[发明专利]一种采用粒子滤波的视频跟踪方法

说明书

本发明公开一种采用粒子滤波的视频跟踪方法，结合背景提取目标表示特征；从视频图像中抽取N个位置点建立粒子群，建立第一层采样状态转移模型；从第一层采样状态转移模型中提取M个粒子选取权重最高的粒子，建立第二层采样状态转移模型；计算第一层采样状态转移模型和第二层采样状态转移模型中每个粒子进行归一化处理；输出目标的位置期望本发明充分利用了粒子滤波的优势，提高了跟踪的准确性。

技术领域

本发明涉及图像处理和视频处理领域，尤其涉及一种采用粒子滤波的视频跟踪方法。

背景技术

目标跟踪一直是研究的热门，其应用领域很宽，无论是在工业界的自动化生产，还是民用界的监控系统，甚至国防安全领域。目前，目标跟踪的方法大致可以分为三大类：传统算法、相关滤波和深度学习。相关滤波缺点在于难以解决遮挡问题，深度学习则在实时方面有待提高。对于遮挡、形变等问题，粒子滤波是很好的解决办法，加上其支持目标非线性运动，使得粒子滤波一直是该领域的热门方法。

粒子滤波是基于蒙特卡洛的贝叶斯滤波器，利用粒子集来表示概率，并且引入了重要性采样手法解决了目标运动非线性、噪声非高斯的情况。序贯重要性采样的提出，利用了视频信息前后的关联性和权重的传递性，降低了计算量，但是容易导致粒子匮乏的现象。于是有学者提出了重采样技术，复制较高权重的粒子，解决了粒子匮乏的问题，但是降低了粒子多样性，不利于粒子滤波跟踪的鲁棒性。近来，粒子滤波又出现了很多改进方法，比如：马尔科夫链蒙特卡洛MCMC方法和无迹粒子滤波UPF等等。粒子滤波在视频跟踪领域由于其特有的优势，一直被广泛应用，本发明在粒子滤波的基础上进行了优化，并将其应用到视频目标的跟踪。

发明内容

本发明属于目标跟踪领域，提出了一种判别式的跟踪方法，充分利用背景的信息，来选择最佳的跟踪特征，提高视频跟踪的鲁棒性；并且利用分层采样的方式，优化粒子的采样分布，来实现快速稳定的视频跟踪。

为了解决现有技术存在问题，本发明采用如下技术方案：

一种采用粒子滤波的视频跟踪方法，包括如下步骤：

Step1：判断提取视频图像帧数k是否第一帧，如果满足进入步骤Step2；否则进入步骤Step3；

Step2：选定目标提取目标表示特征；

Step3：从视频图像中抽取N个位置点建立粒子群，建立第一层采样状态转移模型；

Step4：计算第一层采样状态转移模型中每个粒子的权重其中：p(i)代表i粒子区域的直方图特征向量，代表目标的直方图特征向量的转置；

Step5：从第一层采样状态转移模型中提取M个粒子选取权重最高的粒子，建立第二层采样状态转移模型；

Step6：计算第二层采样状态转移模型中每个粒子的权重

Step7：计算第一层采样状态转移模型和第二层采样状态转移模型中每个粒子按照如下公式进行归一化处理：

Step8：判断图像帧数k最后一帧，如果满足条件，则输出目标的位置期望即跟踪的结果；否则，返回步骤Step3。

所述状态转移目标为：

其中，表示目标的位置坐标，k代表帧数，代表目标的速度，是随机高斯分布。

所述Step2步骤中选定目标提取最佳表示特征过程：

2.1、确定跟踪目标；令为初始状态；

2.2、提取跟踪目标邻域特征参数，即r＝[r'₁,r'₂,…,r'_n]；