[发明专利]一种混合GOA和TLBO搜索的快速运动目标跟踪方法

说明书

本发明提出了一种混合GOA和TLBO搜索的快速运动目标跟踪方法，用以解决传统优化算法应用在视频目标跟踪中跟踪精度和效率低的问题。本发明的步骤为：初始化目标状态参数和优化模型参数；采用GOA的全局探索与目标相似的候选区域；利用TLBO的局部搜索与目标图像最为相似的候选图像块；计算候选图像块与目标图像块的相似度值；选取最优候选图像块作为本次迭代目标图像块及下一帧的目标状态参数进行下一帧图像的跟踪；重复上述步骤实现视频目标跟踪。本发明结合GOA全局探索能力强和TLBO的局部开发能力强的特点，能够有效的实现帧间的快速或突变运动的持续性跟踪，提高了在复杂场景下的适应能力，具有重要的理论意义和实用价值。

技术领域

本发明涉及目标跟踪的技术领域，尤其涉及一种混合GOA和TLBO搜索的快速运动目标跟踪方法，实现目标的持续性跟踪，特别是目标在相邻图像帧之间由于快速运动而产生的突变运动情况下仍然能保持目标的持续性跟踪能力。

背景技术

目标跟踪作为计算机视觉的一项重要分支，是指对视频序列中的目标状态进行持续推断的过程，其任务在于通过在视频的每一帧中定位目标，以生成目标的运动轨迹，并在每一时刻提供完整的目标区域。视频目标跟踪技术现已用于多种领域，例如：智能交通系统、智能视频监控、人机交互、医学成像、无人机飞行器和精确制导等。虽然目标跟踪已经被研究几十年，但是由于跟踪环境、目标自身和摄像机成像等因素，在被跟踪的过程中往往会出现目标的快速运动造成目标突变的异常现象。为了解决这种异常现象，研究者们将群优化算法引入到视频目标跟踪中，对图像进行全局搜索，实现目标跟踪。

众所周知，对于群优化算法而言，如何协调其全局探索能力和局部开发能力至关重要。然而，对于单一的群优化算法，很难平衡探索和开发性能。针对这些现象，应该寻找一种在保证视频跟踪中对每一帧图片进行全局搜索的同时，又能确保探索和开发性能之间的相互转换。因此，混合式优化算法既能实现全局搜索，又能保证探索和开发性能。混合式优化算法利用一种优化算法的探索能力强和另一种优化算法的开发能力强的特点，提高算法的跟踪精度和运行效率，同时实现平滑和快速运动的目标跟踪，提高目标跟踪的鲁棒性和通用性。

发明内容

针对传统优化算法应用在视频目标跟踪中存在跟踪精度和效率低的技术问题，本发明提出一种混合GOA和TLBO搜索的快速运动目标跟踪方法，利用GOA(蚱蜢优化算法)搜索策略进行全局探索寻找目标可能出现的区域；通过TLBO(基于教与学优化算法)局部搜索进一步开发目标位置，提高算法的跟踪精度及效率，最终同时实现平滑和快速运动的视频目标跟踪方法。

为了达到上述目的，本发明的技术方案是这样实现的：一种混合GOA和TLBO搜索的快速运动目标跟踪方法，其步骤如下：

步骤一：初始化目标状态参数、GOA和TLBO搜索机制的相关优化模型参数：读取第一帧图像的数据信息，确定目标在第一帧图像的状态参数；GOA和TLBO搜索机制的参数：初始图像块位置数N，最大迭代次数为T；

步骤二：采用GOA和TLBO的搜索机制搜索候选图像块实现目标跟踪：通过GOA的优化模型参数在图像上随机产生N个候选图像块的左上角的位置，在各个位置上截取与目标图像大小相同的图像块作为候选图像块；通过GOA的运动模型更新候选图像块的位置，并计算候选图像块与目标图像块的适应度值；通过TLBO的运动模型进一步更新候选图像块的位置，计算适应度值并与GOA之前产生的适应度值进行比较，选取相似度值最大的候选图像块作为本次迭代的最优候选图像块；

步骤三：将输出的最优候选图像块作为当前帧的目标图像块以及下一帧的目标状态参数，进行下一帧图像目标的跟踪；

步骤四：重复步骤二——步骤三，实现目标跟踪。

所述GOA的运动模型为：候选图像块的下一个位置是根据当前位置、目标位置和所有其他候选图像块的位置来定义的，候选图像块当前的位置更新为：