[发明专利]一种基于特征融合的灰狼优化粒子滤波目标跟踪算法

权利要求书

1.一种基于特征融合的灰狼优化粒子滤波目标跟踪算法，其特征在于，在粒子滤波跟踪算法框架内，依据灰狼算法中的灰狼位置更新机制指导粒子移动，对传统粒子滤波算法进行优化，建立目标特征融合模型对目标模板描述，对粒子权值进行自适应调节，增加粒子多样性，利用模板更新方法对目标模板进行选择，按照以下步骤进行：

步骤1，初始化阶段，在初始帧图像上手动选择跟踪矩形框确定跟踪的运动目标，建立目标模板模型，初始化粒子状态并设定粒子采样数目，对目标模板计算HSV颜色直方图和HOG方向梯度直方图；

步骤2，根据状态转移方程进行预测，更新每个粒子状态，获得新的预测粒子集，建立候选目标模板，计算候选模板的HSV颜色直方图和HOG方向梯度直方图；

步骤3，将HSV颜色特征和HOG方向梯度特征进行融合，先采用Bhattacharyya系数衡量目标模板与候选模板的相似度，计算步骤2中每个粒子HSV颜色直方图和HOG方向梯度直方图相似度系数，然后按照赋予不同特征权重值进行加权融合策略后得到特征融合的观测模型；

步骤4，引入灰狼算法对步骤3中得到的观测模型的粒子进行迭代寻优，选择适应度高的粒子指导其他粒子向后验概率高似然区域方向移动，当迭代过程到达最大次数结束时，停止优化，否则进入步骤3；

步骤5，目标状态根据最新的观测信息，计算粒子权值，并归一化处理，对粒子的权重进行自适应调节策略后根据粒子权重估计目标位置和状态；

步骤6，部分重采样，对步骤5计算得到的高权值粒子和低权值粒子进行部分重采样操作，获得新的粒子集合；

步骤7，目标模板更新采用初始模板F₀和一个实时更新的运动模板F_c自适应选择的模板更新方式，通过计算候选区域与初始模板、运动模板颜色直方图的距离来选择是否更新模板；

步骤8，重复步骤2到步骤7，连续对下一帧的运动目标进行跟踪。

2.根据权利要求书1所述的基于特征融合的灰狼优化粒子滤波目标跟踪算法，其特征在于，步骤1所述的初始化阶段，按照如下步骤进行：

步骤1-1，手动选取跟踪框T＝[x,y,W,H]，确定目标位置。其中x和y代表矩形框的中心坐标，W和H代表矩形框的宽度和高度，设置粒子总数量N，初始化粒子状态；

步骤1-2，将HSV三个分量划分为L＝16×4×4个等级，在统计每个像素在各个分量的数量，最后统计直方图得到目标模板的HSV颜色特征，目标模板的直方图p表示为：

式中，N为区域像素总个数；x₀为目标中心点像素；x_i为第i个像素的坐标；(H_x和H_y分别是目标矩形的半宽和半高)；δ为狄拉克函数；标准归一化系数为b(x_i)对应于像素x_i的像素索引值；m∈[1,256]为直方图段数索引范围。

步骤1-3，由于HOG是在图像的局部方格单元上操作，所以对于图像的几何和光学的形变都能保持很好的不变性，目标外观模型用HOG描述时，不受光照变化影响，也能避免目标平移和扭转的干扰，其计算公式如下：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)；

式子中，H(x,y)为像素点(x,y)处的像素值；G_x，G_y分别为水平方向梯度和垂直方向梯度，像素点(x,y)处的幅值大小为：梯度方向计算公式为：

3.根据权利要求书1所述的基于特征融合的灰狼优化粒子滤波目标跟踪算法，其特征在于，步骤3具体按照如下步骤进行：

步骤3-1，Bhattacharyya系数公式为：

式中n为直方图维数；m值表示两个直方图的相似度，该值越大表示目标模型与候选模型越相近；

步骤3-2，利用步骤3-1中的公式计算每个粒子的HSV颜色直方图和HOG方向梯度直方图的相似系数和然后通过加权融合得到每个粒子的相似度权值，即：

式中α、β分别为颜色特征和方向梯度特征的权重，α取值为1，β取值为0.75。