專利名稱：一種目標跟蹤的方法
技術領域：
本發(fā)明涉及圖像領域，更具體的說，涉及目標跟蹤領域。
背景技術：
復雜背景下的目標跟蹤技術是計算機視覺領域的核心研究課題之一，它包含了計算機圖形學、目標識別、人工智能以及自動控制等多方面技術。目前的多種跟蹤算法，如光流法、卡爾曼濾波方法等，均無法滿足跟蹤精度要求，而粒子濾波方法在解決非線性，非高斯問題上要優(yōu)于其它跟蹤方法。但是，基本的粒子濾波算法需要不斷的重采樣，最終導致粒子退化和樣本貧化，難以達到目標跟蹤要求；并且，基本的粒子濾波算法無法實現(xiàn)對復雜背景下的目標跟蹤。為了更有效的使粒子濾波算法應用到目標跟蹤領域，有必要將傳統(tǒng)的粒子濾波算法進行優(yōu)化和改進，以適應復雜系統(tǒng)中的目標跟蹤。 粒子濾波器主要由J. M. Hammersley提出的序貫重要性采樣方法(HammersleyJ. M. Monte Carlo Methods. New York Methuen ' s Monographs,1964)和 Gordon 提出的重米樣方法(Gordon N. J, Salmond D. J. Smith A. M. Novel approach to nonlinear,non-gaussian Bayesian state estimation，In JEEE Proceedings on Radar and SjgnalProcessing, 1993,140 :107-113)發(fā)展而來，其主要思想是通過尋找一組在狀態(tài)空間傳播的粒子，用已有狀態(tài)空間的粒子的概率分布來估計最新狀態(tài)的粒子分布，進而用最新粒子分布近似最新狀態(tài)，并保證該狀態(tài)的估計誤差最小。粒子濾波器的估計精度與粒子數(shù)目成正比。粒子的數(shù)目越多，粒子的概率密度函數(shù)越接近狀態(tài)的概率密度函數(shù)。粒子濾波方法自1964年被提出以來，在學術界得到了深入研究和廣泛應用，研究者提出了很多改進算法。1998年，Liu提出了序貫重要采樣粒子濾波器(Liu J.S，ChenR. Sequential Monte-Carlo Methods for Dynamic Systems. Journal of the AmericanStatistical Association，1998，93 (443) ;1032_1044)，引入了殘差重采樣方法，提供了一個解決在線的蒙特卡羅動態(tài)系統(tǒng)的計算框架。1999年，Carpenter提出了分層重要性采樣算法。該算法對重采樣算法進行改進，將無序的隨機數(shù)變成有序，并把粒子限定在不同的區(qū)間內，保證了粒子的多樣性，改善了粒子退化現(xiàn)象。2008年，Sang提出了一種自適應的粒子濾波器(Sang H. P, Young-Joong Kim, Hoo-Cheol Lee, et al. Improved AdaptiveParticle Filter Using Adjusted Variance and Gradient Data. Proceedings of IEEEInternational Conference on Multisensor Fusion and Integration for IntelligentSystems, seoul，Korea, 2008. 8 (20-22) :650-655)，旨在動態(tài)調整系統(tǒng)狀態(tài)中的粒子數(shù)目。當目標跟蹤比較準確的時候，適當?shù)臏p少粒子；當跟蹤誤差較大的時候，使用較多的粒子。這種濾波器雖然有較好的跟蹤精度，但實現(xiàn)起來非常復雜，并且自適應門限難以控制。還有很多學者致力于粒子濾波算法優(yōu)化方面的研究，但都無法避免粒子退化和粒子貧化現(xiàn)象，對復雜背景下的目標跟蹤精度不高，應用范圍有限。粒子濾波方法在國內的研究開始稍晚，但由于對實時復雜背景下的目標跟蹤的迫切要求，也吸引了眾多研究人員使用粒子濾波方法從事目標跟蹤方法的研究。2006年，鄒國輝等提出了基于優(yōu)化組合重采樣的粒子濾波算法(鄒國輝，敬忠良.基于優(yōu)化組合重采樣的粒子濾波算法.上海交通大學學報，2006，50 (7) :1135-1139)。該算法通過選取粒子和被拋棄粒子的適當線性組合而產(chǎn)生新的粒子，增加了粒子多樣性，從而克服了粒子的貧化，提高了粒子濾波算法的精度。2011年，李宏偉等提出了一種基于差分演化的粒子濾波算法(李宏偉，王俊，王海濤.一種基于差分演化的粒子濾波算法.電子與信息學報，2011,33(7) :1639-1643)。該算法將重要性采樣得到的粒子當作差分演化的樣本，用粒子的權重作為樣本的適應度函數(shù)，對粒子做差分變異、交叉、選擇等迭代優(yōu)化，最后得到最優(yōu)粒子點集。同年，錢翔等(錢翔，李新華，劉波等.改進的粒子濾波器目標跟蹤方法.計算機工程與設計.2011，32 (I) 277-280)提出一種新的目標模型的改進方法，該方法將目標的顏色特征和不變矩特征相融合，粒子權重由兩種特征的歐式距離加權生成，提高了跟蹤的準確度。2012年，左軍毅等提出一種自適應不完全重采樣粒子濾波器(左軍毅，張怡哲，梁彥.自適應不完全重采樣粒子濾波器.自動化學報.2012，38 (4) =647-650)，以分步的方式對部分粒 子進行了重采樣，以遞推的方式計算表征粒子退化程度的度量函數(shù)，重采樣后的粒子由新粒子和未參與重采樣的粒子組成，減緩了粒子的退化，使粒子集具備了良好的多樣性。綜合國內外研究現(xiàn)狀，基于粒子濾波的目標跟蹤還有許多不足之處，主要體現(xiàn)在這些成果都不能很好的解決復雜背景下的目標跟蹤，跟蹤精度和魯棒性不能滿足要求。實用的目標跟蹤大多是在復雜環(huán)境下的，而目前的粒子濾波方法對復雜環(huán)境的處理沒有良好的方法，當前的主要研究還停留在優(yōu)化系統(tǒng)狀態(tài)和優(yōu)化重采樣方法上。

發(fā)明內容
針對上述問題，本發(fā)明的研究重點在于用基于主成分分析的粒子濾波實現(xiàn)精確目標跟蹤。本發(fā)明提出了一種目標跟蹤的方法，包括以下步驟步驟I :基于顏色、形狀信息檢測初始跟蹤區(qū)域；步驟2 :初始化系統(tǒng)狀態(tài)，建立帶有高斯噪聲的系統(tǒng)遞推狀態(tài)模型并建立系統(tǒng)狀態(tài)模型，以狀態(tài)方程表示為xt+1 = f OO+Gnoise，其中其中f (Xt)為狀態(tài)轉移函數(shù)，Gnoise表示帶有自由度的高斯噪聲，Xt、xt+1分別表示t、t+l時刻的粒子狀態(tài)；步驟3 :從視頻中讀入新巾貞,并將新巾貞灰度化、向量化；步驟4 :從分布Xt p(xt|xt_i)中采樣,形成t時刻的粒子狀態(tài)xt ;步驟5 :使用主成分分析法，從t時刻的粒子狀態(tài)中提取特征，并計算樣本到特征
DIFS+DFFS
空間的距離DFFS和樣本在特征空間內部的距離DIFS，然后依公式<2~計算粒
子組中每個粒子的權值w丨，并根據(jù)公式R = w； dwkt (i = 1，2，. . . . N)對這組粒子權值進行標準化，其中N為粒子數(shù)；步驟6 :根據(jù)每個粒子的權值計算這組粒子的權值均方誤差，根據(jù)均方誤差大小決定是否重采樣如果重采樣，將粒子按權值從大到小依次排序，選取半數(shù)大權值粒子分散，舍棄另外半數(shù)小權值粒子，形成一組新的粒子，之后返回步驟5 ;如果不進行重采樣，則選擇最優(yōu)粒子輸出，在視頻中顯示出最優(yōu)跟蹤結果，并根據(jù)xt+1 = f (Xt)+Gnoise計算下一時刻的每個粒子的狀態(tài)；
步驟7 :判斷是否有新幀，若有新幀，更新t = t+1并轉步驟3 ;否則保存結果視頻后結束。進一步，步驟5中所述主成分分析法具體包括(5.1)圖像向量化特征空間具有k幅圖像,每幅圖像共有m個像素,將k幅圖像進行灰度化處理，使第i幅圖像的第I個像素的值Xij在0到255之間，其中i = 1，2. . . k，j = 1,2. . .m，每一幅圖像為一個樣本，以行序優(yōu)先為原則生成該圖像的灰度值組成的列向量，將k幅圖像所對應的k個樣本值排列成kXm的矩陣形式的樣本空間
權利要求
1.一種目標跟蹤的方法，包括以下步驟 步驟I:基于顏色、形狀信息檢測初始跟蹤區(qū)域； 步驟2 :初始化系統(tǒng)狀態(tài)，建立帶有高斯噪聲的系統(tǒng)遞推狀態(tài)模型并建立系統(tǒng)狀態(tài)模型，以狀態(tài)方程表示為xt+1 = f (xt)+Gnoise,其中其中f (Xt)為狀態(tài)轉移函數(shù)，Gnoise表示帶有自由度的高斯噪聲，xt、xt+1分別表示t、t+l時刻的粒子狀態(tài)； 步驟3 :從視頻中讀入新幀，并將新幀灰度化、向量化； 步驟4 :從分布Xt p (xt I Xt^1)中采樣,形成t時刻的粒子狀態(tài)Xt ； 步驟5 :使用主成分分析法，從t時刻的粒子狀態(tài)中提取特征，并計算樣本到特征空間 的距離DFFS和樣本在特征空間內部的距離DIFS，然后依公式
2.根據(jù)權利要求I所述的方法，其特征在于步驟5中所述主成分分析法具體包括 (5. I)圖像向量化特征空間具有k幅圖像，每幅圖像共有m個像素，將k幅圖像進行灰度化處理，使第i幅圖像的第j個像素的值\」在0到255之間，其中i = l，2...k，j = 1，2.. . m，每一幅圖像為一個樣本，以行序優(yōu)先為原則生成該圖像的灰度值組成的列向量，將k幅圖像所對應的k個樣本值排列成kXm的矩陣形式的樣本空間
3.根據(jù)權利要求I所述的方法，當所述目標為人臉時，步驟I中所述的檢測初始跟蹤區(qū)域具體包括 (I. D使用YC1A色彩空間作為檢測空間，根據(jù)從聚類中得到的人臉的膚色的色彩門限.135172且90 < Cb < 127，在視頻中尋找被跟蹤目標出現(xiàn)的第一幀，并將初始跟蹤區(qū)域的長寬分別設置為8像素和20像素，忽略長寬分別小于8像素和20像素的目標，當視頻的某一幀出現(xiàn)滿足要求的區(qū)域時，表示被跟蹤目標出現(xiàn)；如果當前幀沒有出現(xiàn)被跟蹤目標，則繼續(xù)提取下一幀 (1.2)修正初始跟蹤區(qū)域，采用長寬比為8 20的矩形對(I. I)中得到的區(qū)域進行擴展，按照上述門限對此矩形不斷的復制和平移，平移后的矩形之間可能存在包含和重疊的關系，當一個矩形完全包圍另一個矩形時，拋棄內部的矩形；當兩個矩形的邊界接觸或兩個矩形出現(xiàn)重疊時，用這兩個矩形的公共外接矩形來代替這兩個矩形，用此方法對輸入的每一幀進行處理，直到發(fā)現(xiàn)目標人臉并界定初始跟蹤 區(qū)域。
4.根據(jù)權利要求I所述的方法，步驟5中所述計算樣本到特征空間的距離DFFS和樣本在特征空間內部的距離DIFS具體為，
5.根據(jù)權利要求I所述的方法，所述粒子狀態(tài)的信息包括目標矩形區(qū)域中心點位置、區(qū)域的寬高信息以及目標區(qū)域的底邊與水平方向的夾角。
全文摘要
本發(fā)明提供了一種目標跟蹤的方法，首先檢測初始跟蹤區(qū)域；然后，初始化系統(tǒng)狀態(tài)，建立帶有高斯噪聲的系統(tǒng)遞推狀態(tài)模型并建立系統(tǒng)狀態(tài)模型；從視頻中讀入新幀，并灰度化、向量化；采樣形成t時刻的粒子狀態(tài)xt，使用主成分分析法，從t時刻的粒子狀態(tài)中提取特征，并計算特征距離以及粒子組中每個粒子的權值；根據(jù)每個粒子的權值計算這組粒子的權值均方誤差，根據(jù)均方誤差大小決定是否重采樣，如果不進行重采樣，則選擇最優(yōu)粒子輸出，在視頻中顯示出最優(yōu)跟蹤結果。通過本發(fā)明的方法，避免了過度重采樣導致的粒子退化和粒子貧化，提高了跟蹤精度和魯棒性。適于應用在視頻或序列圖像中的目標跟蹤、多障礙物的目標跟蹤和復雜背景下的人臉跟蹤中。
文檔編號G06K9/00GK102750522SQ201210199210
公開日2012年10月24日 申請日期2012年6月18日 優(yōu)先權日2012年6月18日
發(fā)明者王欣, 趙連義 申請人:吉林大學