[发明专利]一种基于序列粒子群优化的图像跟踪方法

说明书

技术领域

本发明涉及计算机视觉领域，特别涉及可视化跟踪(Visual tracking)技术。

背景技术

复杂场景下目标的运动跟踪是近些年来计算机视觉领域里的前沿研究方向之一，也是该领域中难点之一。特别是动态场景下的目标运动分析受到了世界上许多重要研究机构的高度重视，这充分说明了它的重要性。跟踪问题等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。大体上，目标跟踪的算法都要设计两个关键性问题：①表观模型，即如何对目标进行建模、并且实时更新。因此，如何构建一个好的表观模型对目标识别起着至关重要的作用。特别是在时序数据流中，目标的表观是随着时间而变化的，同时还可能受到各种光照变化、噪音、部分遮挡、形变等复杂因素的干扰。此外，还要满足实际应用的低计算复杂度的要求。②跟踪框架，如何对候选区域与目标模板进行有效地匹配。总的来说，目前存在的跟踪算法的理论框架大致可以分为确定性跟踪框架和随机性跟踪框架两大类。确定性跟踪框架容易陷入局部极值，而随机化跟踪框架也存在着样本退化和计算量大等问题。

这样就提出一个严峻的挑战，那就是如何构建一个在线的低复杂度的并且非常有效的表观模型，这对目标跟踪、姿态估计以及行为理解是非常重要的，以及如何建立一个有效的跟踪框架，避免陷入局部极值以及样本退化等主要问题。

表观模型方面，目标区域的颜色直方图忽略了目标表观的颜色空间分布信息；基于核密度估计的表观模型虽然克服了这一点，但计算和存储复杂度非常高；混合高斯模型能动态地学习像素颜色的时间统计特性，但对噪音非常敏感；自适应的混合高斯融合空间和颜色信息，但致对目标表观的全局性的变化以及噪音非常敏感；基于在线子空间学习的方法将图像展成向量，丢失了几乎全部空间信息，对仍对噪声敏感；基于张量的子空间方法能极大地被减少目标的时空分布冗余，但不能在线地更新，因此，无法将这种有效的建模方法应用于时序数据跟踪，也导致了很大的运算和存储代价。

跟踪框架方面，典型的确定性跟踪框架根据事先设定的相似度损失函数(Similarity Cost Function)，在当前图像帧内的局部区域通过梯度优化的迭代方法找到与目标标准模版最为相似的区域。确定性跟踪框架一般计算量较小，效率较高，但容易陷入局部极小值，导致跟踪的结果不够精确。随着跟踪误差的积累，最后可能导致跟踪失败。随机性跟踪框架利用状态空间对当前跟踪系统进行模型化，利用随机产生粒子来逼近状态的后验分布。粒子滤波(Particle Filter)，也被称为时序蒙特卡罗(sequential MonteCarlo)方法，是目前最为广泛使用的随机性方法。与随机性跟踪框架相比，随机性跟踪框架更为鲁棒，但是计算量过大，而且随着目标状态的增长呈指数增长。另外，由于没有好的机制选择重要性分布，粒子滤波器存在着严重的样本退化问题。

发明内容

为了解决现有技术的问题，本发明目的在于提出一种适用于移动摄像机的复杂场景下(剧烈运动、光照变化，噪声，部分遮挡，形变等)鲁棒的目标跟踪框架。

为实现上述目的，本发明提出一种基于序列粒子群优化的图像跟踪方法，深入的探究了粒子滤波算法样本退化的理论原因，得到一种新的跟踪框架，其方法包括步骤如下：

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。

优选地，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。

优选地，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：