一種基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法
【專利摘要】本發(fā)明提供了一種基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，步驟包括：提取特征并生成N個粒子進程，導入視頻幀并根據(jù)權(quán)重閾值Vpt選擇特征進行特征匹配，計算有效粒子進程的個數(shù)并比較有效粒子進程的個數(shù)是否大于N/5，若小于則進行權(quán)重優(yōu)化以縮小N個粒子權(quán)重之間的差距，若大于則進行重采樣計算將高權(quán)重值的粒子進程覆蓋替換低權(quán)重值的粒子進程，最后選擇最大粒子權(quán)重的粒子進程作為t時刻視頻幀中二維目標的跟蹤結(jié)果，再對四個特征、系統(tǒng)噪聲以及測量噪聲進行更新。本發(fā)明的實時二維目標跟蹤方法能夠有效解決現(xiàn)有粒子濾波存在運算量大、粒子退化以及無法對動態(tài)目標跟蹤的缺陷。
【專利說明】
一種基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法
技術(shù)領域
[0001] 本發(fā)明涉及一種二維目標跟蹤方法，尤其是一種基于雙向反饋粒子濾波算法的實 時二維目標跟蹤方法。
【背景技術(shù)】
[0002] 粒子濾波適合于處理非線性、非高斯狀態(tài)估計問題，適合在復雜環(huán)境下進行跟蹤， 而且能從短暫的失效中恢復跟蹤。但常規(guī)粒子濾波最致命的缺點是運算量大，為了獲得精 確的狀態(tài)估計，需要大量的粒子描述跟蹤場景的后驗概率分布，而且隨著估計狀態(tài)維數(shù)的 增加，粒子數(shù)將按指數(shù)級別增長。常規(guī)PF的另一個缺點是粒子退化問題，即隨著迭代的不斷 進行，粒子權(quán)重的方差會不斷增大，以至于在若干次迭代之后僅有少量的粒子擁有有效的 權(quán)重，而大量的計算浪費在對后驗概率分布幾乎不產(chǎn)生影響的粒子上。如果發(fā)生粒子退化 現(xiàn)象，PF保持狀態(tài)分布多樣性的優(yōu)點也就蕩然無存了。另外當被跟蹤目標發(fā)生快速、不規(guī)則 運動時，或者當系統(tǒng)狀態(tài)方程有很小的過程噪聲或觀測噪聲有很小的方差時，常規(guī)PF跟蹤 算法的效果并不是很令人滿意。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明要解決的技術(shù)問題是現(xiàn)有的粒子濾波存在運算量大、粒子退化以及無法對 動態(tài)目標跟蹤的缺陷。
[0004] 為了解決上述技術(shù)問題，本發(fā)明提供了一種基于雙向反饋粒子濾波算法的實時二 維目標跟蹤方法，包括如下步驟：
[0005] 步驟1，提取并記錄跟蹤圖庫中待跟蹤二維目標中的顏色、紋理、形狀以及基于 FAST的多尺度特征點四類特征，再生成N個與待跟蹤二維目標相對應的粒子進程；
[0006] 步驟2,按時間序列導入視頻信號的視頻幀，在t = 0時刻，N個粒子進程獨立利用顏 色和紋理特征對視頻幀進行特征匹配，計算各個粒子進程的粒子權(quán)重;在t>0時刻，若t-i時 刻的有效權(quán)重〈權(quán)重閾值Vpt，則N個粒子進程利用t-Ι時刻使用的特征對t時刻視頻幀進行 特征匹配，并計算各個粒子進程對應的粒子權(quán)重，若t-Ι時刻的有效權(quán)重多權(quán)重閾值Vpt且 利用顏色和紋理特征進行特征匹配，則N個粒子進程利用顏色、紋理和形狀特征對t時刻視 頻幀進行特征匹配，并計算各個粒子進程對應的粒子權(quán)重，若t-Ι時刻的有效權(quán)重多權(quán)重閾 值Vpt且利用顏色、紋理和形狀進行特征匹配，則N個粒子進程利用顏色、紋理、形狀和基于 FAST的多尺度特征點特征對t時刻視頻幀進行特征匹配，并計算各個粒子進程對應的粒子 權(quán)重，若t-Ι時刻的有效權(quán)重彡權(quán)重閾值Vpt且利用顏色、紋理、形狀和基于FAST的多尺度特 征點進行特征匹配，則N個粒子進程繼續(xù)利用顏色、紋理、形狀和基于FAST的多尺度特征點 特征對t時刻視頻幀進行特征匹配，并計算各個粒子進程對應的粒子權(quán)重；
[0007] 步驟3,對各個粒子進程對應的粒子權(quán)重進行歸一化處理，再根據(jù)歸一化處理結(jié)果 計算t時刻N個粒子進程的有效權(quán)重以及有效粒子進程的個數(shù)，若有效粒子進程的個數(shù)>N/ 5，則進入步驟5，若有效粒子進程的個數(shù)SN/5，則進入步驟4;
[0008] 步驟4,對歸一化處理后的N個粒子權(quán)重進行覆蓋優(yōu)化，在保持N個粒子權(quán)重大小關(guān) 系的前提下縮小N個粒子權(quán)重之間的差距；
[0009] 步驟5,利用層次重采樣算法對N個粒子進程的粒子權(quán)重進行重采樣計算，將高權(quán) 重值的粒子進程覆蓋替換低權(quán)重值的粒子進程；
[0010] 步驟6,在N個粒子進程對應的粒子權(quán)重中選擇最大的粒子權(quán)重作為t時刻視頻幀 中二維目標的跟蹤結(jié)果，再利用隨機模型對N個粒子進程對應的特征、系統(tǒng)噪聲以及測量噪 聲進行更新，再將t加1后返回步驟2,直至沒有新的視頻幀。
[0011] 采用步驟2中設定權(quán)重閾值Vpt以逐步增加特征的方法，在開始時無需對四個特征 同時進行匹配計算，能夠有效降低計算量，提高目標跟蹤效率;采用步驟3中有效粒子進程 數(shù)的比較，在低于N/5時進入步驟4時進行覆蓋優(yōu)化，從而縮小N個粒子權(quán)重之間的差距，從 而在步驟5時減少粒子進程被覆蓋替換的數(shù)量，防止權(quán)值較大的粒子不斷的被選擇替換權(quán) 值小的粒子，避免導致粒子的多樣性缺失而引起粒子匱乏問題;采用步驟5的重采樣計算將 高權(quán)重值的粒子進程覆蓋替換低權(quán)重值的粒子進程，能夠有效解決粒子退化的問題;采用 步驟6中利用隨機模型對N個粒子進程對應的特征、系統(tǒng)噪聲以及測量噪聲進行動態(tài)更新， 在對快速、不規(guī)則運動的跟蹤目標或者當系統(tǒng)狀態(tài)方程有很小的過程噪聲或觀測噪聲有很 小的方差時均具有很好的跟蹤效果。
[0012] 作為本發(fā)明的進一步限定方案，步驟2中的有效權(quán)重計算步驟為：
[0013] ifeHa .枏抿忒1彳+管笛彳個蛉早講程對應的粒子權(quán)重為：
[0014] ⑴
[0015] 式中，M表示特征的種類，j表示提取第幾個特征進行特征匹配，< 表示t時刻第j個 特征的懲罰因子，且當?shù)趈個特征被加入匹配時《/=1，當?shù)趈個特征未被加入匹配時<=()， v〈G)二[l/sqrt(2峨)]〇邛(-/;)/.<(〇:?/(2/彳)），/ )/叫)表示七時刻第1個粒子進程與視頻幀在 第j個特征上的差異，仏為測量噪聲；
[0016] 步驟b，根據(jù)式2對N個粒子權(quán)重進行歸一化處理為：
[0017] (2)
[0018]
[隱] ：(3>
[0020] 式中，k表示將歸一化處理后的N個粒子權(quán)重按從大到小的順序依次排列的前N/2 個粒子權(quán)重的編號，有效權(quán)重即為排列前N/2個粒子權(quán)重的和。
[0021] 作為本發(fā)明的進一步限定方案，步驟4中，覆蓋優(yōu)化的計算公式為：
[0022]
⑷
[0023] 式中，
示N個粒子進程中有效粒子進程的個數(shù)。
[0024]作為本友明的進一步I很定萬案，步驟5中，進行重采樣計算時包括如下步驟：
[0025]首先利用式5計算均勻分布為：
[祕]
⑶
[0027] 里剎田忒以+管夂個蛉早的匿許擬甫分右為.
[0_
(6)
[0029]最后進行比較，若表示第i個粒子進程被第g個粒子進程覆蓋。
[0030] 作為本發(fā)明的進一步限定方案，步驟6中，利用隨機模型對N個粒子進程對應的特 征、系統(tǒng)噪聲以及測量噪聲進行更新時，四個特征更新的隨機模型為：
[0031]
(7)
[0032] 式中，p(t，i)表示t時刻第i個粒子進程的四個特征的集合，以坷t))是關(guān)于坷t)的 減函數(shù)J
，表示t時刻N個粒子進程的粒子權(quán)重平均值，rand(l，-l)表示1至-1 間的隨機變量，Ν(μ，σ2)表示均值為μ、方差為σ的高斯分布，系統(tǒng)噪聲更新的隨機模型為： _
(8)
[0034] 式中，at為t時刻的系統(tǒng)噪聲，I示N個粒子進程中有效粒
子進趕的+撒Ji丨醫(yī)瞄畝畝蘄的賄如M叩力.
[0035 f 9)
[0036」式中，jT(w'(t))表不W效儀里計算的反凼數(shù)。
[0037]作為本發(fā)明的進一步限定方案，權(quán)重閾值Vpt為0.8。
[0038]本發(fā)明的有益效果在于：（1)采用步驟2中設定權(quán)重閾值Vpt以逐步增加特征的方 法，在開始時無需對四個特征同時進行匹配計算，能夠有效降低計算量，提高目標跟蹤效 率；（2)采用步驟3中有效粒子進程數(shù)的比較，在低于N/5時進入步驟4時進行覆蓋優(yōu)化，從而 縮小N個粒子權(quán)重之間的差距，從而在步驟5時減少粒子進程被覆蓋替換的數(shù)量，防止權(quán)值 較大的粒子不斷的被選擇替換權(quán)值小的粒子，避免導致粒子的多樣性缺失而引起粒子匱乏 問題；（3)采用步驟5的重采樣計算將高權(quán)重值的粒子進程覆蓋替換低權(quán)重值的粒子進程， 能夠有效解決粒子退化的問題；（4)采用步驟6中利用隨機模型對N個粒子進程對應的特征、 系統(tǒng)噪聲以及測量噪聲進行動態(tài)更新，在對快速、不規(guī)則運動的跟蹤目標或者當系統(tǒng)狀態(tài) 方程有很小的過程噪聲或觀測噪聲有很小的方差時均具有很好的跟蹤效果。
【附圖說明】
[0039] 圖1為本發(fā)明的方法流程圖。
【具體實施方式】
[0040] 如圖1所示，本發(fā)明提供的基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法， 包括如下步驟：
[0041] 步驟1，提取并記錄跟蹤圖庫中待跟蹤二維目標中的顏色、紋理、形狀以及基于 FAST的多尺度特征點四類特征，再生成N個與待跟蹤二維目標相對應的粒子進程；
[0042]步驟2,按時間序列導入視頻信號的視頻幀，在t = 0時刻，N個粒子進程獨立利用顏 色和紋理特征對視頻幀進行特征匹配，計算各個粒子進程的粒子權(quán)重;在t>0時刻，若t-i時 刻的有效權(quán)重〈權(quán)重閾值Vpt，則N個粒子進程利用t-ι時刻使用的特征對t時刻視頻幀進行 特征匹配，并計算各個粒子進程對應的粒子權(quán)重，若t-Ι時刻的有效權(quán)重多權(quán)重閾值Vpt且 利用顏色和紋理特征進行特征匹配，則N個粒子進程利用顏色、紋理和形狀特征對t時刻視 頻幀進行特征匹配，并計算各個粒子進程對應的粒子權(quán)重，若t-Ι時刻的有效權(quán)重多權(quán)重閾 值Vpt且利用顏色、紋理和形狀進行特征匹配，則N個粒子進程利用顏色、紋理、形狀和基于 FAST的多尺度特征點特征對t時刻視頻幀進行特征匹配，并計算各個粒子進程對應的粒子 權(quán)重，若t-Ι時刻的有效權(quán)重彡權(quán)重閾值Vpt且利用顏色、紋理、形狀和基于FAST的多尺度特 征點進行特征匹配，則N個粒子進程繼續(xù)利用顏色、紋理、形狀和基于FAST的多尺度特征點 特征對t時刻視頻幀進行特征匹配，并計算各個粒子進程對應的粒子權(quán)重，權(quán)重閾值Vpt優(yōu) 選設置為0.8;
[0043] 步驟3,對各個粒子進程對應的粒子權(quán)重進行歸一化處理，再根據(jù)歸一化處理結(jié)果 計算t時刻N個粒子進程的有效權(quán)重以及有效粒子進程的個數(shù)，若有效粒子進程的個數(shù)>N/ 5，則進入步驟5，若有效粒子進程的個數(shù)SN/5，則進入步驟4;
[0044] 步驟4,對歸一化處理后的N個粒子權(quán)重進行覆蓋優(yōu)化，在保持N個粒子權(quán)重大小關(guān) 系的前提下縮小N個粒子權(quán)重之間的差距；
[0045] 步驟5,利用層次重采樣算法對N個粒子進程的粒子權(quán)重進行重采樣計算，將高權(quán) 重值的粒子進程覆蓋替換低權(quán)重值的粒子進程；
[0046] 步驟6,在N個粒子進程對應的粒子權(quán)重中選擇最大的粒子權(quán)重作為t時刻視頻幀 中二維目標的跟蹤結(jié)果，再利用隨機模型對N個粒子進程對應的特征、系統(tǒng)噪聲以及測量噪 聲進行更新，再將t加1后返回步驟2,直至沒有新的視頻幀。
[0047] 其中，步驟2中的有效權(quán)重計算步驟為：
[0048] 步驟a，根據(jù)式1計算第i個粒子進程對應的粒子權(quán)重為：
[0049]
(I)
[0050] 式中，M表示特征的種類，j表示提取第幾個特征進行特征匹配，表示t時刻第j個 特征的懲罰因子，且當?shù)趈個特征被加入匹配時當?shù)趈個特征未被加入匹配時欠'=〇， V(⑴=[l/sqrt(2峨)]CXp(-/)/.<〇_)2/(2/彳)），/' )/.、:(|)表示七時刻第1個粒子進程與視頻幀在 第j個特征上的差異，仏為測量噪聲；
[0051] 步驟b，根據(jù)式2對N個粒子權(quán)重進行歸一化處理為：
[0052]
(2)
[0053]步驟c，再根據(jù)式3計算有效權(quán)重為：
[0054] (3)
[0055] m埋后的N個粒子權(quán)重按從大到小的順序依次排列的前N/2 個粒子權(quán)重的編號，有效權(quán)重即為排列前N/2個粒子權(quán)重的和。
[0056]步驟4中，覆蓋優(yōu)化的計算公式為：
[0057]
(4)
[0058] 式中
，表示N個粒子進程中有效粒子進程的個數(shù)。
[0059] 步驟5中，進行重采樣計算時包括如下步驟：[0060] 首先利用式5計算均勻分布為：
陶] ⑶
[0062]
[0063] KO)
[0064] 最后進行比較，若表示第i個粒子進程被第g個粒子進程覆蓋。
[0065] 步驟6中，利用隨機模型對N個粒子進程對應的特征、系統(tǒng)噪聲以及測量噪聲進行 更新時，四個特征審新的隨機樽型為：
[0066]
(7)
[0067]式中，p(t，i)表示t時刻第i個粒子進程的四個特征的集合，g(爾t))是關(guān)于#(t)的減 函數(shù)
，表示t時亥IjN個粒子進程的粒子權(quán)重平均值，rand(l，-l)表示1至-1間 的隨機變量，Ν( μ，σ2)表示均值為μ、方差為σ的高斯分布，系統(tǒng)噪聲更新的隨機模型為： _
⑷
[0069]式中，atSt時刻的系統(tǒng)噪聲示N個粒子進程中有效粒 子進程的個數(shù)，測量噪聲更新的隨機模型為：
[0070]
r9)
[0071 ]式中，/W(t))表示有效權(quán)重計算的反函數(shù)。
【主權(quán)項】
1. 一種基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，其特征在于，包括如下 步驟： 步驟1，提取并記錄跟蹤圖庫中待跟蹤二維目標中的顏色、紋理、形狀W及基于FAST的 多尺度特征點四類特征，再生成N個與待跟蹤二維目標相對應的粒子進程； 步驟2,按時間序列導入視頻信號的視頻帖，在t = 0時刻，N個粒子進程獨立利用顏色和 紋理特征對視頻帖進行特征匹配，計算各個粒子進程的粒子權(quán)重;在t〉0時刻，若t-1時刻的 有效權(quán)重< 權(quán)重闊值化t，則N個粒子進程利用t-1時刻使用的特征對t時刻視頻帖進行特征 匹配，并計算各個粒子進程對應的粒子權(quán)重，若t-1時刻的有效權(quán)重>權(quán)重闊值Vpt且利用 顏色和紋理特征進行特征匹配，則N個粒子進程利用顏色、紋理和形狀特征對t時刻視頻帖 進行特征匹配，并計算各個粒子進程對應的粒子權(quán)重，若t-1時刻的有效權(quán)重>權(quán)重闊值 Vpt且利用顏色、紋理和形狀進行特征匹配，則N個粒子進程利用顏色、紋理、形狀和基于 FAST的多尺度特征點特征對t時刻視頻帖進行特征匹配，并計算各個粒子進程對應的粒子 權(quán)重，若t-1時刻的有效權(quán)重 > 權(quán)重闊值化t且利用顏色、紋理、形狀和基于FAST的多尺度特 征點進行特征匹配，則N個粒子進程繼續(xù)利用顏色、紋理、形狀和基于FAST的多尺度特征點 特征對t時刻視頻帖進行特征匹配，并計算各個粒子進程對應的粒子權(quán)重； 步驟3,對各個粒子進程對應的粒子權(quán)重進行歸一化處理，再根據(jù)歸一化處理結(jié)果計算 t時刻N個粒子進程的有效權(quán)重W及有效粒子進程的個數(shù)，若有效粒子進程的個數(shù)>N/5,則 進入步驟5，若有效粒子進程的個數(shù)《N/5，則進入步驟4; 步驟4，對歸一化處理后的N個粒子權(quán)重進行覆蓋優(yōu)化，在保持N個粒子權(quán)重大小關(guān)系的 前提下縮小N個粒子權(quán)重之間的差距； 步驟5，利用層次重采樣算法對N個粒子進程的粒子權(quán)重進行重采樣計算，將高權(quán)重值 的粒子進程覆蓋替換低權(quán)重值的粒子進程； 步驟6,在N個粒子進程對應的粒子權(quán)重中選擇最大的粒子權(quán)重作為t時刻視頻帖中二 維目標的跟蹤結(jié)果，再利用隨機模型對N個粒子進程對應的特征、系統(tǒng)噪聲W及測量噪聲進 行更新，再將t加1后返回步驟2,直至沒有新的視頻帖。2. 根據(jù)權(quán)利要求1所述的基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，其特 征在于，步驟2中的有效權(quán)重計算步驟為： 步驟a,根據(jù)式1計算第i個粒子進程對應的粒子權(quán)重為：(1) 式中，Μ表示特征的種類，j表示提取第幾個特征進行特征匹配，α/表示t時刻第j個特征 的懲罰因子，且當?shù)趈個特征被加入匹配時^"=1，當?shù)趈個特征未被加入匹配時知=0， r;Ci) = [l/sqrU2哦如乂口(-0/訓丫./(2/?,))，施:(|')表示謝刻第1個粒子進程與視頻帖在第 j個特征上的差異，為測量噪聲； 步驟b，根據(jù)式2對N個粒子權(quán)重進行歸一化處理為：(2) 步驟C，再根據(jù)式3計算有效權(quán)重為：(3) 式中，k表示將歸一化處理后的N個粒子權(quán)重按從大到小的順序依次排列的前N/2個粒 子權(quán)重的編號，有效權(quán)重即為排列前N/^2個粒子權(quán)重的和。3. 根據(jù)權(quán)利要求2所述的基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，其特 征在于，步驟4中，覆蓋優(yōu)化的計算公式為：(4) 式中，表示N個粒子進程中有效粒子進程的個數(shù)。4. 根據(jù)權(quán)利要求3所述的基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，其特 征在于，步驟5中，進行重采樣計算時包括如下步驟： 首先利用式5計算均勻分布為：(5) 再利用式6計算各個粒子的累計權(quán)重分布為：(6) 最后進行比較，若qi-i<Ug《qi，則表示第i個粒子進程被第g個粒子進程覆蓋。5. 根據(jù)權(quán)利要求2或3所述的基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，其 特征在于，步驟6中，利用隨機模型對N個粒子進程對應的特征、系統(tǒng)噪聲W及測量噪聲進行 更新時，四個特征更新的隨機模型為：(7) 式中，P(t，i)表示t時刻第i個粒子進程的四個特征的集合，備碎(斯是關(guān)于師：)的減函 數(shù)，表示t時刻N個粒子進程的粒子權(quán)重平均值，rand(l，-l)表示1至-1間的 隨機變量，Ν(μ，σ2)表示均值為μ、方差為σ的高斯分布，系統(tǒng)噪聲更新的隨機模型為：(8) 式中，cit為t時刻的系統(tǒng)噪聲表示N個粒子進程中有效粒子進 程的個數(shù)，測量噪聲更新的隨機模型為：(9) 式中，/'(帝'說)表示有效權(quán)重計算的反函數(shù)。6.根據(jù)權(quán)利要求2或3所述的基于雙向反饋粒子濾波算法的實時二維目標跟蹤方法，其 特征在于，權(quán)重闊值化t為0.8。
【文檔編號】G06T7/20GK105938623SQ201610229382
【公開日】2016年9月14日
【申請日】2016年4月13日
【發(fā)明人】馮向文, 潘銘星, 趙金輝, 孫健, 楊佩星, 付俊國
【申請人】南京維睛視空信息科技有限公司