專利名稱：基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本申請(qǐng)涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法及系統(tǒng)。
背景技術(shù)：
運(yùn)動(dòng)物體的跟蹤就是在連續(xù)的圖像序列上，對(duì)運(yùn)動(dòng)的行人出現(xiàn)的位置、大小、形狀等有關(guān)特征的對(duì)應(yīng)匹配問(wèn)題。眾多學(xué)者提出了許多算法。現(xiàn)有運(yùn)動(dòng)物體跟蹤算法主要有以下四種基于模板匹配的跟蹤方法、基于輪廓的跟蹤方法、基于運(yùn)動(dòng)預(yù)測(cè)的跟蹤方法和粒子濾波跟蹤方法。其中，粒子濾波跟蹤方法在現(xiàn)實(shí)應(yīng)用場(chǎng)景中，通常圖像的噪聲不服從高斯分布，因此，卡爾曼濾波不能獲得較好的跟蹤效果，為了應(yīng)用于現(xiàn)實(shí)應(yīng)用的場(chǎng)景?，F(xiàn)有技術(shù)已將粒子濾波算法引入到視覺(jué)跟蹤領(lǐng)域。 粒子濾波器的主要思想是基于蒙特卡洛方法，它是利用具有權(quán)重的粒子集來(lái)表示后驗(yàn)概率，可以應(yīng)用于任何形式的狀態(tài)空間模型上，是一種順序重要性采樣法(SequentialImportance Sampling, SIS)。簡(jiǎn)單來(lái)說(shuō),粒子濾波法是指通過(guò)尋找一組在狀態(tài)空間傳播的隨機(jī)樣本對(duì)概率密度函數(shù)進(jìn)行近似，以樣本均值代替積分運(yùn)算，從而獲得狀態(tài)最小方差分布的過(guò)程。粒子濾波器是針對(duì)非線性運(yùn)動(dòng)，多模式分布的情況。通過(guò)對(duì)前一幀的后驗(yàn)概率分布估計(jì)值進(jìn)行采樣，然后傳播這些采樣值形成當(dāng)前幀的后驗(yàn)概率估計(jì)值。粒子濾波器的缺點(diǎn)是為保證對(duì)當(dāng)前狀態(tài)進(jìn)行最大似然估計(jì)的正確性所需的采樣點(diǎn)太多導(dǎo)致計(jì)算量過(guò)大。粒子濾波器的另一個(gè)不足之處是粒子退化現(xiàn)象，目前眾多學(xué)者改進(jìn)粒子濾波的主要切入點(diǎn)也是從解決粒子退化現(xiàn)象入手?，F(xiàn)有技術(shù)通過(guò)引入均值漂移來(lái)調(diào)整粒子濾波采樣策略，并使用積分直方圖來(lái)加快每個(gè)粒子直方圖的計(jì)算，提高跟蹤算法的速度和精度；吳濤等提出了基于MCMC方法的粒子濾波改進(jìn)算法，使用MCMC方法選取較好的采樣策略來(lái)改善跟蹤算法的性能；而通過(guò)拋棄小權(quán)重以及充分利用粒子權(quán)重大小所代表的意義來(lái)復(fù)制的原則進(jìn)行跟蹤算法的改進(jìn)。雖然有這些改進(jìn)，但在行人跟蹤上，未見(jiàn)相關(guān)報(bào)道，也有許多技術(shù)難關(guān)需要攻克。綜上所述，有必要提供一種基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法及系統(tǒng)以解決上述問(wèn)題。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供一種基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法及系統(tǒng)，有效的提聞了跟蹤算法的魯棒性，完成穩(wěn)定的跟蹤。為了實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例提供的技術(shù)方案如下一種基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法，所述方法包括以下步驟SI、輸入一幀圖像，通過(guò)HOG特征向量集和SVM向量機(jī)進(jìn)行檢測(cè)，判斷是否有行人，若是，執(zhí)行步驟S2，若否，輸入下一幀圖像重新檢測(cè)；S2、實(shí)現(xiàn)基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標(biāo)行人的初始矩形區(qū)域，并從目標(biāo)矩形區(qū)域中采樣若干粒子，提取HOG特征和顏色特征，計(jì)算HOG和顏色雙重特征融合后粒子的權(quán)重，通過(guò)最小均方誤差估計(jì)器得到最后的狀態(tài)估計(jì)并輸出估計(jì)目標(biāo)后進(jìn)行重采樣；S3、判斷圖像是否為最后一幀，若是，則結(jié)束跟蹤，若否，返回步驟S2。作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟SI中的“通過(guò)HOG特征向量集進(jìn)行檢測(cè)”具體為在灰度空間或顏色空間中評(píng)估圖像像素特性，對(duì)圖像進(jìn)行伽馬校正規(guī)范化；根據(jù)HOG梯度的提取，計(jì)算每個(gè)像素的梯度；計(jì)算單元梯度幅值，具體為累加每個(gè)單元中包含像素的梯度方向直方圖，再將每個(gè)梯度方向直方圖映射到確定的角度上，得到HOG特征向量；相鄰的單元組成一個(gè)塊，進(jìn)行塊歸一化；選用單元和塊，得到HOG特征向量集進(jìn)行檢測(cè)。作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟SI中的SVM向量機(jī)包括SVM分類器，所述SVM分類器包括傳統(tǒng)SVM分類器和線性不可分SVM分類器。作為本發(fā)明的進(jìn)一步改進(jìn)，所述傳統(tǒng)SVM分類器中的分類函數(shù)
為
權(quán)利要求
1.一種基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法，其特征在于，所述方法包括以下步驟 51、輸入一幀圖像，通過(guò)HOG特征向量集和SVM向量機(jī)進(jìn)行檢測(cè)，判斷是否有行人，若是，執(zhí)行步驟S2，若否，輸入下一幀圖像重新檢測(cè)； 52、實(shí)現(xiàn)基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標(biāo)行人的初始矩形區(qū)域，并從目標(biāo)矩形區(qū)域中采樣若干粒子，提取HOG特征和顏色特征，計(jì)算HOG和顏色雙重特征融合后粒子的權(quán)重，通過(guò)最小均方誤差估計(jì)器得到最后的狀態(tài)估計(jì)并輸出估計(jì)目標(biāo)后進(jìn)行重采樣； 53、判斷圖像是否為最后一幀，若是，則結(jié)束跟蹤，若否，返回步驟S2。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟SI中的“通過(guò)HOG特征向量集進(jìn)行檢測(cè)”具體為 在灰度空間或顏色空間中評(píng)估圖像像素特性，對(duì)圖像進(jìn)行伽馬校正規(guī)范化； 根據(jù)HOG梯度的提取，計(jì)算每個(gè)像素的梯度； 計(jì)算單元梯度幅值，具體為累加每個(gè)單元中包含像素的梯度方向直方圖，再將每個(gè)梯度方向直方圖映射到確定的角度上，得到HOG特征向量； 相鄰的單元組成一個(gè)塊，進(jìn)行塊歸一化； 選用單元和塊，得到HOG特征向量集進(jìn)行檢測(cè)。
3.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟SI中的SVM向量機(jī)包括SVM分類器，所述SVM分類器包括傳統(tǒng)SVM分類器和線性不可分SVM分類器。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述傳統(tǒng)SVM分類器中的分類函數(shù)為
5.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟S2具體為 獲得目標(biāo)行人的初始矩形區(qū)域，并從目標(biāo)矩形區(qū)域中采樣若干粒子
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S2中顏色特征的提取具體為 在RGB空間計(jì)算顏色直方圖，目標(biāo)區(qū)域的概率分布為
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟S2中HOG特征的提取具體為 使用一階中心算子[_1，0，1]，計(jì)算圖像每個(gè)像素點(diǎn)水平和垂直方向的梯度值Gh和Gv，其中
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述步驟S2中的采樣具體為 在單位超立方體Ds:
將QMC點(diǎn)集轉(zhuǎn)換為粒子集Ui, I, 2···N}，其中a和b是Xi所在空間的間隔范圍。
9.一種如權(quán)利要求I所述的基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤系統(tǒng)，其特征在于，所述系統(tǒng)包括 預(yù)處理模塊，所述模塊利用HOG和SVM檢測(cè)算法，檢測(cè)出初始幀中包含的行人，并給出行人的矩形區(qū)域； 視頻捕捉模塊，用于完成視頻文件或者是攝像頭的視頻捕捉，并將捕捉的視頻顯示到系統(tǒng)界面，提供直觀的理解； 參數(shù)設(shè)置模塊，所述模塊利用MFC控件，提供用戶設(shè)置跟蹤算法參數(shù)的接口 ； 行人跟蹤模塊，用于采用HOG和顏色雙重特征相結(jié)合的方法，應(yīng)用粒子濾波的跟蹤框架，完成對(duì)運(yùn)動(dòng)行人的跟蹤。
全文摘要
本申請(qǐng)公開(kāi)了一種基于粒子濾波的運(yùn)動(dòng)行人視頻自動(dòng)跟蹤方法及系統(tǒng)，該方法包括輸入一幀圖像，通過(guò)HOG特征向量集和SVM向量機(jī)進(jìn)行檢測(cè)；實(shí)現(xiàn)基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標(biāo)行人的初始矩形區(qū)域，并從目標(biāo)矩形區(qū)域中采樣若干粒子，提取HOG特征和顏色特征，計(jì)算HOG和顏色雙重特征融合后粒子的權(quán)重，通過(guò)最小均方誤差估計(jì)器得到最后的狀態(tài)估計(jì)并輸出估計(jì)目標(biāo)后進(jìn)行重采樣；使之緊緊鎖定跟蹤目標(biāo)行人。本發(fā)明通過(guò)提取HOG和顏色雙重特征，提高粒子濾波似然模型的魯棒性，消除跟蹤過(guò)程中不穩(wěn)定的情況，結(jié)合HOG特征通過(guò)加權(quán)平均的融合策略構(gòu)建更好的似然模型，大大提高跟蹤算法的魯棒性，完成穩(wěn)定的跟蹤。
文檔編號(hào)G06K9/00GK102831409SQ201210315360
公開(kāi)日2012年12月19日 申請(qǐng)日期2012年8月30日 優(yōu)先權(quán)日2012年8月30日
發(fā)明者徐汀榮 申請(qǐng)人:蘇州大學(xué)