[发明专利]一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法

权利要求书

1.一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法，其特征在于：该方法采用粒子滤波，以融合灰度、梯度特征的直方图模型作为粒子滤波的目标观测模型建立目标特征模板，采用自适应模板更新策略对目标特征模板进行更新，从而对目标进行跟踪，具体步骤如下：

步骤1，读入红外视频图像，在第一帧图像中标定待跟踪目标；以融合灰度、梯度特征的归一化直方图模型作为粒子滤波的目标观测模型建立目标特征模板；初始化具有位置坐标、大小尺寸信息的N个粒子；

步骤2，读入下一帧图像，采用二阶自回归模型作为粒子状态转移模型，预测该帧图像中各粒子位置坐标、大小尺寸；

步骤3，根据步骤1所述直方图模型，对步骤2预测所得各粒子进行观测，得到各粒子的融合灰度、梯度特征的归一化直方图，结合灰度、梯度特征计算各粒子与目标特征模板的似然度，并根据似然度更新各粒子权值，具体过程如下：

似然度求解式如下：

其中，z_k为第k时刻目标状态观测值，为综合巴氏系数，求解如下：

灰度特征的巴氏系数ρ_gray、梯度特征的巴氏系数ρ_og分别按照下式计算：

其中，n、m分别为h_gray、h_og的直方图组数，p_gray^(u)、q_gray^(u)分别表示观测所得灰度直方图和特征模板灰度直方图中第u组统计值；p_og^(v)、q_og^(v)分别表示观测所得梯度方向直方图和特征模板梯度方向直方图中第v组统计值；

综合巴氏系数值越大，则候选区域与目标模板的似然度越高；

权值更新计算式如下：

以状态转移函数作为建议分布函数则：

其中，表示k时刻第i个粒子的权值，表示k-1时刻第i个粒子的权值，粒子权值与似然函数成正相关，为k、k-1时刻第i个粒子状态向量；

步骤4，归一化各粒子权值，通过对各粒子位置坐标、大小尺寸加权求和估算得到目标位置坐标、大小尺寸；

步骤5，根据步骤4归一化后的各粒子权值进行粒子退化判断：如果发生退化现象，则对各粒子进行重采样后进入步骤6；若无，则直接进入步骤6；

步骤6，采用自适应模板更新策略对目标特征模板进行更新，返回步骤2继续对下一帧图像进行处理，直到最后一帧图像即完成红外目标的跟踪。

2.根据权利要求1所述的融合梯度特征和自适应模板的粒子滤波红外跟踪方法，其特征在于：步骤1中所述以融合灰度、梯度特征的归一化直方图模型作为粒子滤波的目标观测模型建立目标特征模板，具体如下：

将目标区域各像素按灰度值从0～255分为n组，各组组距相等，构成灰度直方图，归一化后得到归一化灰度直方图h_gray；将目标区域各像素按计算所得的梯度方向角度从-90°～90°分为m组，各组组距相等，构成梯度方向直方图，归一化后得到归一化梯度方向直方图h_og；结合h_gray、h_og作为目标观测模型。

3.根据权利要求1所述的融合梯度特征和自适应模板的粒子滤波红外跟踪方法，其特征在于：步骤2所述采用二阶自回归模型作为粒子状态转移模型，具体如下：

采用二阶自回归模型作为粒子状态转移模型二阶自回归模型为：

式中为k、k-1、k-2时刻第i个粒子状态向量，i＝1,2,...,N；为高斯随机变量。

4.根据权利要求1所述的融合梯度特征和自适应模板的粒子滤波红外跟踪方法，其特征还在于：步骤6中所述采用自适应模板更新策略对目标特征模板进行更新，其中自适应模板更新策略如下：

跟踪过程中，若所得目标区域特征与目标特征模板似然度大于90％，则模板仍然适用，不进行更新；若似然度小于60％，则判断为出现遮挡现象，不进行模板更新；目标似然度大于60％且小于90％时，根据下式对模板进行更新：

其中，h^k、分别为k时刻目标特征模板和观测所得目标特征模板，h^k+1为更新后的目标特征模板，α为更新率且0＜α＜1。