低复杂度的尺度自适应视频目标跟踪方法专利检索-均值漂移过程视听技术与设备专利检索查询-专利查询网

低复杂度的尺度自适应视频目标跟踪方法

阅读：616发布：2021-01-01

专利汇可以提供低复杂度的尺度自适应视频目标跟踪方法专利检索，专利查询，专利分析的服务。并且一种视频智能监控技术领域的低复杂度的尺度自适应视频目标跟踪方法，包括：初始化粒子样本状态；对粒子样本，每一个采样点随机产生两种尺度因子，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储；根据样本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场；对每个样点建立重要性采样密度函数，从蒙特卡罗采样的概率角度与均值漂移方法结合，得到样本的更新状态，并在状态下更新权值，然后通过对采样点集合进行重采样，得到当前时刻目标最终状态的后验概率分布的离散估计。本发明提高目标尺度空间的跟踪准确度，降低了实时视频跟踪中的计算复杂度。，下面是低复杂度的尺度自适应视频目标跟踪方法专利的具体信息内容。

权利要求

1、一种低复杂度的尺度自适应视频目标跟踪方法，其特征在于，包括如下步骤：
步骤一，初始化粒子样本状态：通过检测确定目标的初始状态x0，同时计算目标的观测矢量，给定粒子采样点的数目N，并将所有采样点的初始状态向量均设为x0，且赋以统一的权值
步骤二，对步骤一的粒子样本，每一个采样点随机产生两种尺度因子，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储；
步骤三，根据步骤二中样本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场；
步骤四，对每个样点建立重要性采样密度函数，从蒙特卡罗采样的概率角度与步骤三中的均值漂移方法结合，得到样本的更新状态并在状态下更新权值然后通过对采样点集合进行重采样，得到当前时刻目标最终状态的后验概率分布的离散估计{xt i，wt i}i＝1 N。
2、根据权利要求1所述的低复杂度的尺度自适应视频目标跟踪方法，其特征是，所述计算样本二阶自回归中心点，具体为：
令当前采样点集合为{xt i，wt i}i＝1 N，对每个样点i＝1:N计算其二阶自回归中心
${\overset{\cdot}{x}}_{t}^{i} = {2 x}_{t - 1}^{i} - x_{t - 2}^{i}$
式中，xt i表示时刻t下第i个粒子的状态矢量。
3、根据权利要求1所述的低复杂度的尺度自适应视频目标跟踪方法，其特征是，所述对每一个采样点随机产生两种尺度因子，具体为：
对每个样点i＝1:N取均匀分布的随机变量u～U[0，1)，如果 $u < \frac{1}{2},$ 该样点的尺度因子ki取为k1，否则取为k2，k1＞1，k2＜1，分别表征了帧间目标尺度放大和缩小的变化特性，k1和k2在1附近取值。
4、根据权利要求1所述的低复杂度的尺度自适应视频目标跟踪方法，其特征是，所述根据步骤二中样本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场，具体如下：
①首先判断每个样点i＝1:N，如果i＝＝1或者在的邻域Ω外，首先执行②和③步骤，否则跳到④；
②设定参考状态 $x^{ref} \equiv (p^{ref}, s^{ref}) = {\overset{\cdot}{x}}_{t}^{i},$ 其中pref、sref分别为位置和尺度子状态，sref＝{lref，href}，lref，href分别描述了以pref为中心的目标矩形轮廓的长和高；置零阶矩累积量m00(xref，j＝0)初值为1，j＝0:I，参数I是均值漂移的最大收敛迭代次数；
③对j＝1:I作循环：
首先，计算均值漂移矢量Mr，g(xref)：
$M_{r, g} (x^{ref}) = \frac{Σ_{j = 1}^{M} p_{j} m (p_{j}) g ({| | \frac{p^{ref} - p_{j}}{r} | |}^{2})}{Σ_{j = 1}^{M} m (p_{j}) g ({| | \frac{p^{ref} - p_{j}}{r} | |}^{2})} - p^{ref}$
其中，{pj}j＝1.M是参考样本xref所在图像矩形区域覆盖的像素坐标，m(pj) 是位置pj的可能性权值，当观测矢量为颜色直方图时，由xref状态对应的目标颜色直方图与目标特征模板之间颜色区间的匹配程度求得，g(·)为一核函数，r 是用来归一化核函数包络的因子；
然后，更新参考样本的位置子状态：
pref＝pref+Mr，g(xref)
计算参考样本的零阶矩密度：
$m_{00} (x^{ref}) = \frac{M_{00} (x^{ref})}{256 \times l^{ref} \times h^{ref}}$
其中：M00(xref)是目标可能出现在状态xref所对应的矩形区域内的零阶矩，通过零阶矩密度对零阶矩累积量进行更新：
m00(xref，j)＝m00(xref，j-1)×m00(xref)
④将第i个采样点的均值漂移向量、零阶矩密度、零阶矩累积量直接由第 i-1个采样点处的相应信息分别进行赋值；
⑤得到零阶矩累积量 ${\overset{\cdot}{m}}_{00}^{i} = m_{00} (x^{ref}, I)$ 以及经过均值漂移优化和尺度自适应调整的新状态：
${\hat{x}}_{t}^{i} = {(p^{ref}, k^{iI} \cdot \sqrt{{\overset{\cdot}{m}}_{00}^{i}} \cdot {\overset{\cdot}{s}}_{t}^{i})}^{T}$
⑥存储均值漂移的终止位置 ${\overset{\cdot}{p}}^{i} = p^{ref}$ 和零阶矩累积量
5、根据权利要求1所述的复杂度的尺度自适应视频目标跟踪方法，其特征是，所述对每个样点建立重要性采样密度函数，具体为：
①把粒子集合随机地分为两组，其中第一组占总数的比例为α，第二组占总数的比例为1-α；
②第一组中粒子的状态按照二阶自回归模型进行转移，即在粒子当前状态基础上加上前一时刻的状态转移量以及一个遵从高斯分布的随机量，该高斯随机量与粒子状态具有相同的维度，均值为零，且方差∑D按照经验设定，或根据已知样本学习得到；
③对第二组的粒子状态进行采样时，把其中的粒子以等概率再随机分为A， B两小组，每小组的粒子采样过程分别遵从两种高斯分布进行，但两小组的高斯分布中心的位置分量均为粒子经均值漂移方法的收敛位置，其中：A小组高斯分布中心的尺度分量是选取尺度放大因子k1时自适应尺度方法的优化尺度，方差为叠加尺度放大修正量的二阶自回归模型协方差矩阵加上模拟自适应尺度均值漂移方法不确定性的协方差矩阵∑CAM；B小组高斯分布中心的尺度分量则为选取尺度缩小因子k2时自适应尺度方法的优化尺度，方差为叠加尺度缩小修正量的二阶自回归模型协方差矩阵加上模拟自适应尺度均值漂移方法不确定性的协方差矩阵∑CAM。
6、根据权利要求1所述的低复杂度的尺度自适应视频目标跟踪方法，其特征是，所述在状态下更新权值具体为：
${\overline{w}}_{t}^{i} = w_{t - 1}^{i} \frac{p (z_{t} | {\overline{x}}_{t}^{i}) p ({\overline{x}}_{t}^{i} | x_{0 : t - 1}^{i})}{Q ({\overline{x}}_{t}^{i} | x_{0 : t - 1}^{i}, z_{t})}$
其中，是在假设状态下目标的观测模型概率，采用颜色直方图与目标特征模板之间颜色区间的匹配程度求得；是目标的动态模型概率，这里采用二阶自回归模型；为重要性采样概率。
7、根据权利要求1所述的低复杂度的尺度自适应视频目标跟踪方法，其特征是，所述对采样点集合进行重采样，具体为：选取样本集合中权值大的采样点，并归一化所有样点的权值，得到当前时刻目标最终状态的后验概率分布的离散估计{xt i，wt i}i＝1...N。

说明书全文

技术领域

本发明涉及一种视频智能监控技术领域的方法，具体是一种低复杂度的尺度自适应视频目标跟踪方法。

背景技术

在计算机视觉领域的许多应用中，如智能监控、机器人视觉、人机交互界面，都需要对视频序列帧间运动目标进行跟踪。由于跟踪目标形态的多样性和目标运动的不确定性，如何实现各种环境下鲁棒的实时跟踪并随目标距离变化实现其可变尺度的可靠估计一直是研究的热点。序贯蒙特卡罗滤波方法是近年来使用广泛的跟踪方法，用目标在状态空间中的后验概率分布表示目标最可能出现的状态，如位置、大小等。与传统的卡尔曼滤波不同，该方法用一组离散采样点来近似真实的目标状态分布函数，所以也被称为粒子滤波。序贯蒙特卡罗滤波方法的优势在于其适用于非高斯非线性系统，但由于计算量较大，限制了其在实时系统中的应用。均值漂移是另一类常用的目标跟踪方法，其沿着目标状态概率函数的梯度方向局部迭代搜索图像中目标最可能具有的状态。1998 年，Bradski等人对基本的均值漂移方法进行改进，在搜索目标位置的同时用目标状态概率分布的高阶矩得到更加准确的目标尺度大小，即尺度自适应的均值漂移方法。这类方法运算速度快，但因为可能收敛于状态空间的局部最优点，在出现遮挡、相似背景物干扰等情况下容易发生目标跟踪丢失的现象。
基于序贯蒙特卡罗滤波和均值漂移方法的各自优势，Shan等人提出了嵌入均值漂移的粒子滤波方法。该方法对序贯蒙特卡罗滤波器中每一个采样点进行独立的均值漂移，使其更集中于局部最优值，从而提高了采样效率，降低了运算复杂度。
经对现有技术文献的检索发现，类似的方法在近年的工作中也曾被使用并有所改进，如2004年Koichiro等人在《第十七届模式识别国际会议》 (Proceedings of the 17th International Conference on Pattern Recognition)第三卷506到509页发表的“Object tracking by the mean-shift of regional color distribution combined with the particle-filter algorithm”(基于区域彩色分布的均值漂移与粒子滤波的目标跟踪方法)。在这种结合粒子滤波和均值漂移的方法中，对每个经过状态预测的粒子都进行了均值漂移的优化，使得到的采样点集合更靠近模式概率大的状态空间，从而提高了采样效率，降低了所需的粒子数目。另一方面，粒子滤波器的运算时间直接决定于粒子的数目，因此这种改进同时提高了跟踪器的速度。但是，这些改进还存在一些缺点：粒子过于集中而造成样本匮乏，以致序贯蒙特卡罗滤波的多样性被破坏。其根源在于这些工作中结合序贯蒙特卡罗滤波和均值漂移的方法过于简单，没有考虑嵌入均值漂移优化手段对原始序贯蒙特卡罗滤波框架的影响，主要表现为粒子状态空间呈现新的概率分布。所以从蒙特卡罗采样的概率角度提出完备的均值漂移结合方法，并使其在跟踪过程中随目标大小的变化有效降低目标尺度的估计误差，目前还是空白。

发明内容

本发明针对上述现有技术的不足，提出了一种低复杂度的尺度自适应视频目标跟踪方法，使其通过设计重要性采样函数将尺度自适应均值漂移方法直接融合到序贯蒙特卡罗滤波的概率体系，即均值漂移方法对采样点的优化作用体现在重要性采样函数中，保证了目标状态概率分布的估计是无偏的。
本发明是通过如下技术方案实现的，本发明包括如下步骤：
步骤一，初始化粒子样本状态：通过检测确定目标的初始状态x0，如位置和大小；同时计算目标的观测矢量，如颜色直方图，作为目标特征的参考模板；给定粒子采样点的数目N以描述目标状态向量的多样性，并将所有采样点的初始状态向量均设为x0，且赋以统一的权值
步骤二，对步骤一的粒子样本，每一个采样点随机产生两种不同的尺度因子，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储；
所述计算样本二阶自回归中心点，具体为：
令当前采样点集合为{xt i，wt i}i＝1...N，对每个样点i＝1:N计算其二阶自回归中心

{\overset{\cdot}{x}}_{t}^{i} = 2 x_{t - 1}^{i} - x_{t - 2}^{i} - - - (1)

式中，xt i表示时刻t下第i个粒子的状态矢量。
所述对每一个采样点随机产生两种不同的尺度因子，具体为：
对每个样点i＝1:N取均匀分布的随机变量u～U[0，1)，如果

u < \frac{1}{2},

该样点的尺度因子ki取为k1，否则取为k2，k1＞1，k2＜1，分别表征了帧间目标尺度放大和缩小的变化特性，因该变化函数大多情形下满足局部平滑性，k1和k2通常在1附近取值。
步骤三，根据步骤二中样本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场，具体如下：
①首先判断每个样点i＝1:N，如果i＝＝1或者在的邻域Ω外，首先执行②和③步骤，否则跳到④；
②设定参考状态

x^{ref} \equiv (p^{ref}, s^{ref}) = {\overset{\cdot}{x}}_{t}^{i},

其中pref、sref分别为位置和尺度子状态，sref＝{lref，href}，lref，href分别描述了以pref为中心的目标矩形轮廓的长和高；置零阶矩累积量m00(xref，j＝0)初值为1，j＝0:I，参数I是均值漂移的最大收敛迭代次数；
③对j＝1:I作循环：
首先，计算均值漂移矢量Mr，g(xref)：

M_{r, g} (x^{ref}) = \frac{Σ_{j = 1}^{M} p_{j} m (p_{j}) g ({| | \frac{p^{ref} - p_{j}}{r} | |}^{2})}{Σ_{j = 1}^{M} m (p_{j}) g ({| | \frac{p^{ref} - p_{j}}{r} | |}^{2})} - p^{ref} - - - (2)

其中，{pj}j＝1...M是参考样本xref所在图像矩形区域覆盖的像素坐标，m(pj) 是位置pj的可能性权值，当观测矢量为颜色直方图时，由xref状态对应的目标颜色直方图与目标特征模板之间颜色区间的匹配程度求得，g(·)为一核函数，r 是用来归一化核函数包络的因子；
然后，更新参考样本的位置子状态：
pref＝pref+Mr，g(xref) (3)
计算参考样本的零阶矩密度：

m_{00} (x^{ref}) = \frac{M_{00} (x^{ref})}{256 \times l^{ref} \times h^{ref}} - - - (4)

其中：M00(xref)是目标可能出现在状态xref所对应的矩形区域内的零阶矩，通过零阶矩密度对零阶矩累积量进行更新：
m00(xref，j)＝m00(xref，j-1)×m00(xref) (5)
④将第i个采样点的均值漂移向量、零阶矩密度、零阶矩累积量直接由第 i-1个采样点处的相应信息分别进行赋值；
⑤得到零阶矩累积量

{\overset{\cdot}{m}}_{00}^{i} = m_{00} (x^{ref}, I)

以及经过均值漂移优化和尺度自适应调整的新状态：

{\hat{x}}_{t}^{i} = {(p^{ref}, k^{iI} \cdot \sqrt{{\overset{\cdot}{m}}_{00}^{i}} \cdot {\overset{\cdot}{s}}_{t}^{i})}^{T} - - - (6)

⑥存储均值漂移的终止位置

{\overset{\cdot}{p}}^{i} = p^{ref}

和零阶矩累积量
步骤四，首先对每个样点建立重要性采样密度函数，从蒙特卡罗采样的概率角度与步骤三中的均值漂移方法结合，得到样本的更新状态并在状态下更新权值然后通过对采样点集合进行重采样，得到当前时刻目标最终状态的后验概率分布的离散估计{xt i，wt i}i＝1..N。
所述对每个样点建立重要性采样密度函数，具体为：
①把粒子集合随机地分为两组，其中第一组占总数的比例为α，第二组占总数的比例为1-α；
②第一组中粒子的状态按照二阶自回归模型进行转移，即在粒子当前状态基础上加上前一时刻的状态转移量以及一个遵从高斯分布的随机量，该高斯随机量与粒子状态具有相同的维度，均值为零，且方差∑D可按照经验设定，或根据已知样本学习得到；
③对第二组的粒子状态进行采样时，把其中的粒子以等概率再随机分为A， B两小组，每小组的粒子采样过程分别遵从两种高斯分布进行，但两小组的高斯分布中心的位置分量均为粒子经均值漂移方法的收敛位置，其中，A小组高斯分布中心的尺度分量是选取尺度放大因子k1时自适应尺度方法的优化尺度；方差为叠加尺度放大修正量的二阶自回归模型协方差矩阵加上模拟自适应尺度均值漂移方法不确定性的协方差矩阵∑CAM；B小组高斯分布中心的尺度分量则为选取尺度缩小因子k2时自适应尺度方法的优化尺度；方差为叠加尺度缩小修正量的二阶自回归模型协方差矩阵加上模拟自适应尺度均值漂移方法不确定性的协方差矩阵∑CAM。
所述重要性采样密度函数，具体如下：

Q ({\overline{x}}_{t}^{i} | x_{0 : t - 1}^{i}, z_{t}) = α \cdot N ({\overline{x}}_{t}^{i}; {2 x_{t - 1}^{i} - x}_{t - 2}^{i}, Σ_{D}) + (1 - α) \cdot

{\frac{1}{2} N ({\overline{x}}_{t}^{i}; {({\overset{\cdot}{p}}^{i}, k_{1}^{I} \sqrt{{\overset{\cdot}{m}}_{00}^{i}} \cdot ({2 s}_{t - 1}^{i} - s_{t - 2}^{i}))}^{T}, diag (0,0, k_{1}^{2 I} {\overset{\cdot}{m}}_{00}^{i}, k_{1}^{2 I} {\overset{\cdot}{m}}_{00}^{i}) \times Σ_{D} + Σ_{CAM}) - - - (7)

+ \frac{1}{2} N ({\overline{x}}_{t}^{i}; {({\overset{\cdot}{p}}^{i}, k_{2}^{I} \sqrt{{\overset{\cdot}{m}}_{00}^{i}} \cdot ({2 s}_{t - 1}^{i} - s_{t - 2}^{i}))}^{T}, diag (0,0, k_{2}^{2 I} {\overset{\cdot}{m}}_{00}^{i}, k_{2}^{2 I} {\overset{\cdot}{m}}_{00}^{i}) \times Σ_{D} + Σ_{CAM})}

其中，各参数的物理意义为：i＝{1，2，...，N}，N表示粒子采样点的个数；xt i 表示时刻t下第i个粒子的状态矢量，仅考虑位置子状态pi和尺度子状态st i的情形下，

x_{t}^{i} = (p^{i}, s_{t}^{i});

{\overline{w}}_{t}^{i} = w_{t - 1}^{i} \frac{p (z_{t} | {\overline{x}}_{t}^{i}) p ({\overline{x}}_{t}^{i} | x_{0 : t - 1}^{i})}{Q ({\overline{x}}_{t}^{i} | x_{0 : t - 1}^{i}, z_{t})} - - - (8)

其中，是在假设状态下目标的观测模型概率，可采用颜色直方图与目标特征模板之间颜色区间的匹配程度求得；是目标的动态模型概率，这里采用二阶自回归模型；为重要性采样概率。
所述对采样点集合进行重采样，具体为：选取样本集合中权值大的采样点，并归一化所有样点的权值，得到当前时刻目标最终状态的后验概率分布的离散估计{xt i，wt i}i＝1...N。
本发明的原理是，序贯蒙特卡罗滤波时间复杂度较高，因此在重要性采样函数中引入尺度自适应均值漂移在目标位置和尺度上的优化，以提高采样效率，使目标后验概率的近似更加准确。为进一步降低复杂度，在计算样本集合的中间状态空间时，对采样样本的均值漂移参数做了局部一致处理，即认为一个邻域内样本经均值漂移优化后会收敛到同一局部最优点。其中，样本以一定概率被选择作均值漂移，避免了所有样本集中在局部模式最大点处，保证了样本状态的多样性。同时，对样本随机采用两种不同的尺度调整因子，分别对目标假设区域缩小和放大，通过序贯蒙特卡罗滤波的权值计算和重采样机制自动地选取最佳尺度，解决了单一尺度自适应均值漂移方法不够准确和普适的缺点。
与现有技术相比，本发明提出了设计统一的重要性采样函数，从蒙特卡罗采样的概率角度提出了完备的均值漂移结合方法，利用邻域状态一致收敛特性降低了均值漂移优化的计算复杂度；仅对部分样本进行均值漂移，避免了样本匮乏问题；状态收敛过程中多尺度调整因子的选取克服了尺度估计不够准确和普适的问题。针对基本的目标跟踪方法——序贯蒙特卡罗滤波和均值漂移，在相同的实验条件下，本发明能更准确地估计目标的尺度大小，更鲁棒地处理目标遮挡等跟踪难题，有效地降低跟踪方法的运算时间。
附图说明
图1是本发明跟踪方法的工作流程图；
图2是现有技术中普通的嵌入均值漂移的序贯蒙特卡罗滤波方法在目标尺度发生变化下自适应调整尺度子状态的跟踪效果图；
图3是现有技术中尺度自适应均值漂移方法在目标尺度发生变化下自适应调整尺度子状态的跟踪效果图；
图4是本发明在目标尺度发生变化下自适应调整尺度子状态的跟踪效果图；
图5是本发明实施例和嵌入均值漂移序贯蒙特卡罗滤波跟踪方法在计算时间上的对比结果。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。
本实施例中对某“足球运动员”视频序列进行目标跟踪。设计参数设置为：粒子总数N＝50；尺度调整因子k1＝1.2，k2＝0.9；对于内嵌的均值漂移优化，其迭代次数I＝2，发生概率α＝0.5，一致收敛邻域定义为

Ω ({\overset{\cdot}{x}}_{t}^{i}) = {x | {| | x - {\overset{\cdot}{x}}_{t}^{i} | |}_{2} < 2},

状态优化产生的误差方差约为∑CAM＝diag{0.25，0.25， 2×10-4，2×10-4}，序贯蒙特卡罗滤波对状态估计产生的误差方差约为 ∑D＝diag{1.0，0.25，(5，4；4，5)×10-4}。
如图1所示，本实施例包括如下步骤：
步骤一，初始化粒子样本状态：在序列的第一帧，通过自动目标检测方法确定目标的质心位置、长和宽，从而建立目标的初始状态向量x0，并将所有采样点的初始状态向量均设为x0，且赋以相同的权值

\frac{1}{N} = 0.02 .

同时，计算目标的观测矢量，如颜色直方图，作为目标特征的参考模板；
步骤二，对每一个采样点随机产生两种不同的尺度因子，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储；从第二帧开始，以前一帧采样点的状态分布和当前帧图像的观测矢量递归地求取当前帧目标的后验概率采样分布，具体如下：
①对1～50个采样点按照式(1)得到各自的二阶自回归中心，这些数据作为均值漂移的中心点都存放在数组中；
②对每一个样点i＝1:N取均匀分布的随机变量u～U[0，1)，如果

u < \frac{1}{2},

该样点的尺度因子ki取为k1＝1.2，否则取为k2＝0.9，它们分别表征了帧间目标尺度放大和缩小的变化特性；
步骤三，根据样本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场，具体如下：
①对第1个采样点的二阶自回归中心按照公式(2)-(5)依次算出该点状态的均值漂移向量、漂移后的采样点位置子状态、零阶矩密度、零阶矩累积量，如此迭代计算2次；
②按照公式(6)得到第1个采样点经过均值漂移和尺度自适应调整的新状态，并存储新状态下第一个采样点的终止位置和零阶矩累积量；
③对第i个采样点(i＝{2，3，…N})，如果其状态向量中的位置子状态和前一个采样点的位置子状态之间的欧氏距离大于2，那么执行第④步；否则跳到第⑤ 步；
④对第i个采样点的二阶自回归中心按照公式(2)-(5)依次算出该点处的均值漂移向量、零阶矩密度、零阶矩累积量，如此迭代计算2次；
⑤第i个采样点的均值漂移向量、零阶矩密度、零阶矩累积量直接由第 i-1个采样点处的相应信息分别进行赋值；
⑥按照公式(6)得到第i个采样点经过均值漂移和尺度自适应调整的新状态，并存储新状态下第i个采样点的终止位置和零阶矩累积量。
⑦重复执行第③-④步，直至50个采样点都已被处理。
步骤四，首先对每个样点建立重要性采样密度函数，从蒙特卡罗采样的概率角度与均值漂移方法结合，得到样本的更新状态并在状态下更新权值然后通过对采样点集合进行重采样，得到当前时刻目标最终状态的后验概率分布的离散估计{xt i，wt i}i＝1..N，具体如下：
①建立重要性采样函数，得到新的样点集合

{{\overline{x}}_{t}^{i}, i = {1,2, . . ., 50},

重要性采样函数具体如下：

Q ({\overline{x}}_{t}^{i} | x_{0 : t - 1}^{i}, z_{t}) = α \cdot N ({\overline{x}}_{t}^{i}; {2 x}_{t - 1}^{i} - x_{t - 2}^{i}, Σ_{D}) + (1 - α) \cdot

{\frac{1}{2} N ({\overline{x}}_{t}^{i}; {({\overset{\cdot}{p}}^{i}, k_{1}^{I} \sqrt{{\overset{\cdot}{m}}_{00}^{i}} \cdot ({2 s}_{t - 1}^{i} - s_{t - 2}^{i}))}^{T}, diag (0,0, k_{1}^{2 I} {\overset{\cdot}{m}}_{00}^{i}, k_{1}^{2 I} {\overset{\cdot}{m}}_{00}^{i}) \times Σ_{D} + Σ_{CAM}) - - - (7)

+ \frac{1}{2} N ({\overline{x}}_{t}^{i}; {({\overset{\cdot}{p}}^{i}, k_{2}^{I} \sqrt{{\overset{\cdot}{m}}_{00}^{i}} \cdot ({2 s}_{t - 1}^{i} - s_{t - 2}^{i}))}^{T}, diag (0,0, k_{2}^{2 I} {\overset{\cdot}{m}}_{00}^{i}, k_{2}^{2 I} {\overset{\cdot}{m}}_{00}^{i}) \times Σ_{D} + Σ_{CAM})}

x_{t}^{i} = (p^{i}, s_{t}^{i});

表示xt i重采样之前的中间状态；zt表示时刻t下的观测矢量；第i个粒子经均值漂移优化后位置的中间状态为而表示该中间状态下的零阶矩累积量；参数I是内嵌的尺度自适应均值漂移的迭代次数；α是采样粒子状态被均值漂移优化的概率；N(·)表示高斯分布函数；∑D与∑CAM分别表示序贯蒙特卡罗滤波二阶自回归状态转移模型和尺度自适应均值漂移的状态转移模型对目标状态预测带来的预测误差的方差；内嵌的尺度自适应均值漂移方法在估计尺度子状态时产生的误差由两种尺度调整因子k1和k2进行最佳选择性补偿；T表示矩阵转置符。
②用公式(8)更新每一个新采样点的权值，得到
③对50个采样点的最新权值进行归一化，得到{wt i}i＝1...N；
④对第i(i＝{1，2，…N})个采样点进行重采样，即通过复制或删除使该状态的采样点在样本集合中的数目为表示取整操作；
⑤如果此时样本集合中的采样点总数小于50，那么复制权值最大的那个采样点，直至采样点总数等于50，得到样本的最终状态集合{xt i}i＝1..N。
实施效果
依据上述步骤，对多个CIF格式(352×288像素)、25fps的测试序列进行目标跟踪，每个序列的长度在200-2000帧不等，所跟踪的目标大小范围为 100-1000个像素。
如图4所示为采用本实施例得到的某“足球运动员”序列的跟踪结果，目标用方框标示。与嵌入均值漂移的序贯蒙特卡罗滤波(如图2所示)和尺度自适应均值漂移(如图3所示)相比，本实施例方法能很好地跟踪目标的位置变化，更能准确地捕捉目标尺度由大变小的过程。其中，图2，图3和图4中的子图(a)-(f)按照时间顺序刻画了目标的位置和大小变化。
如图5给出的本实施例的运算时间分析中，分别对四个视频序列用本实施例方法(CAMSGPF曲线)和现有的结合尺度自适应均值漂移的序贯蒙特卡罗滤波方法(MSEPF曲线)进行测试。图(a)表示“越野车”序列中本发明的方法花费在每个粒子上的平均时间为0.138ms，比现有方法快23.63％；图(b)表示 “冰球”序列中本发明的方法花费在每个粒子上的平均时间为0.043ms，比现有方法快30.03％；图(c)表示“公路车”序列中本发明的方法花费在每个粒子上的平均时间为0.038ms，比现有方法快45.49％；图(d)表示“足球运动员” 序列中本发明的方法花费在每个粒子上的平均时间为0.239ms，比现有方法快 34.47％。可见本实施例方法(CAMSGPF曲线)能够在40ms以内完成一帧的运算任务，比现有的结合尺度自适应均值漂移的序贯蒙特卡罗滤波方法(MSEPF曲线) 的速度提高约30％-40％。

标题	发布/更新时间	阅读量
一种面向无人船组合导航信息融合的多尺度数据分块算法	2020-05-11	374
一种基于海洋环境噪声的声学监测系统及方法	2020-05-15	270
一种基于滤波最优平滑确定故障首达时刻的故障诊断方法	2020-05-16	371
一种基于遗传算法的视觉惯性组合的SLAM方法	2020-05-16	526
一种基于ECSA的高斯过程回归的4-NP还原催化剂建模预测方法	2020-05-13	501
一种基于异构能量获取的多用户多任务移动边缘计算节能方法	2020-05-15	153
性能退化产品可靠度置信区间估计数值仿真方法	2020-05-12	535
一种多MEMS传感器组合测姿方法	2020-05-14	393
一种CTA图像冠脉狭窄检测的方法及装置	2020-05-12	416
胎儿心电信号实时转换为胎儿胎音的计算机仿真转换方法	2020-05-14	117

低复杂度的尺度自适应视频目标跟踪方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：