本發(fā)明涉及視覺跟蹤技術(shù)領(lǐng)域，具體涉及一種基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法。
背景技術(shù)：
隨著對(duì)海洋資源開發(fā)的不斷深入，仿生機(jī)器魚協(xié)作控制系統(tǒng)引起關(guān)注，而視覺子系統(tǒng)作為仿生機(jī)器魚協(xié)作控制系統(tǒng)的重要組成部分，是決策子系統(tǒng)的唯一信息來(lái)源，視覺跟蹤算法決定了目標(biāo)跟蹤的快速準(zhǔn)確性和實(shí)時(shí)性。
機(jī)器視覺最早出現(xiàn)于1975年由Winston編輯的論文集中。英國(guó)的Marr教授于1973年在麻省理工學(xué)院(MIT)，創(chuàng)建了一個(gè)新的視覺理論研究小組，在1977年，提出了一種新的計(jì)算機(jī)視覺理論—Marr視覺理論。該理論在20世紀(jì)80年代成為計(jì)算機(jī)視覺研究領(lǐng)域的一個(gè)十分重要的理論框架，陸續(xù)用于高級(jí)視頻安全監(jiān)控技術(shù)，如校園監(jiān)控、交通監(jiān)控、道路行人統(tǒng)計(jì)系統(tǒng)，另外視覺跟蹤技術(shù)在導(dǎo)彈成像制導(dǎo)、超聲波和核磁序列圖像的自動(dòng)分析、人機(jī)交互、虛擬現(xiàn)實(shí)、機(jī)器人視覺導(dǎo)航等方面有廣泛重要應(yīng)用。每種機(jī)器視覺系統(tǒng)集成了很多，比如靜止背景和運(yùn)動(dòng)背景下的實(shí)時(shí)目標(biāo)探測(cè)與跟蹤、目標(biāo)的分類識(shí)別、目標(biāo)姿勢(shì)估計(jì)、攝像機(jī)的自主控制、視頻圖像處理系統(tǒng)、人體步法分析等等。國(guó)內(nèi)以中科院自動(dòng)化所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室為代表的很多高校和研究機(jī)構(gòu)也在機(jī)器視覺領(lǐng)域取得了不錯(cuò)的科研成果。但無(wú)論是國(guó)內(nèi)還是國(guó)外，在機(jī)器視覺領(lǐng)域的研究重點(diǎn)都基本在于對(duì)所獲得圖像信息的前期處理(去噪、增強(qiáng)、目標(biāo)檢測(cè)等)和在復(fù)雜環(huán)境中對(duì)多個(gè)視頻運(yùn)動(dòng)目標(biāo)進(jìn)行穩(wěn)定、快速和準(zhǔn)確地跟蹤。其難點(diǎn)在于現(xiàn)在的視覺任務(wù)多是由2D圖像恢復(fù)3D場(chǎng)景，而由于成像過(guò)程中存在投影、遮擋、各種場(chǎng)景因素的混合、畸變等，要想通過(guò)高度結(jié)構(gòu)化的表示獲得3D模型的客觀描述是很困難的，這些始終是當(dāng)前機(jī)器視覺研究領(lǐng)域中需要不斷提升機(jī)器視覺算法改進(jìn)效果的問題。
在機(jī)器視覺領(lǐng)域，跟蹤算法的主要工作是在連續(xù)的視頻序列中找到表示目標(biāo)區(qū)域或目標(biāo)特征的圖像結(jié)構(gòu)的連續(xù)對(duì)應(yīng)。魯棒性和實(shí)時(shí)性是視覺子系統(tǒng)目標(biāo)跟蹤模塊的基本要求，也是最大難點(diǎn)。視覺跟蹤的目的是要實(shí)現(xiàn)目標(biāo)定位，其實(shí)質(zhì)可歸結(jié)為目標(biāo)參數(shù)的推導(dǎo)過(guò)程。根據(jù)推導(dǎo)目標(biāo)參數(shù)的方法，視覺跟蹤方法劃分為確定性方法和概率估計(jì)方法兩大類：確定性方法的缺陷在于其魯棒性不強(qiáng)，不能很好地解決跟蹤中常見的光照變化、形變等對(duì)目標(biāo)跟蹤的影響；概率估計(jì)法中最初發(fā)展起來(lái)的是卡爾曼濾波(KF)，其改進(jìn)形式擴(kuò)展卡爾曼濾波(EKF)和無(wú)跡卡爾曼濾波(UKF)，此后出現(xiàn)了更適合非線性非高斯系統(tǒng)的粒子濾波(PF)算法。與確定性方法相比，概率估計(jì)方法魯棒性更好，近年來(lái)成為視覺跟蹤算法中的研究熱點(diǎn)。在硬件設(shè)備已定的條件下，影響魯棒性的因素主要有兩點(diǎn)：一個(gè)是先驗(yàn)知識(shí)的獲取，包括目標(biāo)建模和對(duì)環(huán)境信息的了解；另一個(gè)是跟蹤算法，一般地魯棒性好的算法要更復(fù)雜。
不同于陸地機(jī)器人，機(jī)器魚是在水中運(yùn)動(dòng)的，由于機(jī)器魚游動(dòng)時(shí)帶來(lái)的水面波動(dòng)和反光，顏色信息容易受到某處光照強(qiáng)度的干擾而發(fā)生變化，而基于顏色特征的機(jī)器視覺識(shí)別技術(shù)對(duì)光照的要求普遍比較高，不穩(wěn)定的光照條件會(huì)影響目標(biāo)識(shí)別的準(zhǔn)確性。因此，需要對(duì)現(xiàn)有的視覺跟蹤技術(shù)進(jìn)行改進(jìn)。
技術(shù)實(shí)現(xiàn)要素：
有鑒于此，本發(fā)明提供了一種基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，在粒子濾波算法中融合了目標(biāo)的顏色特征和運(yùn)動(dòng)邊緣特征，能夠有效提高跟蹤算法對(duì)光照變化的適應(yīng)性，提高目標(biāo)跟蹤算法的魯棒性，且精度高，能應(yīng)用于水下環(huán)境比較復(fù)雜的環(huán)境。
本發(fā)明的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，包括如下步驟：
步驟1，初始化：利用矩形框手動(dòng)選定跟蹤目標(biāo)，提取目標(biāo)的HSV顏色直方圖、運(yùn)動(dòng)邊緣直方圖，組成目標(biāo)模板；選取目標(biāo)模板中的粒子數(shù)量為N，粒子權(quán)重為
步驟2，粒子狀態(tài)估計(jì)：
k時(shí)刻第i個(gè)粒子狀態(tài)估計(jì)為：
其中，分別表示第i個(gè)粒子在k-2、k-1、k時(shí)刻的狀態(tài)，表示k-1時(shí)刻所有粒子的狀態(tài)估計(jì)值的均值；wk-1為k-1時(shí)刻系統(tǒng)隨機(jī)過(guò)程噪聲；A1、A2、B為常量；
步驟3，構(gòu)建以k時(shí)刻第i個(gè)粒子狀態(tài)估計(jì)的位置為中心的、與目標(biāo)模板相同大小的候選區(qū)域；i＝1,2，…，N；提取當(dāng)前幀所有N個(gè)候選區(qū)域的HSV顏色直方圖和運(yùn)動(dòng)邊緣直方圖；
步驟4，修改粒子權(quán)重值：
步驟4.1，采用式(1)計(jì)算基于顏色直方圖的第i個(gè)粒子的權(quán)值更新值：
其中，分別為第k-1、k幀基于顏色直方圖的第i個(gè)粒子的權(quán)值更新值，為顏色信息的觀測(cè)似然函數(shù)；σ為高斯方差；為第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域與目標(biāo)模板顏色特征的Bhattacharyya距離，為顏色特征的Bhattacharyya系數(shù)，q＝(q(u))u＝1,2,...,NN為目標(biāo)模板的顏色直方圖，為第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域的顏色直方圖；NN為顏色直方圖的顏色子空間數(shù)；
步驟4.2，采用式(2)計(jì)算基于運(yùn)動(dòng)邊緣直方圖的第i個(gè)粒子的權(quán)值更新值：
其中分別為第k-1、k幀基于運(yùn)動(dòng)邊緣直方圖的第i個(gè)粒子的權(quán)值更新值，為運(yùn)動(dòng)邊緣信息的觀測(cè)似然函數(shù)；σ1為高斯方差，為第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域與目標(biāo)模板運(yùn)動(dòng)邊緣特征的Bhattacharyya距離，其中為運(yùn)動(dòng)邊緣特征的Bhattacharyya系數(shù)，γ1＝(γ1(u))u＝1,2,...,MM為目標(biāo)模板的運(yùn)動(dòng)邊緣直方圖，為第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域的運(yùn)動(dòng)邊緣直方圖；MM為運(yùn)動(dòng)邊緣直方圖的幅度或方向子空間數(shù)；
步驟4.3，采用式(3)進(jìn)行特征融合的粒子權(quán)重更新：
其中，分別為第k-1、k幀的特征融合的第i個(gè)粒子的權(quán)重更新值；為聯(lián)合似然函數(shù)：
其中，η1,η2為歸一化權(quán)值，其中d1_min,d2_min分別為顏色特征和運(yùn)動(dòng)邊緣特征中所有候選區(qū)域和目標(biāo)模板之間的最小Bhattacharyya距離；
歸一化粒子權(quán)重
步驟5，利用步驟4獲得的粒子權(quán)重得到k時(shí)刻目標(biāo)的狀態(tài)估計(jì)為：
步驟6，目標(biāo)模板更新：
設(shè)定一個(gè)Bhattacharyya系數(shù)的閾值，若當(dāng)前幀所有候選區(qū)域的顏色特征和運(yùn)動(dòng)邊緣特征的Bhattacharyya系數(shù)中的最大值小于設(shè)定的閾值，進(jìn)行目標(biāo)模板更新，按照步驟1的方法建立新的目標(biāo)模板；然后按照下式進(jìn)行目標(biāo)模板更新：
M_opt＝β×M_old+(1-β)×M_now
其中，M_opt為更新后的目標(biāo)模板，M_old為更新前的目標(biāo)模板，M_now為新建的目標(biāo)模板，β表示更新前的目標(biāo)模板在更新后的目標(biāo)模板中所占的比例；
步驟7，重采樣粒子：
計(jì)算粒子退化程度Neff，并與設(shè)定閾值Nth比較，如果Neff＜Nth，則重采樣粒子，并令新的粒子具有相等的權(quán)重值否則，不重采樣粒子；
步驟8：讀取下一張圖像，重復(fù)執(zhí)行步驟2～8。
進(jìn)一步地，所述目標(biāo)的HSV顏色直方圖的提取方法如下：
從攝像頭采集的視頻圖像獲取矩形框區(qū)域RGB顏色模型，接著完成RGB向HSV顏色空間的轉(zhuǎn)換；將HSV顏色空間的每個(gè)子空間H、S、V分別分成Nh、Ns、Nv個(gè)等級(jí)，將整個(gè)HSV空間的顏色直方圖劃分為NN＝Nh×Ns+Nv個(gè)顏色子空間；根據(jù)目標(biāo)區(qū)域圖像像素的(h,s,v)分量所屬的等級(jí)，得到該像素屬于哪個(gè)顏色子空間中，從而得到目標(biāo)的HSV顏色直方圖。
進(jìn)一步地，所述運(yùn)動(dòng)邊緣直方圖的提取方法如下：
設(shè)hk,hk+1為相鄰的兩幀圖像，計(jì)算這兩幀的絕對(duì)差分圖像Dk，對(duì)差分圖像Dk求梯度，得到運(yùn)動(dòng)邊緣圖像Ek，然后利用運(yùn)動(dòng)邊緣的幅值或方向角獲得運(yùn)動(dòng)邊緣直方圖。
進(jìn)一步地，所述運(yùn)動(dòng)邊緣直方圖為運(yùn)動(dòng)邊緣方向直方圖，運(yùn)動(dòng)邊緣方向直方圖求取方法如下：
將方向空間劃分成MM個(gè)不同方向，獲得MM個(gè)方向子空間；對(duì)運(yùn)動(dòng)邊緣的方向角θ(x,y)進(jìn)行量化，以方向子空間中點(diǎn)的比重作為縱坐標(biāo)，構(gòu)建運(yùn)動(dòng)邊緣方向直方圖。
進(jìn)一步地，所述MM＝24～36。
進(jìn)一步地，所述步驟2中，A1＝2、A2＝-1、B＝1。
進(jìn)一步地，所述步驟4中，σ＝0.1～0.3；σ1＝0.1～0.3。
進(jìn)一步地，所述步驟6中，β＝0.1～0.3。
進(jìn)一步地，所述步驟7中，Nth＝2N/3。
有益效果：
(1)本發(fā)明綜合考慮機(jī)器魚的顏色特征和運(yùn)動(dòng)情況，將機(jī)器魚的運(yùn)動(dòng)信息和邊緣信息相結(jié)合，通過(guò)顏色和運(yùn)動(dòng)邊緣雙特征的融合來(lái)構(gòu)建粒子濾波的觀測(cè)模型，并通過(guò)觀測(cè)模型來(lái)對(duì)系統(tǒng)運(yùn)動(dòng)模型預(yù)測(cè)的目標(biāo)估計(jì)結(jié)果進(jìn)行修正，有效降低系統(tǒng)的誤差，提高視覺子系統(tǒng)的魯棒性。
(2)建立目標(biāo)狀態(tài)時(shí)考慮到機(jī)器魚游動(dòng)的非線性特點(diǎn)，采用二階自回歸模型，更接近機(jī)器魚的真實(shí)運(yùn)動(dòng)情形，應(yīng)用范圍廣。
附圖說(shuō)明
圖1為本發(fā)明流程圖。
具體實(shí)施方式
下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
本發(fā)明提供了一種基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，首先建立目標(biāo)的運(yùn)動(dòng)模型和觀測(cè)模型，由建立的運(yùn)動(dòng)模型進(jìn)行粒子傳播，然后提取目標(biāo)顏色和運(yùn)動(dòng)邊緣特征，通過(guò)觀測(cè)模型來(lái)對(duì)系統(tǒng)運(yùn)動(dòng)模型預(yù)測(cè)的目標(biāo)估計(jì)結(jié)果進(jìn)行修正，得到最優(yōu)目標(biāo)位置，有效降低系統(tǒng)的誤差，提高視覺子系統(tǒng)的魯棒性。
本發(fā)明流程如圖1所示，具體包括如下步驟：
步驟1，初始化：
步驟1.1，手動(dòng)選定跟蹤目標(biāo)：
在多仿生機(jī)器魚視覺子系統(tǒng)中，最希望得到機(jī)器魚的實(shí)時(shí)位置，本發(fā)明采用矩形框來(lái)跟蹤機(jī)器魚。首先通過(guò)鼠標(biāo)手動(dòng)在第一幀圖像中利用矩形框選定機(jī)器魚，同時(shí)考慮到狀態(tài)維數(shù)與計(jì)算量的關(guān)系，設(shè)定機(jī)器魚的目標(biāo)狀態(tài)模型為：
x＝[cx,cy,Hw,Hh,s]T
其中cx和cy是矩形框中心的橫縱坐標(biāo)，表征機(jī)器魚的位置；Hw和Hh分別表示初始矩形框的寬和高；s是寬和高的比例因子，Hw×s與Hh×s是在跟蹤過(guò)程中某一時(shí)刻矩形框的寬和高。
步驟1.2，依據(jù)目標(biāo)的顏色和運(yùn)動(dòng)邊緣特征，建立目標(biāo)模板：
目標(biāo)顏色特征提取方法如下：從攝像頭采集的視頻圖像獲取目標(biāo)區(qū)域RGB顏色模型，接著完成RGB向HSV顏色空間的轉(zhuǎn)換；將HSV顏色空間的每個(gè)子空間H、S、V分別分成Nh、Ns、Nv個(gè)等級(jí)，將整個(gè)HSV空間的顏色直方圖劃分為NN＝Nh×Ns+Nv個(gè)顏色子空間。根據(jù)目標(biāo)區(qū)域圖像像素的(h,s,v)分量所屬的等級(jí)，可得到該像素屬于哪個(gè)顏色子空間中，從而完成對(duì)目標(biāo)區(qū)域的HSV顏色直方圖的計(jì)算(用該像素所在的子空間值表示顏色特征直方圖)。
具體方法如下：設(shè)定Nh＝Ns＝Nv＝10，則空間顏色直方圖可劃分為Nh×Ns+Nv＝10×10+10＝110個(gè)區(qū)間。設(shè)定S和V的彩色像素與黑白像素的區(qū)分閾值分別為0.1和0.2，當(dāng)S＜0.1或者V＜0.2時(shí)，便將該像素點(diǎn)投射到顏色直方圖[100,109]上，投射公式為：
其余情況就將像素點(diǎn)投射到顏色直方圖[0,199]區(qū)間上，投射公式為：
根據(jù)HSV顏色模型的定義可知：H、S、V的最大取值分別為：H_MAX＝360，S_MAX＝1，V_MAX＝1，這樣處理之后便完成了對(duì)所選區(qū)域的HSV顏色直方圖的計(jì)算。
目標(biāo)運(yùn)動(dòng)邊緣特征提?。?/p>
設(shè)hk,hk+1為相鄰的兩幀圖像(在初始化中，為第一幀與第二幀圖像)，計(jì)算這兩幀的絕對(duì)差分圖像Dk為：
Dk＝|hk-hk+1|
對(duì)差分圖像Dk求梯度，得到運(yùn)動(dòng)邊緣圖像Ek為：
圖像中各個(gè)像素的幅度值φ和方向角θ分別為：
當(dāng)求得運(yùn)動(dòng)邊緣圖像Ek后，就能用其幅值或方向角建立幅值直方圖或方向直方圖，這樣目標(biāo)的運(yùn)動(dòng)邊緣特征就提取出來(lái)了。在本實(shí)施例中，選取方向直方圖來(lái)提取運(yùn)動(dòng)邊緣特征。
運(yùn)動(dòng)邊緣方向直方圖的求取方法是：在目標(biāo)區(qū)域中，對(duì)方向角θ(x,y)進(jìn)行量化，以每15度為一個(gè)方向，選取MM＝24個(gè)方向，可以對(duì)應(yīng)得到量化后的角度值θθ(x,y)(其取值范圍為1,2,...,24)。一幅二值邊緣圖像的MM維邊緣方向直方圖可以定義如下：
P(m)＝P[θθ(x,y)＝m],其中m＝1,2,...,MM
上式中，方向空間被劃分成MM個(gè)方向子空間，(x,y)代表每一個(gè)邊緣點(diǎn)坐標(biāo)，θθ(x,y)表示點(diǎn)(x,y)量化后的邊緣方向；P(m)表示邊緣點(diǎn)中具有邊緣方向m的所有點(diǎn)的比重(以該比重表示邊緣方向m的邊緣方向直方圖)，所有MM個(gè)方向子空間的比重之和應(yīng)當(dāng)為1。
由此，目標(biāo)模板中包含一個(gè)HSV顏色直方圖和一個(gè)運(yùn)動(dòng)邊緣方向直方圖。
步驟1.3，選取目標(biāo)模板中的粒子數(shù)量為N，粒子權(quán)重為
步驟2，粒子狀態(tài)估計(jì)：
在多仿生機(jī)器魚協(xié)作控制系統(tǒng)中，考慮到實(shí)驗(yàn)中機(jī)器魚自身的游動(dòng)形態(tài)和加速、減速等動(dòng)作，發(fā)現(xiàn)機(jī)器魚的游動(dòng)兼具有隨機(jī)性和非線性特征。為了更好的描述機(jī)器魚的運(yùn)動(dòng)變化，考慮相鄰時(shí)刻的運(yùn)動(dòng)狀態(tài)信息，本發(fā)明選擇二階自回歸模型，在多仿生機(jī)器魚視覺子系統(tǒng)中，k時(shí)刻第i個(gè)粒子狀態(tài)估計(jì)為：
其中，分別表示第i個(gè)粒子在k-2、k-1、k時(shí)刻的狀態(tài)，表示k-1時(shí)刻所有粒子的狀態(tài)估計(jì)值的均值，wk-1為k-1時(shí)刻系統(tǒng)隨機(jī)過(guò)程噪聲；A1、A2、B為常量。這一模型以之前兩個(gè)時(shí)刻的狀態(tài)作為基準(zhǔn)，加入一些隨機(jī)擾動(dòng)對(duì)下一時(shí)刻的狀態(tài)進(jìn)行預(yù)測(cè)。由于加入了對(duì)目標(biāo)當(dāng)前位置和速度的考慮，該模型相比于一階模型更接近機(jī)器魚的真實(shí)運(yùn)動(dòng)情形。本實(shí)施例中，選取A1＝2、A2＝-1、B＝1。
步驟3，構(gòu)建以k時(shí)刻第i個(gè)粒子狀態(tài)估計(jì)的位置為中心的、與目標(biāo)模板相同大小的候選區(qū)域；i＝1,2，…，N；按照步驟1.2的方法提取所有候選區(qū)域的顏色和運(yùn)動(dòng)邊緣特征(HSV顏色直方圖和運(yùn)動(dòng)邊緣方向直方圖)。
步驟4，修改粒子權(quán)重值：
步驟4.1，基于顏色直方圖的粒子權(quán)值更新
計(jì)算第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域與目標(biāo)模板顏色特征的Bhattacharyya距離
其中為顏色特征的Bhattacharyya系數(shù)，q＝(q(u))u＝1,2,...,NN為目標(biāo)模板的顏色直方圖，為第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域的顏色直方圖。當(dāng)d_colour值越小，說(shuō)明候選區(qū)域與目標(biāo)模板顏色特征匹配程度越高。
則顏色信息的觀測(cè)似然函數(shù)可以表示為：
由此得到基于顏色直方圖的粒子權(quán)值更新公式為：
根據(jù)不同要求可取σ＝0.1～0.3，其中
步驟4.2，基于運(yùn)動(dòng)邊緣的方向直方圖的權(quán)值更新
計(jì)算第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域與目標(biāo)模板運(yùn)動(dòng)邊緣特征的Bhattacharyya距離為：
其中為運(yùn)動(dòng)邊緣特征的Bhattacharyya系數(shù)，為目標(biāo)模板的運(yùn)動(dòng)邊緣方向直方圖，為第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域的運(yùn)動(dòng)邊緣方向直方圖。d_diffedge值越小，說(shuō)明候選區(qū)域與目標(biāo)模板顏色特征匹配程度越高。
則運(yùn)動(dòng)邊緣信息的觀測(cè)似然函數(shù)可以表示為：
由此得到基于運(yùn)動(dòng)邊緣的幅值直方圖的權(quán)值更新公式為：
其中σ1為高斯方差，根據(jù)不同要求一般取σ1＝0.1～0.3，其中ξ_diffedge1＝1
步驟4.3，特征融合的粒子權(quán)重更新
假設(shè)基于不同特征的觀測(cè)信息是相互獨(dú)立的，采用加性融合得到聯(lián)合似然函數(shù)為：
上式中η1,η2為歸一化權(quán)值，其計(jì)算方法如下：
其中其中
其中，d1_min,d2_min分別為顏色特征和運(yùn)動(dòng)邊緣特征中所有候選區(qū)域和目標(biāo)模板之間存在的最小的Bhattacharyya距離。最后，可以根據(jù)融合特征的觀測(cè)似然函數(shù)對(duì)每一個(gè)粒子的權(quán)重進(jìn)行更新：
其中，
歸一化粒子權(quán)重為：
步驟5，利用步驟4獲得的粒子權(quán)重得到k時(shí)刻目標(biāo)的狀態(tài)估計(jì)為：
步驟6，模板更新
設(shè)定一個(gè)Bhattacharyya系數(shù)的閾值，當(dāng)上一幀所有候選區(qū)域的顏色特征和運(yùn)動(dòng)邊緣特征的Bhattacharyya系數(shù)中的最大值小于所設(shè)定的閾值時(shí)，需要進(jìn)行模板更新工作，按照步驟1.2的方法建立新的目標(biāo)模板。然后按照下式進(jìn)行模板更新：
M_opt＝β×M_old+(1-β)×M_now
其中，M_opt為更新后的模板，M_old為更新前的模板，M_now為新建的模板，β表示更新前的模板在更新后的模板中所占的比例，一般取β＝0.1～0.3。
步驟7，重采樣粒子：
計(jì)算粒子退化程度Neff，并與設(shè)定閾值Nth(一般取2N/3左右)相比較，如果Neff＜Nth，則重采樣粒子，即，將權(quán)重很小的粒子刪除，重采樣N個(gè)粒子，并令新的粒子具有相等的權(quán)重值
步驟8：讀取下一張圖像，重復(fù)執(zhí)行步驟2～8。
綜上所述，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。