CN101408983A - 基于粒子滤波和活动轮廓模型的多目标跟踪方法 - Google Patents

Abstract

基于粒子滤波和活动轮廓模型的多目标跟踪方法在整个跟踪过程中充分利用GVF－Snake模型目标轮廓大部分没有被遮挡的轮廓点信息，有效克服跟踪过程中遮挡等复杂环境的影响，在获取了目标初始轮廓后，利用改进的梯度矢量流－参数活动轮廓模型，使参数活动轮廓模型收敛至运动目标的真实轮廓，并根据控制点的距离自适应地增删控制点；然后通过结合粒子滤波，使用改进的K均值聚类算法和能量粒子滤波对多目标进行跟踪，并使用目标被遮挡时的跟踪策略，克服跟踪过程中遮挡的影响。

Description

基于粒子滤波和活动轮廓模型的多目标跟踪方法

技术领域

本发明特别涉及粒子滤波及梯度矢量流-参数活动轮廓模型进行多目标跟踪的方法，属于图像处理与模式识别技术领域。

背景技术

多目标跟踪一直是目标跟踪领域的研究难点，特别是在复杂环境下对刚性和非刚性目标的跟踪。近年来，对视频图像的运动目标跟踪方法的研究很多，尤其在以活动轮廓和智能交通为背景的目标跟踪方面涌现出许多有现实意义的方法。轮廓信息具有较鲁棒的不变性，对光照变化不敏感，而且目标在运动过程中，在边缘走向上对误差不敏感。基于活动轮廓的跟踪算法利用封闭的曲线轮廓来表示被跟踪目标，且该轮廓可以自适应更新以实现对被跟踪目标的连续跟踪。

活动轮廓模型可分为参数活动轮廓模型和几何活动轮廓模型，在图像分析和计算机视觉等领域得到越来越广泛的应用。基于活动轮廓模型的目标跟踪算法可分为两类：

1.基于参数活动轮廓模型和卡尔曼滤波的的目标跟踪算法，在复杂环境下对运动和变形目标进行跟踪。该类算法在初始轮廓获取不好的情况下很难正确收敛，此时跟踪效果较差。

2.基于粒子滤波和水平集的方法分割几何活动轮廓模型的的目标跟踪算法，在复杂环境下对运动和变形目标进行跟踪，取得了一定效果。但该算法存在算法复杂，计算量大等缺点，不适于实时实现。

在多目标跟踪方面，国外一些学者提出将基于联合概率数据关联(JPDA)的数据关联技术嵌入到粒子滤波器对多目标进行跟踪，该算法计算量大，且不能较好处理多目标之间的相互遮挡等问题；也有人利用K均值聚类算法和粒子滤波跟踪多个运动目标，该算法对复杂环境的抗干扰能力较差，跟踪的鲁棒性有待提高。现有算法均不能较好解决多目标跟踪问题。

发明内容

技术问题：本发明的目的是提出基于粒子滤波和梯度矢量流-参数活动轮廓模型的多目标跟踪方法。并提出了改进的聚类方法(K均值聚类)和能量粒子滤波(EPF)对多目标进行跟踪。本发明提出的目标被遮挡时的跟踪策略，在整个跟踪过程中充分利用GVF-Snake模型目标轮廓大部分没有被遮挡的轮廓点信息，有效克服跟踪过程中遮挡等复杂环境的影响。

技术方案：本发明的基于粒子滤波和活动轮廓模型的多目标跟踪方法为，在获取了目标初始轮廓后，利用改进的梯度矢量流-参数活动轮廓模型，使参数活动轮廓模型收敛至运动目标的真实轮廓，并根据控制点的距离自适应地增删控制点；然后通过结合粒子滤波，使用改进的K均值聚类算法和能量粒子滤波对多目标进行跟踪，并使用目标被遮挡时的跟踪策略，克服跟踪过程中遮挡的影响。

所述改进的梯度矢量流-参数活动轮廓模型，以参数活动轮廓模型上各蛇点组成的多边形重心为控制中心，控制能量选为蛇点到重心距离的绝对值，即

E_ctrl(v_j)＝π_j|v_j-C|

$C=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{v}_j$

式中π_j为控制系数，v_j为第j个蛇点坐标位置，C为重心，N＝1，2，3…。

所述根据控制点的距离增删控制点，采用自适应的增删点算法。其增删点原则为：①若|v_j-v_j-1|²过大则应在v_j与v_j-1中间增加一个新的蛇点；②若|v_j-1-2v_j+v_j+1|²过大则应在v_j与v_j-1或v_j+1中间增加蛇点；③若|v_j-1-2v_j+v_j+1|²、|v_j-v_j-1|²及|v_j+1-v_j|²都较小则删除中间蛇点v_j。

所述结合粒子滤波，使用改进的K均值聚类算法和能量粒子滤波对多目标进行跟踪方法为：

改进的K均值聚类算法如下：

1)为了适应处理初始数目未知的m个待跟踪目标，以及跟踪过程中新目标的出现，旧目标的消失等问题，将待跟踪目标初始化为m个独立的参数活动轮廓模型Snake轮廓，依据K均值聚类算法计算各参数活动轮廓模型Snake蛇点聚类形心C_m，并根据聚类结果对其进行类别标注。

2)为了最小化算法的运行时间，各蛇点的聚类形心C_m的预测过程包含在算法的初始阶段。有了这个信息，各参数活动轮廓模型Snake蛇点聚类形心C_m开始寻找在它们预测值C_{0，1：m，k}＝C_{1：m，k/k-1}附近的形心。形心的估计值C_{1：m，k/k-1}与聚类过程结束时的最终值C_1：m，k进行比较，由此获得相应的聚类形心C_m验证过程的置信度，其中k＝1，2，3，...；

所使用的能量粒子滤波目标跟踪算法，即通过定义轮廓距离观测密度函数和轮廓能量观测密度函数，由此得到能量粒子滤波目标跟踪算法。

所述目标被遮挡时的跟踪策略，即目标轮廓矩形窗算法，实现对被遮挡目标轮廓的跟踪处理；在准确获取被跟踪目标轮廓的基础上，直接从目标轮廓图像中提取长度、宽度参数，由图像矩阵f(i，j)循环计算出最上、下、左和右边的目标轮廓点，记录取得的坐标，得到长度为M，宽度为N的M×N目标轮廓矩形窗的分布数据；当目标被部分遮挡时，根据被遮挡目标轮廓的位置信息，将目标相应的被遮挡部分值赋为无效，即除去遮挡时的伪轮廓点。

有益效果：本发明提出基于粒子滤波及梯度矢量流-参数活动轮廓模型进行多目标跟踪的方法。近年来，基于粒子滤波的目标跟踪算法已经成为目标跟踪领域的研究热点，同时也是自适应非线形滤波领域的研究难点。而结合粒子滤波目标跟踪算法和参数活动轮廓模型，对多目标进行跟踪，据我们所知，目前国内外还没有这方面的研究成果。

本发明首先通过研究GVF-Snake活动轮廓模型，提出了改进的GVF-Snake算法，利用GVF-Snake特有的强大搜索能力，使Snake收敛至运动目标的真实轮廓。针对目标视频流在复杂环境下跟踪的特殊性，通过自适应地增删控制点，以适应目标大小变化(刚性变形)、阴影(非刚性变形)以及目标被遮挡等情况。

基于粒子滤波在非线性非高斯情况下具有较鲁棒的跟踪效果，本发明提出了一种新的结合粒子滤波和改进的GVF-Snake活动轮廓模型的自适应非线形滤波算法，能量粒子滤波(EPF)目标跟踪算法，对运动和变形目标进行跟踪。并提出了改进的K均值聚类算法和能量粒子滤波(EPF)对多目标进行跟踪，有效处理在复杂环境下的多目标跟踪问题。

本发明提出的目标被遮挡时的跟踪策略，在整个跟踪过程中充分利用GVF-Snake模型目标轮廓大部分没有被遮挡的轮廓点信息，有效处理被跟踪目标在长时间遮挡情况下的跟踪问题。

附图说明

图1为多目标跟踪算法流程，图2为目标1轮廓矩形窗的图象分割，图3为目标2轮廓矩形窗的图象分割。

具体实施方式

本发明首先采用背景差分法获取目标初始轮廓，通过改进的GVF-Snake模型，利用GVF-Snake特有的强大搜索能力，使Snake收敛至运动目标的真实轮廓。针对目标视频流在复杂环境下跟踪的特殊性，通过自适应地增删控制点，以适应目标大小变化，从而可以在复杂环境下，达到快速可靠地跟踪运动和变形目标的目的。

1.基于GVF-Snake的目标模型

在摄像机静止的条件下，本发明采用背景差分法获取目标初始轮廓。在获取了初始轮廓之后，我们应用GVF-Snake算法使其收敛得到目标的收敛轮廓。为准确快速地进行收敛，在传统的GVF-Snake模型基础上结合目标视频流的特点，提出了针对变形目标跟踪的GVF-Snake模型的改进算法。

以Snake上各蛇点组成的多边形重心为控制中心，控制能量选为蛇点到重心距离的绝对值，即

E_ctrl(v_j)＝π_j|v_j-C|

$C=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{v}_j---\left(1\right)$

式中π_j为控制系数，v_j为第j个蛇点坐标位置，C为重心。改变控制系数的符号，可以改变Snake曲线的运动方向，这对初始轮廓由于光线变化及阴影影响而获取不好的情况下仍能进行较好的收敛起着重要作用。考虑交通视频的特点，本文算法结合上述背景建模法判断当前蛇点是否为目标点，进而判断控制系数的符号正负。若判断当前蛇点为前景点，则将该点的控制能量系数设为负，从而使该点向外膨胀运动；反之当前蛇点为背景点，则将该点的控制能量系数设为正，从而使该点向内收缩运动。其公式如下：

由此得到Snake能量函数的完整公式：

E_snake＝E_int+E_ert+E_ctrl    (3)

为适应目标的变形以及目标被遮挡等影响，蛇点的数目应能自适应地增加或减少，本文算法采用自适应的增删点算法。其增删点原则为：①若|v_j-v_j-1|²过大则应在v_j与v_j-1中间增加一个新的蛇点；②若|v_j-1-2v_j+v_j+1|²过大则应在v_j与v_j-1或v_j+1中间增加蛇点；③若|v_j-1-2v_j+v_j+1|²、|v_j-v_j-1|²及|v_j+1-v_j|²都较小则删除中间蛇点v_j。

2.基于能量粒子滤波(EPF)的目标跟踪算法

为了对运动目标进行跟踪，使Snake快速收敛至运动目标的真实轮廓，可根据Snake轮廓沿着时间、空间轴位移和变形的连续性，从已跟踪的目标真实轮廓中分析出目标轮廓的变化趋势，从而预测出下一帧图像中目标轮廓的位置和形状，以此作为目标在下一帧的初始轮廓。基于粒子滤波的目标跟踪算法是通过回归的两步标准估计过程(预测-校正)，即系统状态转移和观测模型方程，对运动和变形目标进行跟踪。通过结合改进的GVF-Snake活动轮廓模型，得到一种新的能量粒子滤波(EPF)目标跟踪算法，并提出了目标被遮挡时的跟踪策略。

下面分别讨论从系统状态转移和观测模型方程，建立粒子滤波目标跟踪算法，以及目标被遮挡时的跟踪策略。

2.1系统状态转移和观测模型

目标的先验知识是轮廓描述，用Snake活动轮廓模型表示，也就是已知目标轮廓上的若干控制蛇点的坐标位置。由于曲线是通过控制蛇点信息拟合出的，显然控制蛇点应尽量位于目标轮廓转折较大的位置。取蛇点数j＝1，...，N，粒子数为i＝1，...，N_s，其权值ω_i，初始权值为1/N_s，每个粒子代表目标的一个可能状态，它们的初始值人为给定。

目标轮廓的变化可以归结为平移和变形，把轮廓的平移和变形看成控制点在一定速度和加速度下的运动，根据动态系统的理论，系统状态转移方程可采用二阶ARP模型，即

$x_{k,j}^i={\mathrm{Ax}}_{k-2,j}^i+{\mathrm{Bx}}_{k-1,j}^i+{\mathrm{Cu}}_{k-1,j}^i---\left(4\right)$

其中u_k-1，j ⁱ为系统的随机噪声。各个粒子进行状态转移后就可以对其进行系统观测，系统观测就是观察每个粒子所代表的目标可能轮廓和目标真实轮廓之间的相似程度，接近目标真实轮廓的粒子赋予较大的权值，反之权值较小。

可以通过计算轮廓法向位置的梯度来反映这种相似程度。对活动轮廓曲线的j＝1，...，N个蛇点，在各点位置做一条法线，计算法线上各个像素点的梯度值GR_j。由于目标真实轮廓处的梯度值一般都是较大的，因此可以比较所求得的轮廓点与该点法线上的梯度最大值点之间的距离DIS_j，也就是说，距离大的表示所求得的轮廓和目标真实轮廓之间差距较大；反之，距离小的表示所求得的轮廓和目标真实轮廓之间差距较小。根据这个相似程度就可以确定各粒子的权值，此时DIS_j也可以认为代表了轮廓相关值。

通过观测数据z_k，系统状态x_k，定义轮廓距离观测密度函数为：

$p(z_k/x_k^{\left(i\right)})\∝\exp \left(\frac{-{\mathrm{DIS}}^{\left(i\right)2}}{{{\mathrm{\σ}}_d}^2}\right)---\left(5\right)$

其中，σ_d为轮廓距离方差参数，表示对轮廓距离相关值进行高斯调制。由于控制目标轮廓变形的能量E_snake是与梯度值成反比的，即目标真实轮廓处的梯度值越大，E_snake越小，可进一步定义轮廓能量观测密度函数p(z_k|x_k ⁽ⁱ⁾)为：

$p(z_k/x_k^{\left(i\right)})\∝\exp \left(\frac{-E_{\mathrm{snake}}^{\left(i\right)}}{{{\mathrm{\σ}}_s}^2}\right)---\left(6\right)$

其中，σ_s为轮廓能量方差参数，表示对轮廓能量相关值进行高斯调制。综合上述讨论，可将权值进一步推导得到下式：

${\mathrm{\ω}}_{k,j}^{\left(i\right)}={\mathrm{\ω}}_{k-1,j}^{\left(i\right)}p(z_k/x_k^{\left(i\right)})\∝{\mathrm{\ω}}_{k-1,j}^{\left(i\right)}\exp \left(\frac{-E_{\mathrm{snake}}^{\left(i\right)}}{{{\mathrm{\σ}}_s}^2}\right)\exp \left(\frac{{-\mathrm{DIS}}^{\left(i\right)2}}{{{\mathrm{\σ}}_d}^2}\right)---\left(7\right)$

可将轮廓距离和轮廓能量归一化，这样系统观测概率密度函数重新定义为：

$p\left(z_k\right|x_k^{\left(i\right)})\∝{\mathrm{\λ}}_1\left(\frac{e^{\frac{-E_{\mathrm{snake}}^{\left(i\right)}}{{{\mathrm{\σ}}_s}^2}}}{{\mathrm{\Σ}}_{i=1}^{N_S}{e}^{\frac{-E_{\mathrm{snake}}^{\left(i\right)}}{{{\mathrm{\σ}}_s}^2}}}\right)+{\mathrm{\λ}}_2(1-\frac{{\mathrm{DIS}}^{\left(i\right)2}}{{\mathrm{\Σ}}_{i=1}^{N_s}{\mathrm{DIS}}^{\left(i\right)2}})---\left(8\right)$

上式为能量粒子滤波(EPF)方程，其中λ₁+λ₂＝1。E_snake和DIS_j值越大，不相似程度就越高。这样各粒子的权值仍由式 ${\mathrm{\ω}}_k^{\left(i\right)}={\mathrm{\ω}}_{k-1}^{\left(i\right)}p\left(z_k\right|x_k^{\left(i\right)})$ 进行递推计算。

2.2基于改进的K均值聚类多目标跟踪算法

为了解决多目标跟踪及多目标跟踪过程中的新目标的出现，旧目标的消失，以及目标跟踪过程中相互间的遮挡等问题，我们提出了基于改进的K均值聚类多目标跟踪算法。本文多目标跟踪算法流程见附图1。

设视场中的所有已编号目标记为集合object_m表示编号为m的目标；对应的覆盖区域记为集合snake_m表示object_m的Snake收敛轮廓所包围的区域；对每帧图像进行目标分割并与集合ψ比较，若某个目标与集合ψ中某个区域近似相同，则该目标是已存在目标，若无对应区域则该目标应为新进入视场的目标，对其编号加入集合，并获得其初始轮廓。

2.2.1改进的K均值聚类算法(K-means)

K均值聚类算法^[9]的基本思想是：首先选取K个点作为初始聚类中心，然后计算各个数据对象到各聚类中心的距离，把数据对象归到离它最近的那个聚类中心所在的类；对调整后的新类计算新的聚类中心，通过反复迭代运算，逐步降低目标函数的误差值；当目标函数值收敛时，得到最终聚类结果。

对标准的K均值聚类算法功能的主要改进如下：

(1)为了适应处理初始数目未知的m个待跟踪目标，以及跟踪过程中新目标的出现，旧目标的消失等问题，将待跟踪目标初始化为m个独立的Snake轮廓，依据K均值聚类算法计算各Snake蛇点聚类形心C_m，并根据聚类结果对其进行类别标注。

(2)为了最小化算法的运行时间，各Snake蛇点的聚类形心C_m的预测过程包含在算法的初始阶段。有了这个信息，各Snake蛇点聚类形心C_m开始寻找在它们预测值C_{0，1：m，k}＝C_{1：m，k/k-1}附近的形心。形心的估计值C_{1：m，k/k-1}与聚类过程结束时的最终值C_1：m，k进行比较，由此获得相应的聚类形心C_m验证过程的置信度。

2.2.2改进的能量粒子滤波算法

聚类算法构建了代表场景中所有物体的聚类测量集合，这些聚类巧妙地用在多个粒子滤波器中，两个步骤包含在标准粒子滤波器中用于实现多目标跟踪。

(1)重新初始化：

标准的粒子滤波过程不能估计新进入视场的待跟踪目标，因为在重采样阶段没有对新进入视场目标的量测。为解决这个问题，可将重新初始化引入到标准的粒子滤波过程中。在重新初始化阶段，将代表新进入视场的目标Snake蛇点的新粒子嵌入到标准的粒子滤波器中。

(2)重要性采样：

为跟踪多目标和新进入视场的待跟踪目标，我们采用多个粒子滤波器分别跟踪每个目标Snake蛇点簇。在重要性采样阶段，每个粒子权重通过计算相应的每个目标Snake蛇点簇的蛇点的置信度分别获得。

2.3目标被遮挡时的跟踪策略

当运动目标被其它物体部分遮挡，以及运动目标间相互遮挡时，部分特征由于遮挡而消失，目标轮廓边缘无法准确定位，由于被遮挡区域的影响跟踪精度很低。本文在基于改进的K均值能量粒子滤波(EPF)的鲁棒性跟踪算法基础上，又提出了一种目标轮廓矩形窗算法和轮廓遮挡更新规则，进一步实现对被遮挡目标轮廓的跟踪处理。

这里我们采用考察目标的长度和宽度信息的方法，通过得到目标轮廓矩形窗的分布数据进行遮挡推理。在跟踪过程中利用目标遮挡前的先验知识^[15]，同时利用GVF-Snake自适应地增删控制点算法，达到准确跟踪运动和变形目标的目的。在准确获取被跟踪目标轮廓的基础上，直接从目标轮廓图像中提取长度、宽度参数，由图像矩阵f(i，j)循环计算出最上、下、左和右边的目标轮廓点，记录取得的坐标，得到长度为M，宽度为N的M×N目标轮廓矩形窗的分布数据。

首先，当目标被部分遮挡时，根据被遮挡目标轮廓的位置信息，将目标相应的被遮挡部分值赋为无效，即除去遮挡时的伪轮廓点，如图1所示。定义阈值R_m(x_j，y_j)，令窗内轮廓点有效，窗外轮廓点无效；并通过GVF-Snake自适应的增删点算法，得到被跟踪目标的闭合轮廓线，有效处理遮挡时的连通问题。(见附图2所示)

其次，当运动目标被遮挡部分所占比例较大时，可采用轮廓遮挡更新规则，定义阈值R_p，用R_p判断是否更新轮廓。令轮廓矩形窗内未被遮挡的有效轮廓点与遮挡前轮廓点比值为p，根据已得到的数据，设定阈值th2。若p值较大，被遮挡部分较小，p值大于阈值th2，更新轮廓；若p值过小，被遮挡部分较大，p值小于阈值th2，不更新轮廓，即保持原有轮廓不变，利用前一帧目标轮廓的先验知识。

$R_p=\left\{\begin{array}{cc}1& p>\mathrm{th}2\\ 0& p\≤\mathrm{th}2\end{array}\right.---\left(10\right)$

例：

初始化：k＝0，对场景内m个待跟踪目标snake_m，依据K均值聚类算法计算各Snake蛇点聚类形心C_m，选用m个独立的粒子滤波器；对每个Snake，选取蛇点j＝1，...，N，每个蛇点产生N_s个样本x_0，j ⁱ。

(1)系统状态转移k＝1

系统状态转移方程为： $x_{k,j}^i={\mathrm{Ax}}_{k-2,j}^i+{\mathrm{Bx}}_{k-1,j}^i+{\mathrm{Cu}}_{k-1,j}^i$

(2)系统观测

系统观测概率密度函数 $p\left(z_k\right|x_k^{\left(i\right)})\∝{\mathrm{\λ}}_1\left(\frac{e^{\frac{-E_{\mathrm{snake}}^{\left(i\right)}}{{{\mathrm{\σ}}_s}^2}}}{{\mathrm{\Σ}}_{i=1}^{N_S}{e}^{\frac{-E_{\mathrm{snake}}^{\left(i\right)}}{{{\mathrm{\σ}}_s}^2}}}\right)+{\mathrm{\λ}}_2(1-\frac{{\mathrm{DIS}}^{\left(i\right)2}}{{\mathrm{\Σ}}_{i=1}^{N_s}{\mathrm{DIS}}^{\left(i\right)2}}),$ 计算粒子权值 ${\mathrm{\ω}}_k^{\left(i\right)}={\mathrm{\ω}}_{k-1}^{\left(i\right)}p\left(z_k\right|x_k^{\left(i\right)}),$ 并计算归一化权值 ${\widetilde{\mathrm{\ω}}}_{k,j}^{\left(i\right)}=\frac{{\mathrm{\ω}}_{k,j}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=1}^{\mathrm{Ns}}{\mathrm{\ω}}_{k,j}^{\left(i\right)}};$ 重新计算各Snake蛇点的聚类形心C_m，去除类别标注与所属对象不符的粒子。

(3)跟踪过程检测

计算M×N目标轮廓矩形窗的分布数据。当目标被遮挡时，令窗内轮廓点有效，窗外轮廓点无效；并计算比值p，确定是否更新轮廓。

(4)如果 ${\hat{N}}_{\mathrm{eff}}<N_{\mathrm{th}},$ 对 ${\{x_k^i,{\mathrm{\&omega;}}_k^i\}}_{i=1}^{N_s}$ 进行重采样，更新粒子簇。

Claims (5)

1.一种基于粒子滤波和活动轮廓模型的多目标跟踪方法，其特征在于，在获取了目标初始轮廓后，利用改进的梯度矢量流-参数活动轮廓模型，使参数活动轮廓模型收敛至运动目标的真实轮廓，并根据控制点的距离自适应地增删控制点；然后通过结合粒子滤波，使用改进的K均值聚类算法和能量粒子滤波对多目标进行跟踪，并使用目标被遮挡时的跟踪策略，克服跟踪过程中遮挡的影响。

2.根据权利要求1所述的基于粒子滤波和活动轮廓模型的多目标跟踪方法，其特征在于所述改进的梯度矢量流-参数活动轮廓模型，以参数活动轮廓模型上各蛇点组成的多边形重心为控制中心，控制能量选为蛇点到重心距离的绝对值，即

E_ctrl(v_j)＝π_j|v_j-C|

$C=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_j$

式中π_j为控制系数，v_j为第j个蛇点坐标位置，C为重心，N＝1，2，3…。

3.根据权利要求1所述的基于粒子滤波和活动轮廓模型的多目标跟踪方法，其特征在于所述根据控制点的距离增删控制点，采用自适应的增删点算法。其增删点原则为：①若|v_j-v_j-1|²过大则应在v_j与v_j-1中间增加一个新的蛇点；②若|v_j-1-2v_j+v_j+1|²过大则应在v_j与v_j-1或v_j+1中间增加蛇点；③若|v_j-1-2v_j+v_j+1|²、|v_j-v_j-1|²及|v_j+1-v_j|²都较小则删除中间蛇点v_j。

4.根据权利要求1所述的基于粒子滤波和活动轮廓模型的多目标跟踪方法，其特征在于所述结合粒子滤波，使用改进的K均值聚类算法和能量粒子滤波对多目标进行跟踪方法为：

改进的K均值聚类算法如下：

1)为了适应处理初始数目未知的m个待跟踪目标，以及跟踪过程中新目标的出现，旧目标的消失等问题，将待跟踪目标初始化为m个独立的参数活动轮廓模型Snake轮廓，依据K均值聚类算法计算各参数活动轮廓模型Snake蛇点聚类形心C_m，并根据聚类结果对其进行类别标注。

2)为了最小化算法的运行时间，各蛇点的聚类形心C_m的预测过程包含在算法的初始阶段。有了这个信息，各参数活动轮廓模型Snake蛇点聚类形心C_m开始寻找在它们预测值C_0，1:m，k＝C_1:m，k/k-1附近的形心。形心的估计值C_1:m，k/k-1与聚类过程结束时的最终值C_1:m，k进行比较，由此获得相应的聚类形心C_m验证过程的置信度，其中k＝1，2，3，...；

所使用的能量粒子滤波目标跟踪算法，即通过定义轮廓距离观测密度函数和轮廓能量观测密度函数，由此得到能量粒子滤波目标跟踪算法。

5.根据权利要求1所述的一种基于粒子滤波和活动轮廓模型的目标跟踪方法，其特征在于所述目标被遮挡时的跟踪策略，即目标轮廓矩形窗算法，实现对被遮挡目标轮廓的跟踪处理；在准确获取被跟踪目标轮廓的基础上，直接从目标轮廓图像中提取长度、宽度参数，由图像矩阵f(i，j)循环计算出最上、下、左和右边的目标轮廓点，记录取得的坐标，得到长度为M，宽度为N的M×N目标轮廓矩形窗的分布数据；当目标被部分遮挡时，根据被遮挡目标轮廓的位置信息，将目标相应的被遮挡部分值赋为无效，即除去遮挡时的伪轮廓点。

Images