒子的適應(yīng)值進(jìn)行評(píng)價(jià)。
6.按照權(quán)利要求1所述的圖像跟蹤方法，其特征在于，根據(jù)適應(yīng)值評(píng)價(jià)結(jié)果更新個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)的步驟包括步驟41 基于適應(yīng)值評(píng)價(jià)的結(jié)果，對(duì)個(gè)體最優(yōu)狀態(tài)進(jìn)行更新對(duì)一個(gè)粒子而言，如果對(duì)該粒子當(dāng)前的個(gè)體狀態(tài)的適應(yīng)值評(píng)價(jià)優(yōu)于該粒子最優(yōu)狀態(tài)，則將該粒子最優(yōu)狀態(tài)更新為該粒子當(dāng)前狀態(tài)，如果對(duì)該粒子當(dāng)前的個(gè)體狀態(tài)的適應(yīng)值評(píng)價(jià)劣于該粒子最優(yōu)狀態(tài)，則保持該粒子最優(yōu)狀態(tài)原值不變；步驟42 基于適應(yīng)值評(píng)價(jià)的結(jié)果，對(duì)群體最優(yōu)狀態(tài)進(jìn)行更新在所有粒子的個(gè)體最優(yōu)狀態(tài)的適應(yīng)值評(píng)價(jià)結(jié)果中，挑選出評(píng)價(jià)結(jié)果最優(yōu)的粒子個(gè)體最優(yōu)狀態(tài)，作為群體最優(yōu)狀態(tài)。
7.按照權(quán)利要求1所述的圖像跟蹤方法，其特征在于，所述收斂判斷的步驟包括 步驟51 基于更新過的粒子個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)，對(duì)群體最優(yōu)狀態(tài)的粒子的適應(yīng)值評(píng)價(jià)結(jié)果進(jìn)行收斂判斷，如果該群體最優(yōu)狀態(tài)適應(yīng)值評(píng)價(jià)結(jié)果大于事先規(guī)定的閾值，并且所有個(gè)體最優(yōu)狀態(tài)都落在群體最優(yōu)狀態(tài)的某范圍的鄰域中，則認(rèn)為達(dá)到收斂條件；步驟52 如果上述條件得不到滿足，則判斷迭代次數(shù)是否達(dá)到最大迭代次數(shù)；若迭代次數(shù)達(dá)到最大迭代次數(shù)，則認(rèn)為達(dá)到收斂條件，若迭代次數(shù)沒有達(dá)到最大迭代次數(shù)，則認(rèn)為還未收斂；步驟53 如果已經(jīng)收斂，則迭代過程結(jié)束，則輸出群體最優(yōu)狀態(tài)粒子對(duì)應(yīng)的觀測(cè)值作為當(dāng)前幀圖像的跟蹤結(jié)果，如果未收斂，則繼續(xù)進(jìn)行粒子群優(yōu)化迭代。
全文摘要
本發(fā)明涉及一種基于序列粒子群優(yōu)化的圖像跟蹤方法，包括步驟在當(dāng)前幀圖像中，利用狀態(tài)轉(zhuǎn)移分布對(duì)上一幀圖像中的個(gè)體最優(yōu)狀態(tài)集進(jìn)行隨機(jī)傳播；對(duì)隨機(jī)傳播后產(chǎn)生的粒子進(jìn)行粒子群優(yōu)化迭代；利用基于空間約束混合高斯的表觀模型對(duì)每個(gè)粒子的適應(yīng)值進(jìn)行評(píng)價(jià)；根據(jù)適應(yīng)值評(píng)價(jià)的結(jié)果更新粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)；收斂判斷若滿足收斂條件，則輸出群體最優(yōu)狀態(tài)粒子對(duì)應(yīng)的觀測(cè)值作為當(dāng)前幀圖像的跟蹤結(jié)果，否則的話繼續(xù)進(jìn)行粒子群優(yōu)化迭代。本發(fā)明實(shí)現(xiàn)了有效的目標(biāo)跟蹤，具有很好的應(yīng)用前景。
文檔編號(hào)G06T7/20GK102194234SQ20101011775
公開日2011年9月21日 申請(qǐng)日期2010年3月3日 優(yōu)先權(quán)日2010年3月3日
發(fā)明者張笑欽, 羅文寒, 胡衛(wèi)明 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所