[發明專利]基于運動目標跟蹤的融合算法

無效

• 申請號: 201210319469.2
• 申請日: 2012-08-31
• 公開（公告）號: CN102903121A
• 公開（公告）日: 2013-01-30
• 發明（設計）人: 姚黎
• 申請（專利權）人: 四川九洲電器集團有限責任公司
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 徐宏;吳彥峰

技術領域

本發明涉及圖像處理領域，尤其是涉及對單個運動目標特征或者多個運動目標特征的提取并進行運動目標建模、運動目標檢測的融合算法。

背景技術

目標跟蹤中常用的目標特征表達主要包括：圖像的紋理和形狀特征(如輪廓、區域、邊緣等)、變換系數特征（如傅里葉描述子）、統計特征（如直方圖、各種矩特征）等。為了達到更好的跟蹤效果，實際應用中也常常將多個特征結合起來考慮。跟蹤算法的準確度與運動目標的表達密切相關，大致可以分為四類：基于主動輪廓模型的跟蹤、基于模型的跟蹤、基于特征的跟蹤和基于區域的跟蹤。

在跟蹤過程中，采用一定的搜索算法預測運動目標在下一幀中可能出現的位置狀態，只在相關區域中尋找最優點。這樣就避免了直接對場景中所有內容進行匹配估計，從而大大削減計算量。在很多基于交互的實時系統中，跟蹤常用的預測算法有卡爾曼濾波器（Kalman濾波器）、粒子濾波算法等。優化搜索方向也可以達到縮小目標搜索范圍的目的，常用的包括均值漂移算法（Mean-shift算法）、連續自適應均值漂移算法（Camshift算法）等。其中Camshift（continuously?adaptive?mean-shift）算法是由Intel公司的Bradski提出的以顏色概率分布圖為基礎來進行的目標跟蹤算法。其中的核心算法是Mean-shift算法。Camshift算法在最開始是為了對人臉進行跟蹤而設計的。Camshift算法基于單一顏色分布模型，由于對目標外觀先驗知識利用不夠充分，單一顏色分布模型對外觀先驗知識的描述不完備，當目標的外觀發生改變時，效果不理想。在復雜背景中當運動目標運動過快或出現遮擋，由于只利用顏色信息，對運動物體不做任何預測，抗干擾能力比較差，容易導致跟蹤失敗，引入濾波預測窗口中心來解決這個問題，但是粒子濾波（particle?filter）算法主要是來自于模擬蒙特卡洛方法，通過蒙特卡洛算法來最終實現貝葉斯濾波。由于粒子濾波算法擁有“多峰”性這一特點，因此雖然粒子濾波算法有很強的抗干擾能力和多模態處理能力，但是粒子濾波過程中粒子數目對對象跟蹤有兩個方面的影響：一是計算量；二是精度。當粒子傳播半徑確定以后，即確定了對象搜索區域。由于每個粒子即代表對象的一種可能運動狀態，所有粒子越能充分的覆蓋對象可能狀態，則估計的越準確。那么粒子越多，就更能充分的覆蓋搜索區域，跟蹤精度更大。但當N太大遠遠可以覆蓋搜索區域時，部分粒子所代表的狀態有可能完全一樣，那么這部分的運算量就是浪費的，且對精度提高也不會很大。就要找到搜索區域和粒子數目的最佳匹配點，即不浪費粒子也可以完全覆蓋搜索區域的平衡點。另外當粒子數目增大時，算法的計算量也會增大，則跟蹤的速度就會降低。

發明內容

本發明所要解決的技術問題是：針對上述存在的問題，提供一種基于運動目標跟蹤的融合算法，對運動目標跟蹤算法進行分析與比較，將基于HSV空間顏色特征和基于坐標系的運動信息表示相融合，改進Camshift算法，并且將改進的Camshift算法嵌入到粒子濾波中，用來重新分配粒子濾波樣本。由此得到的樣本集將收斂到靠近目標真實狀態的區域內，最后用這些漂移的粒子來計算所估計的目標狀態，實現更好的跟蹤。

本發明采用的技術方案如下：

一種基于運動目標跟蹤的融合算法，其特征在于包括：

步驟1：基于粒子濾波算法，通過狀態轉移模型，得到目標K時刻狀態附近隨機分布粒子集其中其中N為粒子數，k是粒子變化時刻值；

步驟2：提取粒子集粒子的顏色和運動信息，判斷粒子集粒子質心坐標值是否滿足迭代條件，將符合迭代條件的粒子組合成新的迭代粒子集

步驟3：對迭代粒子集中的粒子與目標模板粒子進行相關度處理，通過觀測函數計算粒子權值并進行重采樣、歸一化處理，得到當前幀目標的狀態。

在步驟2中所述判斷粒子集粒子質心坐標值是否滿足迭代條件具體過程是：

步驟21：在Camshift算法基礎上，設置粒子集中粒子初始質心坐標值是C₀(x₀,y₀)，根據顏色概率分布圖中零階矩運動概率分布圖中零階矩并結合I_c(x,y)、I_m(x,y)計算粒子集中粒子的M₀₀、M₁₀、M₀₁：