[發明專利]一種視頻序列圖像中的運動目標跟蹤方法

有效

• 申請號: 201510032727.2
• 申請日: 2015-01-22
• 公開（公告）號: CN104616318B
• 公開（公告）日: 2017-06-16
• 發明（設計）人: 瞿中;辛寧;文倩云;趙棟梁;喬高元
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/277
• 分類號: G06T7/277
• 代理公司: 重慶華科專利事務所50123
• 代理人: 康海燕

技術領域

本發明涉及計算機圖像處理技術，具體涉及對運動目標的跟蹤。

背景技術

隨著科技進步和社會發展，智能視頻監控技術已經在工農業生產、國防建設、商業、交通以及家庭安防等領域得到了廣泛的應用，作為傳輸與存儲的載體。

智能視頻監控序列圖像中的運動目標的視覺分析主要是對含有運動目標的視頻序列進行分析，包含運動目標檢測、運動目標跟蹤以及行為分析與判斷三個過程。

檢測與跟蹤的難點在于圖像是從三維空間到二維平面的投影，本身存在信息損失，而且運動目標并不是一個確定不變的信號，它在跟蹤的過程中會發生旋轉、放縮、位移等多種復雜的變化，同時背景圖像的嘈雜、目標自身的頻繁出現和消失、目標之間具有相似的外表、多目標的相互遮擋以及光照的突然變化等。這些是視頻目標跟蹤中經常遇到的難點，也是學者一直努力研究的熱點。

目前對視頻序列圖像中運動目標跟蹤的研究方法有很多種，比較有效的方法是Kalman濾波和粒子濾波跟蹤算法。

Kalman濾波理論是Kalman在1960年提出的一個濾波理論，該理論突破了經典的Wiener濾波理論所表現出來的局限性，將處理的信息當作狀態分量，通過把狀態模型引入最優濾波理論，用狀態方程描述系統的動態模型，利用觀測方程來提供系統的狀態測量信息，利用Hilbert空間中的映射理論解決最優狀態估計問題，Kalman濾波理論對具有高斯分布噪聲的線性特征系統可以得到系統狀態的遞歸最小均方估計，可以用來處理服從高斯分布的運動情況。

基于視頻序列圖像重要性采樣的蒙特卡洛方法早在20世紀50年代就被學者提出來應用于統計學里面，粒子濾波是一種基于蒙特卡洛方法和遞推貝葉斯估計的統計濾波方法，算法的基本思想是根據系統狀態向量的經驗條件分布在狀態空間利用一群帶權重的隨機樣本，及樣本粒子來表示系統的隨機后驗概率分布，根據測量不斷調整粒子的權重和位置，通過調整后的粒子信息修正最初的經驗條件分布。其實質使用由粒子及其權重組成的離散隨機測度近似相關的概率分布，并且根據算法遞推更新離散隨機測度。當樣本容量很大時，這種蒙特卡洛描述就近似于狀態變量真實的后驗概率密度函數。該技術適用于任何能用狀態空間模型表示的非高斯背景的非線性隨機系統，是一種很有效的非線性濾波技術，已經開始廣泛的應用于金融數據分析，運動目標跟蹤，計算機視覺等領域。

對于運動目標的跟蹤，現有技術通常采用如下技術方案實施。

(1)Kalman濾波

Kalman濾波的前提是系統為線性，噪聲呈高斯分布，后驗概率也是高斯型的。該算法是通過反饋來進行估計，首先濾波器要做出一個反應，然后接收一個帶有噪聲的反饋值。所以，Kalman濾波算法主要分為兩個主要階段，一個為時間更新(預測)，另一個為量測更新(修正)，整個算法的進程為這兩個過程的不斷迭代，預測即為通過當前狀態信息對下一個可能狀態進行估計，修正是對反饋的結果做處理，通過對觀測值和先驗估計進行合并得到后驗估計。

假設前一時刻k-1的后驗概率分布p(x_k-1|z_k-1)是高斯型的，則動態系統可以表示為：

其中，X_k-1為k-1時刻的狀態矢量，Φ_k,k-1為k-1到k時刻的一步狀態轉移矩陣，B_k-1是k-1時刻系統控制的作用矩陣，U_k-1是k-1時刻系統的確定性輸入，W_k-1是k-1時刻的系統噪聲矢量且為高斯型，其協方差為Q_k，Γ_k-1為系統噪聲作用矩陣，Y_k是k時刻的狀態觀測向量，H_k是k時刻的觀測矩陣，V_k是k時刻的觀測噪聲，其協方差為R_k。Kalman濾波方法要求W_k和V_k是互不相關的零均值白噪聲序列。

(2)粒子濾波

基于蒙特卡洛方法(Monte Carlo methods)的粒子濾波(Particle Filter)算法利用粒子集來表示概率，可用于任何形式的狀態空間模型。粒子濾波算法為順序重要性采樣算法(Sequential Importance Sampling)，該算法的基本思想是在系統狀態空間內生成大量的隨機采樣的樣本集合(稱之為樣本粒子)，當采樣粒子的數量達到一定程度，這時蒙特卡羅方法就可以近似的描述系統的后驗概率密度分布。

1)貝葉斯估計理論