[发明专利]自适应粒子群优化粒子滤波运动目标跟踪方法

说明书

技术领域

本发明涉及一种运动目标跟踪方法，尤其涉及一种自适应粒子群优化粒子滤波运动目标跟踪方法，属于图像处理与智能视频监控技术领域。

背景技术

运动目标跟踪是图像处理和智能视频监控技术领域研究的热点，也是机器人导航、精确制导等领域的关键技术，具有广泛应用。例如：捕获实验中目标运动的轨迹和姿态，对交通公路流量的检测，重要场合的视频监控和分析等。因此，运动目标的跟踪具有非常重要的研究意义。运动目标的跟踪包括目标的检测、特征提取以及匹配跟踪等几个部分技术组成。其中，目标的检测、目标的特征提取需要一定的先验知识，然后再根据一定的算法，利用之前的已知信息预测下一时刻目标运动信息(位置、速度等)，实现运动目标跟踪。一个良好的跟踪算法应该具有可靠性高、实时性好、准确性精确等特性。

关于运动目标的跟踪已经提出了很多有效的算法，其中，建立在卡尔曼滤波理论基础上的目标跟踪技术受到了很大关注。但是卡尔曼滤波只适用于线性系统，为此，Sunahara、Buey等人将卡尔曼滤波进一步应用到非线性领域并提出扩展卡尔曼滤波(EKF)，但是这种方法运算复杂度大大增加了，因此现实中没有得到广泛应用。另一类常用的方法是均值漂移算法——Mean-shift算法[D.Comaniciu,V.Ramesh and P.Meer,Real-time tracking of non-rigid objects using Mean Shift,Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2:142-149,2000]，它是一类基于核函数的无参数估计算法，不需要先验知识，而且收敛速度比较快，但是对于快速运动和非高斯噪声环境下有局限性。粒子滤波(PF:Particle Filtering)算法近年来在目标跟踪领域越来越受到重视，它既不受限于线性系统，也不要求噪声服从高斯分布，而且在目标出现遮挡时也可以实现可靠跟踪。但是，粒子滤波存在粒子贫化和计算量大的问题是实际应用的重要障碍。

为了解决粒子滤波运动目标跟踪所存在的粒子贫化的问题，很多学者选择将粒子群优化算法(Particle Swarm optimization，简称PSO)应用到粒子滤波当中，形成粒子群优化粒子滤波算法(简称PSOPF)，从而使得粒子的多样性得以保障，但是现有PSOPF算法中粒子群优化算法容易使得粒子陷入局部最优点，从而导致对目标的位置信息定位不够准确。

针对该问题，一些自适应粒子群优化粒子滤波算法被提出，例如，有研究者提出一种新型邻域自适应调整的动态粒子群优化粒子滤波算法.该算法考虑了粒子的邻域信息,利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调整，控制粒子对邻域的影响,减轻局部最优现象，达到收敛速度和寻优能力的最佳平衡；也有研究者提出对各粒子赋予不同的权值，并在迭代过程中对粒子权值进行自适应调整。这些方法虽然不同程度地能够解决PSOPF算法中粒子群优化算法容易使得粒子陷入局部最优点的问题，但均存在算法复杂、计算量大的不足，运动目标跟踪的实时性难以令人满意。

发明内容

本发明所要解决的技术问题在于克服现有粒子群优化粒子滤波运动目标跟踪技术所存在的定位不够准确、计算量较大的不足，提供一种自适应粒子群优化粒子滤波运动目标跟踪方法，在准确提高运动目标跟踪准确度的同时，其计算复杂度更低，目标跟踪实时性更好。

本发明具体采用以下技术方案：

自适应粒子群优化粒子滤波运动目标跟踪方法，在用粒子滤波方法进行运动目标的跟踪过程中，利用粒子群优化方法对粒子的位置进行优化；在利用粒子群优化方法对粒子的位置进行优化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适应调整，具体如下：如全局最优粒子的位置在连续M1次迭代中始终变化，则减少粒子数量；如全局最优粒子的位置在连续M2次迭代中始终不变，则增加粒子数量；M1、M2为预设的大于等于3的整数。

M1与M2可以相等也可以不等。

相比现有技术，本发明具有以下有益效果：

本发明将自适应粒子群优化(APSO)技术与粒子滤波(PF)相结合，对运动目标进行跟踪，可有效克服粒子贫化现象，并进一步在利用粒子群优化方法对粒子的位置进行优化时，根据全局最优粒子的位置变化情况对粒子的数量进行自适应调整，从而可有效减轻粒子群优化中的局部最优现象，提高目标跟踪的准确度，同时又具有算法复杂度低，实时性好的优点。