[发明专利]复杂场景下基于粒子滤波器的运动目标跟踪方法

说明书

技术领域

本发明属于数字图像内容理解、人工智能、视频监控领域，具体涉及基于粒子滤波器框架的视频跟踪方法。

背景技术

视频目标跟踪实际上是将视频流切分成以帧为单位的视频图像序列，通过对这些图像序列中的图像特征的分析，在其中找到我们感兴趣的目标的过程。目前常见的视频跟踪方法有多种种类，比如基于特征的方法、基于运动的方法、基于匹配的方法等等。

由于视频目标跟踪的目的是在连续的图像序列中，“找出”用户感兴趣的目标，而目标可以使用它的形状、大小、位置等状态信息来描述，因此跟踪问题可以等价成为对目标状态的求解问题，这个求解过程可以用估计理论来实现。状态的估计是通过对图像相关视觉信息的观测来进行的，比如目标的灰度信息、运动信息、轮廓信息等。由于是有目的的跟踪，因此往往认为目标具有一定的先验知识，比如灰度模板、颜色分布等等。根据目标的先验知识以及对其观测结果，可以构造贝叶斯概率模型，求解目标状态的后验概率，通过比较后验概率得到跟踪的结果。

粒子滤波器(Particle Filter)是求解贝叶斯概率的一种实用算法，又称为条件概率密度传播算法、bootstrap filtering、序贯重要性采样等。它的基本思想是使用一组带有权值的粒子(样本)集合来近似表示解决问题时需要的系统后验概率密度。它作为一种基于贝叶斯估计的非线性滤波算法，在处理非线性运动目标跟踪问题方面有独到的优势。它可以分成粒子初始化、系统状态转移、系统观测、后验概率计算、粒子重采样等几个阶段。现有技术中，粒子滤波技术主要是在系统观测和后验概率计算两个阶段通过使用颜色信息得到粒子状态的后验概率。这种方法在跟踪目标与背景颜色分布相差较大以及跟踪目标短时间内被部分遮挡的情况下也能取得较好的跟踪效果，但它在复杂场景下，尤其是当背景变化较大、光照变化较频繁、目标与背景颜色较接近时下无法得到很好的估计结果。

由此可见，现有技术在复杂环境下对运动目标跟踪具有准确率低、可靠性差的缺点。

发明内容

为了解决弥补现有方法的不足，提高运动目标跟踪的准确性和鲁棒性，本发明目的是提供一种复杂场景下基于粒子滤波器的运动目标跟踪方法。

为达成所述目的，本发明提供一种复杂场景下基于粒子滤波器的运动目标跟踪方法，该方法综合使用视频图像的运动目标的颜色信息与运动信息，能够处理目标被遮挡、暂时消失、风吹草动及复杂场景下的运动目标跟踪，基于粒子滤波器理论框架，将粒子滤波器理论用于视频序列的运动目标跟踪，其步骤如下所述：

步骤S1：基于粒子滤波器理论框架对粒子进行初始化，是使用模板匹配在初始图像中寻找运动目标的初始位置，得到其运动信息，并以此作为初始化系统状态设置每个粒子，进行粒子初始化；

步骤S2：基于粒子滤波器理论框架，粒子选择跟踪目标的运动信息作为粒子系统状态，并按照一阶自回归方程进行传播，即粒子在下一阶段的系统状态为当前阶段的系统状态加一个随机扰动使粒子系统状态发生转移；

步骤S3：基于粒子滤波器理论框架对粒子的系统状态进行观测，使用结构化加权RGB颜色直方图分布，计算每个粒子基于颜色信息的后验概率；

步骤S4：基于粒子滤波器理论框架，由每个粒子的帧间差图像以及边缘图像，获得粒子的运动信息，然后选择评价函数，将运动信息转化成为概率密度分布，获得每个粒子基于运动信息的后验概率分布；

步骤S5：基于粒子滤波器理论框架计算后验概率，融合基于运动目标的颜色信息与运动信息的粒子后验概率分布得到最终的粒子联合后验概率分布；通过调整参数确定颜色信息与运动信息对最终粒子后验概率分布结果的影响；

步骤S6：利用每个粒子的后验概率，选择后验概率最大的粒子的系统状态或所有粒子系统状态的数学期望，作为系统状态的估计，确定跟踪目标的运动信息，完成运动目标跟踪；

步骤S7：当粒子经过若干次系统转移后，一部分粒子的系统状态距离跟踪目标较远，对粒子进行重采样，抛弃部分后验概率过小的粒子，返回步骤S2。

优选地，所述基于颜色信息的粒子后验概率分布的获取步骤：是首先计算跟踪目标模板的结构化加权RGB颜色直方图，其次计算每个粒子的结构化加权RGB颜色直方图，然后将两者进行比较，得到粒子图像与运动目标模板图像之间颜色分布的距离差别，并将该距离差别进行高斯化、归一化之后成为概率分布，作为基于颜色信息的粒子后验概率分布。