[发明专利]一种基于免疫遗传粒子滤波的智能视频跟踪方法

说明书

技术领域

本发明涉及智能视频处理技术领域，特别是涉及一种基于免疫遗传粒子滤波的智能视频跟踪方法。

背景技术

传统的视频监控系统仅能在危害事件发生后，通过视频画面的回放来获取线索，这并不能从根本上减少危害事件的发生。智能视频监控系统则可以在危害事情发生之前发出预警，防患于未然。智能视频监控系统中，智能分析系统是最关键的组成部分，它目前有两种架构方式，即嵌入式视频分析和纯软件视频分析，无论是哪种架构，智能视频分析软件都必须完成包括目标检测、跟踪、分类及规则定义等所有功能。在智能视频监控软件中检测到目标后都必须对目标进行实时跟踪，以便实现接下来的分类、行为分析及规则定义等功能，由此可见对视频目标进行实时跟踪是非常重要的环节。

基于粒子滤波的视频目标跟踪是近几年的研究热点，并由于其能够处理非线性系统、非高斯假设条件下的目标状态估计而受到越来越多的关注。粒子滤波以序列蒙特卡洛随机模拟理论为基础，将视频目标状态后验分布用一组加权随机样本(称为粒子)近似表示，新的状态分布通过这些随机样本进行贝叶斯递推估计。影响基于粒子滤波的视频跟踪方法性能的因素主要有三个：粒子的样贫问题、可靠的观测模型、精确的运动模型。样贫是粒子滤波本身所固有的问题，当样贫发生时，会严重影响粒子对运动目标状态的描述能力。一般情况下，要从二维的被噪声污染的视频图像数据中建立精确的运动模型是相当困难的，因此，人们在解决基于粒子滤波的视觉跟踪方法的鲁棒性问题时，主要是研究如何建立可靠的观测模型以及如何消除粒子样贫问题。通常情况下观测模型很难有较大改进，因此对消除样贫问题的研究引起了更多人的重视。“样贫”问题源于重采样过程，由于将高权值的粒子过度复制，有效粒子数在重采样后减少，这样一来，经过若干次递推计算后，有效粒子几乎被耗尽，粒子集的信息容量将严重降低，很难反映真实的状态统计特性，容易造成对视频目标的跟踪率下降及误跟踪的情况。

发明内容

本发明所要解决的技术问题是提供一种基于免疫遗传粒子滤波的智能视频跟踪方法，能够降低“样贫”问题，即能够提高有效粒子数目，使粒子集能更好地表示目标的真实状态。

本发明解决其技术问题所采用的技术方案是：提供一种基于免疫遗传粒子滤波的智能视频跟踪方法，包括以下步骤：

(1)初始化，k＝0，在初始帧手动选取参考视觉目标，根据目标状态先验分布p(X₀)随机采样建立初始粒子集其中，同时将初始粒子集作为初始抗体群；

(2)粒子采样，k＝1，2，3Λ，根据随机漂移模型采样得到新的粒子集，即从定义的建议分布p(X_k|X_k-1)抽取当前的状态样本，得到粒子集；

(3)计算粒子集的权值，即根据视频目标观测概率分布计算粒子集的权值，其中，其中，λ为控制参数，为Bhattacharyya距离，为Bhattacharyya系数，分别为目标图像区域颜色分布和参考目标颜色分布；

(4)输出粒子状态估计，计算k时刻视频目标的MMSE估计并输出结果，该结果就是跟踪到的视频目标状态；

(5)计算有效粒子数，并判断有效粒子数是否小于预先设定的第一阈值，如果小于第一阈值，则进入下一步，即免疫粒子集优化过程；否则，直接进入重采样过程，经过重采样过程后再返回步骤(2)，其中，近似有效粒子数

(6)计算粒子集适应度，其中，适应度函数构造成输出粒子状态估计与真实状态之间均方根误差的倒数；

(7)更新记忆单元，即用粒子集中权值高的粒子替换记忆单元中权值低的粒子，且替换与加入粒子亲和度最高的原有粒子；

(8)利用粒子浓度的选择机制来调节粒子的浓度，即根据抗体的选择概率来调节粒子的浓度，实现粒子多样性保持，其中，α和β分别为调节常数，N为抗体总数，即粒子总数，C_i为抗体浓度，即相似抗体所占比重，F(·)为抗体适应度函数；

(9)粒子集通过线性交叉运算产生新的粒子，根据交叉概率p_c随机选择交叉父代x₁，x₂，则新产生的子代分别为其中，r为在[0，1]区间内产生的随机函数；

(10)粒子集通过非均匀变异运算产生新的粒子，根据变异概率p_m随机选择变异父代x，则新产生的子代为其中，为计算元素改变量的函数，y为x到取值边界的距离，g_c为当前进化代数，T为最大进化代数，r为形状系数；