[发明专利]基于加强粒子群优化的粒子滤波目标跟踪方法

摘要

本发明公开了一种基于加强粒子群优化的粒子滤波目标跟踪方法，主要解决粒子滤波视频跟踪算法在跟踪过程中出现的粒子匮乏问题。其实现步骤是：1.在粒子滤波框架下，通过目标状态预测得到候选目标；2.通过提取候选目标的局部二值特征LBP统计直方图作为候选目标特征；3.通过计算候选目标特征与模板之间的距离，得到对应权值；4.通过加强粒子群优化算法对预测粒子进行优化；5.对优化后的粒子进行重采样；6.将重采样后的粒子进行融合得到目标的状态估计值，实现对目标的可靠跟踪。本发明能有效提高粒子对目标状态的描述能力，增加粒子多样性，解决了粒子滤波过程中的粒子匮乏问题，可用于智能视频监控、机器人导航、道路交通管制系统。

主权项

1.一种基于加强粒子群优化的粒子滤波目标跟踪方法，包括：(1)初始化：(1a)读入k‑1时刻的图像I_k‑1，根据目标的初始状态X₀，初始化k‑1时刻的粒子集其中，表示k‑1时刻第i个粒子的状态区间，i为粒子序号，取值为1,2,···,N，N表示粒子总数，k表示时刻，初始时刻为k＝1；(1b)初始化目标跟踪窗：Bk‑1＝(rk‑1,ck‑1)T，其中rk‑1和ck‑1分别表示k‑1时刻目标跟踪窗的长度和宽度值，T表示向量转置运算；(1c)初始化目标的局部二值特征LBP统计直方图M作为特征模板；(2)目标状态预测：(2a)读入k时刻的图像I_k，通过对k‑1时刻粒子集的传递，得到k时刻预测粒子集其中为k时刻第i个粒子的状态预测值；(2b)根据k时刻预测粒子集和目标跟踪窗B_k‑1，确定k时刻候选目标集其中为k时刻第i个候选目标，表示以为中心、B_k‑1为长宽所界定出的矩形区域；(3)提取候选目标集中候选目标对应的特征集其中V_i表示第i个候选目标对应的特征；(4)求取候选目标特征集与特征模板M之间的距离集并根据距离集计算候选目标的权值集其中d_i表示第i个候选目标特征与特征模板M之间的距离，ω_i表示第i个候选目标的权值；(5)粒子群优化：(5a)初始化待优化粒子集个体最优值p_id＝R_i、群体最优值p_gd＝R_max和迭代次数T＝1，设置最大迭代次数T_max，其中对应的速度集为权值集为R_max为中权值最大的粒子，其对应权值为ω_max；(5b)判断迭代次数T是否满足T＜＝Tmax，若是，从步骤(5c)开始进行第T次迭代，否则，直接转到步骤(6)；(5c)根据个体最优值p_id和群体最优值p_gd将待优化粒子集中每一个粒子R_i进行优化得到优化粒子Q_i，并组成优化粒子集(5d)更新优化粒子集中每一个优化粒子Q_i对应的权值ω_i，并更新个体最优值p_id；(5e)更新群体最优值pgd：(5f)通过增强搜索，对群体最优值pgd进行更新：(5f1)对群体最优值pgd进行第一步搜索，得到一次搜索结果pg1：pg1＝pgd+(Xmax‑Xmin)·Gaussin(0,h)，其中，Xmax代表决策向量的上界，Xmin代表决策向量的下界，Gaussin(0,h)是一个均值为零，标准差为h的高斯分布，h根据规律h＝h‑1/Tmax做线性递减；(5f2)对群体最优值pgd进行第一次更新：如果pg1对应的候选目标的权值ωg1满足ωg1＞ωmax，则更新群体最优值pgd＝pg1，其对应权值ωmax＝ωg1，否则pgd值不变，其对应权值ωmax不变；(5f3)对群体最优值pgd进行第二步搜索，得到二次搜索结果pg2：pg2＝pgd+(Xmax‑Xmin)·Cauchy(0,s)，其中Cauchy(0,s)是一个峰值参数为零，尺度参数为s的柯西分布，s根据规律s＝s‑1/Tmax做线性递减；(5f4)对群体最优值pgd进行第二次更新：如果pg2对应的候选目标的权值ωg2满足ωg2＞ωmax，则群体最优值pgd＝pg2，其对应权值ωmax＝ωg2，否则pgd值不变，其对应权值ωmax不变；(5h)判断迭代次数T是否满足T＞T_max，若是，则粒子群优化结束，否则，令T＝T+1、令待优化粒子集其对应权值集为并返回步骤(5b)；(6)对候选目标的权值集进行归一化，并根据归一化后的结果对k时刻优化粒子集进行重采样，得到k时刻的粒子集其中表示k时刻第i个粒子的状态区间；(7)根据k时刻的粒子集估计k时刻的目标状态X_k，并确定k时刻的目标估计范围Target；(8)检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤(2)，否则，目标跟踪过程结束。