[发明专利]一种基于粒子群优化的模版匹配跟踪方法

权利要求书

1.一种基于粒子群优化的模版匹配跟踪方法，其特征在于，所述基于粒子群优化的模版匹配跟踪方法：

首先根据目标以往的运动情况预测目标在当前帧中可能的位置，每一种预测用粒子群优化算法中的一个粒子进行表示，将目标的位置和范围作为粒子群优化算法的状态搜索空间；

其次，在状态搜索空间中，运用粒子群优化搜索算法寻找具有最大相关匹配值的目标状态值作为目标跟踪的结果，并根据跟踪结果自适应更新模板以实现持续稳健的跟踪；

所述基于粒子群优化的模版匹配跟踪方法具体包括以下步骤：

步骤一，选定跟踪区域，建立目标模板：在跟踪的第一帧时，人为或自动用矩形框(x₀,y₀,W,H)选定待跟踪目标的矩形区域，其中，(x₀,y₀)为矩形框在图像帧中的位置，(W,H)而代表矩形框的大小，以矩形框所表示的图像块作为初始目标模板T(x₀,y₀)；

步骤二，初始化粒子群：

将目标的位置及范围作为粒子群的状态搜索空间，每个粒子代表目标在状态空间的一种状态可能，初始化粒子群的种群数为m，即粒子群中有m个粒子，任意粒子i的状态初始化为根据以往目标运动的先验知识，在上一帧跟踪结果附近随机游动，第K-1帧的跟踪结果为(x_K-1,y_K-1,W_K-1,H_K-1)，则初始化第K帧时粒子i的状态S_i＝(x_iK,y_iK,W_iK,H_iK)为：

x_iK＝x_K-1+vx+n_x (2)

y_iK＝y_K-1+vy+n_y (3)

W_iK＝W_K-1+n_W (4)

H_iK＝H_K-1+n_H (5)

(vx,vy)分别为根据以往的跟踪结果得到的目标的帧间位移向量先验知识，在跟踪第一帧(vx,vy)设为(0,0)，(n_x,n_y)为零均值高斯噪声，(n_W,n_H)为在集合{-1,0,1}中按均匀分布随机取值的随机数，目标的帧间位移定义为匀速运动叠加上一零均值分布的高斯噪声，而由于目标帧间尺度变化通常非常小，因此定义目标尺度的帧间变化为在集合{-1,0,1}中的随机取值；

种群中每个粒子在状态空间的运动速度初始化为：

v_i＝(v_ix,v_iy,v_iW,v_iH)^T＝(0,0,0,0)^T； (6)

初始化每个粒子的个体最优为其本身所代表的初始状态值，即：

p_i＝(x_iK,y_iK,W_iK,H_iK)^T； (7)

步骤三，计算每个粒子对应的相关匹配值，并得到全局最优：

在进行目标跟踪过程中，由于传感器增益的自适应调节以及光照条件的变化因素影响，目标模板的像素均值并非总是保持不变，目标像素均值的变化必定会对目标的相似匹配结果产生影响，为消除此类影响，在行相关匹配计算时，分别减去了目标模板均值以及候选区域(x_iK，y_iK，W_iK，H_iK)的灰度均值之后再进行归一化的相关系数的计算：

按照上式计算各个粒子所对应的相关匹配值，选取最大相关匹配值对应的粒子作为粒子群的全局最优粒子，即：

步骤四，粒子群优化搜索：

粒子在状态搜索空间中的运动由下列方程决定：

v_id(t+1)＝ωv_id(t)+η₁r₁(p_id(t)-x_id(t))+η₂r₂(p_gd(t)-x_id(t)) (10)

x_id(t+1)＝x_id(t)+v_id(t+1)； (11)

其中d＝(x,y,W,H)，代表不同的状态变量，i＝1,2,…,m，t表示优化搜索算法的进化代数，ω为微粒的惯性权值，r₁及r₂为分布于[0,1]间的随机数，η₁和η₂为加速常数，设置速度的上限v_max，当v_id(t+1)>v_max时有v_id(t+1)＝v_max，当v_id(t+1)<-v_max时有v_id(t+1)＝-v_max；

设置粒子的惯性权值ω按如下方式进行变化：

即随着搜索迭代次数的递增，惯性权值ω逐渐减少，从而放慢搜索的脚步；让全局最优的粒子在解空间中作随机游动：

p_g(t+1)＝p_g(t)+r₃ (13)

计算全局最优粒子随机游动后在新位置处对应的相关匹配值γ，并替换当前相关匹配值最小的粒子；

步骤五，更新全局最优以及个体最优：

依据每个粒子所代表的新的状态值( x_iK(t),y_iK(t),W_iK(t),H_iK(t)) ，按公式(8)计算其所对应的新相关匹配值γ(x_iK(t),y_iK(t))，通过比较每个粒子自身在各次迭代中的相关匹配值，更新个体最优：

根据更新后的个体最优更新全局最优：

步骤六，判断优化迭代是否结束：

当满足相邻两次优化迭代搜索得到的全局最优的相关匹配值的差小于规定阈值thred，则迭代结束；最后一次迭代得到的全局最优样本作为当前帧中的目标，前后相邻两次全局最优的相关匹配值之差大于规定阈值，则回到步骤四进行新一轮优化搜索；

步骤七，模板更新：

将当前跟踪模板的相关匹配值作为判断跟踪准确性的依据，将目标模板与当前帧的跟踪结果进行动态加权进行模板更新：

T(x,y)＝(1-α)×T(x,y)+α×T_c(x,y) (16)

其中，T_C(x,y)为候选目标模板，α为模板更新系数，设置的原则为，当匹配相关系数较大时候，相应的更新系数α也变大，加速更新，反之，匹配相关系数小的时候，则减小更新系数，当相关匹配系数γ小于0.5时，停止更新，即令α＝0，而γ大于0.5，开始时更新，γ越大，则α越大；

步骤八，判别跟踪是否继续：

根据前后帧的跟踪结果计算帧间位移向量(vx,vy)；仍有后续视频帧，则转至步骤二否则跟踪结束。