[发明专利]一种基于序列粒子群优化的图像跟踪方法

权利要求书

1.一种基于序列粒子群优化的图像跟踪方法，其特征在于，该图像跟踪方法包括步骤：

步骤1：在当前帧图像中，利用状态转移分布对上一帧图像中的个体最优状态集进行随机传播并产生粒子；

步骤2：对随机传播后产生的粒子进行粒子群优化迭代，获得粒子的适应值；

步骤3：利用基于空间约束混合高斯的表观模型对每个粒子的适应值进行评价，获得适应值评价的结果；

步骤4：根据适应值评价的结果更新粒子的个体最优状态和群体最优状态；

步骤5：对适应值评价的结果、粒子的个体最优状态和群体最优状态进行收敛判断：若满足收敛条件则输出群体最优状态粒子对应的观测值作为当前帧图像的跟踪结果，若不满足上述收敛条件，则继续执行步骤2。

2.按照权利要求1所述的图像跟踪方法，其特征在于，对上一帧图像中的个体最优状态集进行随机传播的步骤包括：

步骤11：给定上一帧图像中粒子群集合的个体最优状态；

步骤12：根据高斯分布对个体最优状态粒子集合进行随机传播。

3.按照权利要求1所述的图像跟踪方法，其特征在于，对随机传播后产生的粒子进行粒子群优化迭代，包括步骤如下：

步骤21：根据前一次迭代的粒子个体最优和全局最优状态得到本次迭代的加速度参数；

步骤22：根据对当前粒子的预测速度设定当前粒子最大速度限制；

步骤23：根据最大速度限制，定义保证收敛性并提高收敛速度的收缩参数；

步骤24：根据上述收缩参数对速度进行迭代：

得到当前粒子的速度；其中v^i，n为前一次迭代时粒子的速度，x^i，n为前一次迭代时粒子的状态，v^i，n+1为估计出来的当前迭代粒子的速度，pⁱ为粒子个体最优状态，g为粒子群体最优状态，为加速度常数，u₁和u₂为[0，1]间的均匀随机数，R(·)为收缩因子；

步骤25：根据当前粒子的速度对粒子状态进行迭代：x^i，n+1＝x^i，n+v^i，n+1，得到当前粒子状态，x^i，n+1为估计出来的当前迭代粒子的状态。

4.按照权利要求3所述的图像跟踪方法，其特征在于，所述加速度常数

被设置成自适应的加速度常数，如下式表示：

其中f(·)表示适应值评价函数。

5.按照权利要求1所述的图像跟踪方法，其特征在于，对每个粒子的适应值进行评价的步骤包括：

步骤31：根据每个粒子状态得到对应的观测值；

步骤32：根据事先定义的适应值评价函数对粒子的适应值进行评价。

6.按照权利要求1所述的图像跟踪方法，其特征在于，根据适应值评价结果更新个体最优状态和群体最优状态的步骤包括：

步骤41：基于适应值评价的结果，对个体最优状态进行更新：对一个粒子而言，如果对该粒子当前的个体状态的适应值评价优于该粒子最优状态，则将该粒子最优状态更新为该粒子当前状态，如果对该粒子当前的个体状态的适应值评价劣于该粒子最优状态，则保持该粒子最优状态原值不变；

步骤42：基于适应值评价的结果，对群体最优状态进行更新：在所有粒子的个体最优状态的适应值评价结果中，挑选出评价结果最优的粒子个体最优状态，作为群体最优状态。

7.按照权利要求1所述的图像跟踪方法，其特征在于，所述收敛判断的步骤包括：

步骤51：基于更新过的粒子个体最优状态和群体最优状态，对群体最优状态的粒子的适应值评价结果进行收敛判断，如果该群体最优状态适应值评价结果大于事先规定的阈值，并且所有个体最优状态都落在群体最优状态的某范围的邻域中，则认为达到收敛条件；

步骤52：如果上述条件得不到满足，则判断迭代次数是否达到最大迭代次数；若迭代次数达到最大迭代次数，则认为达到收敛条件，若迭代次数没有达到最大迭代次数，则认为还未收敛；

步骤53：如果已经收敛，则迭代过程结束，则输出群体最优状态粒子对应的观测值作为当前帧图像的跟踪结果，如果未收敛，则继续进行粒子群优化迭代。