[發明專利]一種基于序列粒子群優化的圖像跟蹤方法

無效

• 申請號: 201010117757.0
• 申請日: 2010-03-03
• 公開（公告）號: CN102194234A
• 公開（公告）日: 2011-09-21
• 發明（設計）人: 胡衛明;張笑欽;羅文寒
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06N3/00
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 梁愛榮

技術領域

本發明涉及計算機視覺領域，特別涉及可視化跟蹤(Visual?tracking)技術。

背景技術

復雜場景下目標的運動跟蹤是近些年來計算機視覺領域里的前沿研究方向之一，也是該領域中難點之一。特別是動態場景下的目標運動分析受到了世界上許多重要研究機構的高度重視，這充分說明了它的重要性。跟蹤問題等價于在連續的圖像幀間創建基于位置、速度、形狀、紋理、色彩等有關特征的對應匹配問題。大體上，目標跟蹤的算法都要設計兩個關鍵性問題：①表觀模型，即如何對目標進行建模、并且實時更新。因此，如何構建一個好的表觀模型對目標識別起著至關重要的作用。特別是在時序數據流中，目標的表觀是隨著時間而變化的，同時還可能受到各種光照變化、噪音、部分遮擋、形變等復雜因素的干擾。此外，還要滿足實際應用的低計算復雜度的要求。②跟蹤框架，如何對候選區域與目標模板進行有效地匹配。總的來說，目前存在的跟蹤算法的理論框架大致可以分為確定性跟蹤框架和隨機性跟蹤框架兩大類。確定性跟蹤框架容易陷入局部極值，而隨機化跟蹤框架也存在著樣本退化和計算量大等問題。

這樣就提出一個嚴峻的挑戰，那就是如何構建一個在線的低復雜度的并且非常有效的表觀模型，這對目標跟蹤、姿態估計以及行為理解是非常重要的，以及如何建立一個有效的跟蹤框架，避免陷入局部極值以及樣本退化等主要問題。

表觀模型方面，目標區域的顏色直方圖忽略了目標表觀的顏色空間分布信息；基于核密度估計的表觀模型雖然克服了這一點，但計算和存儲復雜度非常高；混合高斯模型能動態地學習像素顏色的時間統計特性，但對噪音非常敏感；自適應的混合高斯融合空間和顏色信息，但致對目標表觀的全局性的變化以及噪音非常敏感；基于在線子空間學習的方法將圖像展成向量，丟失了幾乎全部空間信息，對仍對噪聲敏感；基于張量的子空間方法能極大地被減少目標的時空分布冗余，但不能在線地更新，因此，無法將這種有效的建模方法應用于時序數據跟蹤，也導致了很大的運算和存儲代價。

跟蹤框架方面，典型的確定性跟蹤框架根據事先設定的相似度損失函數(Similarity?Cost?Function)，在當前圖像幀內的局部區域通過梯度優化的迭代方法找到與目標標準模版最為相似的區域。確定性跟蹤框架一般計算量較小，效率較高，但容易陷入局部極小值，導致跟蹤的結果不夠精確。隨著跟蹤誤差的積累，最后可能導致跟蹤失敗。隨機性跟蹤框架利用狀態空間對當前跟蹤系統進行模型化，利用隨機產生粒子來逼近狀態的后驗分布。粒子濾波(Particle?Filter)，也被稱為時序蒙特卡羅(sequential?MonteCarlo)方法，是目前最為廣泛使用的隨機性方法。與隨機性跟蹤框架相比，隨機性跟蹤框架更為魯棒，但是計算量過大，而且隨著目標狀態的增長呈指數增長。另外，由于沒有好的機制選擇重要性分布，粒子濾波器存在著嚴重的樣本退化問題。

發明內容

為了解決現有技術的問題，本發明目的在于提出一種適用于移動攝像機的復雜場景下(劇烈運動、光照變化，噪聲，部分遮擋，形變等)魯棒的目標跟蹤框架。

為實現上述目的，本發明提出一種基于序列粒子群優化的圖像跟蹤方法，深入的探究了粒子濾波算法樣本退化的理論原因，得到一種新的跟蹤框架，其方法包括步驟如下：

步驟1：在當前幀圖像中，利用狀態轉移分布對上一幀圖像中的個體最優狀態集進行隨機傳播并產生粒子；

步驟2：對隨機傳播后產生的粒子進行粒子群優化迭代，獲得粒子的適應值；

步驟3：利用基于空間約束混合高斯的表觀模型對每個粒子的適應值進行評價，獲得適應值評價的結果；

步驟4：根據適應值評價的結果更新粒子的個體最優狀態和群體最優狀態；

步驟5：對適應值評價的結果、粒子的個體最優狀態和群體最優狀態進行收斂判斷：若滿足收斂條件則輸出群體最優狀態粒子對應的觀測值作為當前幀圖像的跟蹤結果，若不滿足上述收斂條件，則繼續執行步驟2。

優選地，對上一幀圖像中的個體最優狀態集進行隨機傳播的步驟包括：步驟11：給定上一幀圖像中粒子群集合的個體最優狀態；步驟12：根據高斯分布對個體最優狀態粒子集合進行隨機傳播。

優選地，對隨機傳播后產生的粒子進行粒子群優化迭代，包括步驟如下：步驟21：根據前一次迭代的粒子個體最優和全局最優狀態得到本次迭代的加速度參數；步驟22：根據對當前粒子的預測速度設定當前粒子最大速度限制；步驟23：根據最大速度限制，定義保證收斂性并提高收斂速度的收縮參數；步驟24：根據上述收縮參數對速度進行迭代：