[发明专利]基于量子粒子群优化的视觉跟踪方法

说明书

技术领域

本发明涉及视觉跟踪技术，具体涉及基于量子粒子群优化的视觉跟踪方法。

背景技术

视觉跟踪技术是计算机视觉领域中一项重要并且极具挑战的研究。这是因为视觉跟踪技术已经被广泛地应用于智能监控、人机交互、智能交通、运动捕捉等领域。在视频序列中给定目标的初始状态，视觉跟踪的目标是在随后的图像中估计目标的状态。尽管鲁棒的视觉跟踪技术依旧存在较大的困难(例如：光照变化、遮挡、外观以及形状的变化、剧烈的随机性运动等)，近些年来，大量的研究为视觉跟踪技术提供了大量的思路，许多性能良好的跟踪算法已经被用到实际应用中。

当前大多数的跟踪算法可以被视为一个优化过程：在新的一帧图像中，搜寻目标的最优状态。这样的话，可以将大多数跟踪算法分成两类：确定性方法(deterministic methods)和随机性方法(stochastic methods)。确定性方法通常包含一个用来求解成本函数(cost function)的最优化算法。典型的确定性方法有mean shift算法和基于主轮廓线模型(蛇模型)的跟踪算法。确定性方法的优点在于计算复杂度低，缺点是容易陷入局部最优，这会导致跟踪结果不够精确并且容易丢失目标从而使得跟踪失败。与确定性方法不同，随机性方法中目标的状态是随机性的，而新的一帧图像中目标状态的确定是根据概率的方法。典型的随机性跟踪方法是粒子滤波(particle filter)，也被称为时序蒙特卡洛方法。相较于确定性跟踪方法，随机性跟踪方法不会陷入局部最优，具有较强的稳定性。然而这种方法通常计算复杂度较大，尤其在高维模型中，计算量很大。

近年来，粒子群优化算法(PSO)在视觉跟踪领域得到了广泛的应用，这是由于粒子群优化算法能够很好地解决非线性、多峰优化问题。与其他群体智能算法不同，粒子群优化算法的粒子之间是相互作用并且是受整体环境影响的，类似于群鸟捕食。粒子群优化算法以其简单高效的特性，被应用到视觉跟踪算法中，取得了不错的效果。然而粒子群优化算法是局部收敛的算法，同样会陷入局部最优，这是因为粒子群优化算法中，每个粒子的运动轨迹是有限制的，这导致了迭代过程中搜索空间局限性。因此，基于粒子群优化算法的跟踪方法并不能很好的解决跟踪过程中的存在的难题。

发明内容

为了解决基于粒子群优化算法的跟踪方法所存在的问题，本发明的目的是提出一种鲁棒 性较好的跟踪方法，能够完成多种复杂场景(光照和外观变化、剧烈运动、遮挡、背景干扰等)下的跟踪任务。

为实现上述目的，本发明提出一种基于量子粒子群优化(QPSO)的视觉跟踪方法，包括如下步骤：

步骤1、对前一帧图像中粒子的个体最优状态集合进行随机传播并产生新的粒子；

步骤2、对新的粒子进行量子粒子群优化迭代：

步骤21、更新粒子状态；

步骤22、根据粒子状态得到每个粒子对应的观测值，计算粒子的适应度值；

步骤23、根据适应度值更新粒子的个体最优状态和群体最优状态；

步骤24、根据适应度值、粒子的个体最优状态和群体最优状态进行收敛性判断：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，否则跳转到步骤21。

其中对前一帧图像中粒子的个体最优状态集合进行随机传播的具体步骤为：给定前一帧图像中粒子集合的最优状态，根据高斯分布对个体最优状态粒子集合进行随机传播。

对新的粒子进行量子粒子群优化迭代，包括以下步骤：

S211、给定上一次迭代后的粒子最优状态、群体最优状态，对于新的一帧的初始状态，则使用前一帧跟踪结果所对应的粒子最优状态、群体最优状态；

S212、计算粒子的平均最优状态

其中N表示该粒子集合中的粒子数量，p_i表示当前图像中第i个粒子的个体最优状态，d表示粒子状态的维度；

S213、计算吸引子的状态，其中p_g是当前帧图像中粒子群体最优状态，是介于0到1之间的随机数；

S214、对粒子状态进行迭代：u为介于0到1之间的随机数，x_i为粒子状态。

更新粒子的个体最优状态和群体最优状态的步骤有：

S231：基于当前粒子的适应度值，更新粒子的个体最优状态：对每个粒子，如果粒子当前状态对应的适应度值大于其个体最优状态对应的适应度值，则将粒子的个体最优状态更新为粒子的当前状态；否则保持其个体最优状态不变；