[发明专利]基于粒子滤波的运动行人视频自动跟踪方法及系统

说明书

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种基于粒子滤波的运动行人视频自动跟踪方法及系统。

背景技术

运动物体的跟踪就是在连续的图像序列上，对运动的行人出现的位置、大小、形状等有关特征的对应匹配问题。众多学者提出了许多算法。现有运动物体跟踪算法主要有以下四种:基于模板匹配的跟踪方法、基于轮廓的跟踪方法、基于运动预测的跟踪方法和粒子滤波跟踪方法。

其中，粒子滤波跟踪方法在现实应用场景中，通常图像的噪声不服从高斯分布，因此，卡尔曼滤波不能获得较好的跟踪效果，为了应用于现实应用的场景。现有技术已将粒子滤波算法引入到视觉跟踪领域。

粒子滤波器的主要思想是基于蒙特卡洛方法，它是利用具有权重的粒子集来表示后验概率，可以应用于任何形式的状态空间模型上，是一种顺序重要性采样法(Sequential Importance Sampling，SIS)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。

粒子滤波器是针对非线性运动，多模式分布的情况。通过对前一帧的后验概率分布估计值进行采样，然后传播这些采样值形成当前帧的后验概率估计值。粒子滤波器的缺点是为保证对当前状态进行最大似然估计的正确性所需的采样点太多导致计算量过大。

粒子滤波器的另一个不足之处是粒子退化现象，目前众多学者改进粒子滤波的主要切入点也是从解决粒子退化现象入手。现有技术通过引入均值漂移来调整粒子滤波采样策略，并使用积分直方图来加快每个粒子直方图的计算，提高跟踪算法的速度和精度；吴涛等提出了基于MCMC方法的粒子滤波改进算法，使用MCMC方法选取较好的采样策略来改善跟踪算法的性能；而通过抛弃小权重以及充分利用粒子权重大小所代表的意义来复制的原则进行跟踪算法的改进。虽然有这些改进，但在行人跟踪上，未见相关报道，也有许多技术难关需要攻克。

综上所述，有必要提供一种基于粒子滤波的运动行人视频自动跟踪方法及系统以解决上述问题。

发明内容

有鉴于此，本发明提供一种基于粒子滤波的运动行人视频自动跟踪方法及系统，有效的提高了跟踪算法的鲁棒性，完成稳定的跟踪。

为了实现上述目的，本申请实施例提供的技术方案如下：

一种基于粒子滤波的运动行人视频自动跟踪方法，所述方法包括以下步骤：

S1、输入一帧图像，通过HOG特征向量集和SVM向量机进行检测，判断是否有行人，若是，执行步骤S2，若否，输入下一帧图像重新检测；

S2、实现基于HOG和颜色双重特征的粒子滤波跟踪，首先获得目标行人的初始矩形区域，并从目标矩形区域中采样若干粒子，提取HOG特征和颜色特征，计算HOG和颜色双重特征融合后粒子的权重，通过最小均方误差估计器得到最后的状态估计并输出估计目标后进行重采样；

S3、判断图像是否为最后一帧，若是，则结束跟踪，若否，返回步骤S2。

作为本发明的进一步改进，所述步骤S1中的“通过HOG特征向量集进行检测”具体为：

在灰度空间或颜色空间中评估图像像素特性，对图像进行伽马校正规范化；

根据HOG梯度的提取，计算每个像素的梯度；

计算单元梯度幅值，具体为累加每个单元中包含像素的梯度方向直方图，再将每个梯度方向直方图映射到确定的角度上，得到HOG特征向量；

相邻的单元组成一个块，进行块归一化；

选用单元和块，得到HOG特征向量集进行检测。

作为本发明的进一步改进，所述步骤S1中的SVM向量机包括SVM分类器，所述SVM分类器包括传统SVM分类器和线性不可分SVM分类器。