CN101872482A - 一种基于免疫遗传粒子滤波的智能视频跟踪方法 - Google Patents

Abstract

本发明涉及一种基于免疫遗传粒子滤波的智能视频跟踪方法，包括以下步骤：初始化并粒子采样、粒子权值计算、状态估计输出、有效粒子数计算，根据有效粒子数小于预先设置的阈值则进入免疫遗传粒子集优化过程，否则，直接进入重采样过程。本发明采用免疫遗传算法的思想，通过适应度计算、记忆单元更新、抗体浓度的抑制与促进、交叉、变异等运算对粒子集进行优化处理，在保持高权值粒子的有效性前提下，产生新粒子，增加粒子集的多样性和有效粒子数目，使新的粒子更好地表达目标的真实状态，从而增加视频智能跟踪的鲁棒性和有效性，降低误跟踪几率。

Description

一种基于免疫遗传粒子滤波的智能视频跟踪方法

技术领域

本发明涉及智能视频处理技术领域，特别是涉及一种基于免疫遗传粒子滤波的智能视频跟踪方法。

背景技术

传统的视频监控系统仅能在危害事件发生后，通过视频画面的回放来获取线索，这并不能从根本上减少危害事件的发生。智能视频监控系统则可以在危害事情发生之前发出预警，防患于未然。智能视频监控系统中，智能分析系统是最关键的组成部分，它目前有两种架构方式，即嵌入式视频分析和纯软件视频分析，无论是哪种架构，智能视频分析软件都必须完成包括目标检测、跟踪、分类及规则定义等所有功能。在智能视频监控软件中检测到目标后都必须对目标进行实时跟踪，以便实现接下来的分类、行为分析及规则定义等功能，由此可见对视频目标进行实时跟踪是非常重要的环节。

基于粒子滤波的视频目标跟踪是近几年的研究热点，并由于其能够处理非线性系统、非高斯假设条件下的目标状态估计而受到越来越多的关注。粒子滤波以序列蒙特卡洛随机模拟理论为基础，将视频目标状态后验分布用一组加权随机样本(称为粒子)近似表示，新的状态分布通过这些随机样本进行贝叶斯递推估计。影响基于粒子滤波的视频跟踪方法性能的因素主要有三个：粒子的样贫问题、可靠的观测模型、精确的运动模型。样贫是粒子滤波本身所固有的问题，当样贫发生时，会严重影响粒子对运动目标状态的描述能力。一般情况下，要从二维的被噪声污染的视频图像数据中建立精确的运动模型是相当困难的，因此，人们在解决基于粒子滤波的视觉跟踪方法的鲁棒性问题时，主要是研究如何建立可靠的观测模型以及如何消除粒子样贫问题。通常情况下观测模型很难有较大改进，因此对消除样贫问题的研究引起了更多人的重视。“样贫”问题源于重采样过程，由于将高权值的粒子过度复制，有效粒子数在重采样后减少，这样一来，经过若干次递推计算后，有效粒子几乎被耗尽，粒子集的信息容量将严重降低，很难反映真实的状态统计特性，容易造成对视频目标的跟踪率下降及误跟踪的情况。

发明内容

本发明所要解决的技术问题是提供一种基于免疫遗传粒子滤波的智能视频跟踪方法，能够降低“样贫”问题，即能够提高有效粒子数目，使粒子集能更好地表示目标的真实状态。

本发明解决其技术问题所采用的技术方案是：提供一种基于免疫遗传粒子滤波的智能视频跟踪方法，包括以下步骤：

(1)初始化，k＝0，在初始帧手动选取参考视觉目标，根据目标状态先验分布p(X₀)随机采样建立初始粒子集

其中，

同时将初始粒子集作为初始抗体群；

(2)粒子采样，k＝1，2，3Λ，根据随机漂移模型采样得到新的粒子集，即从定义的建议分布p(X_k|X_k-1)抽取当前的状态样本，得到粒子集；

(3)计算粒子集的权值，即根据视频目标观测概率分布

计算粒子集的权值，其中，

其中，λ为控制参数，

为Bhattacharyya距离，

为Bhattacharyya系数，

分别为目标图像区域颜色分布和参考目标颜色分布；

(4)输出粒子状态估计，计算k时刻视频目标的MMSE估计

并输出结果，该结果就是跟踪到的视频目标状态；

(5)计算有效粒子数，并判断有效粒子数是否小于预先设定的第一阈值，如果小于第一阈值，则进入下一步，即免疫粒子集优化过程；否则，直接进入重采样过程，经过重采样过程后再返回步骤(2)，其中，近似有效粒子数

(6)计算粒子集适应度，其中，适应度函数构造成输出粒子状态估计与真实状态之间均方根误差的倒数；

(7)更新记忆单元，即用粒子集中权值高的粒子替换记忆单元中权值低的粒子，且替换与加入粒子亲和度最高的原有粒子；

(8)利用粒子浓度的选择机制来调节粒子的浓度，即根据抗体的选择概率

来调节粒子的浓度，实现粒子多样性保持，其中，α和β分别为调节常数，N为抗体总数，即粒子总数，C_i为抗体浓度，即相似抗体所占比重，F(·)为抗体适应度函数；

(9)粒子集通过线性交叉运算产生新的粒子，根据交叉概率p_c随机选择交叉父代x₁，x₂，则新产生的子代分别为

其中，r为在[0，1]区间内产生的随机函数；

(10)粒子集通过非均匀变异运算产生新的粒子，根据变异概率p_m随机选择变异父代x，则新产生的子代为

其中，

为计算元素改变量的函数，y为x到取值边界的距离，g_c为当前进化代数，T为最大进化代数，r为形状系数；

(11)判断全局误差是否小于预先设定的第二阈值，如果全局误差小于该第二阈值，则进入重采样过程，经过重采样过程再返回到步骤(2)；否则，返回步骤(5)，重新进入免疫遗传粒子集优化过程。

所述的基于免疫遗传粒子滤波的智能视频跟踪方法，在所述的步骤(2)中采用随机漂移模型X_k＝X_k-1+U_k实现对目标的粒子采样，得到的粒子集为

所述的基于免疫遗传粒子滤波的智能视频跟踪方法，在所述的步骤(3)中采用基于核的颜色特征描述建立视觉目标的观测概率分布，据此计算得到粒子集的权值。

所述的基于免疫遗传粒子滤波的智能视频跟踪方法，在所述的步骤(5)中的重采样过程采用累积分布重采样，根据粒子权值从粒子集中重新抽取N个粒子组成新的粒子集。

所述的基于免疫遗传粒子滤波的智能视频跟踪方法，在所述的步骤(8)中粒子浓度的选择机制由选择概率确定，其中，选择概率由适应度概率和浓度抑制概率两部分组成。

所述的基于免疫遗传粒子滤波的智能视频跟踪方法，在所述的步骤(9)和步骤(10)中，通过交叉和变异产生新的粒子进而形成新的粒子集。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明基于免疫遗传的粒子滤波算法，增加了粒子的多样性，有效降低了“样贫”的影响，对经过免疫遗传算法处理过的粒子集进行重采样，得到的粒子集中有效粒子数增大，粒子集能更好地表示视频目标的真实状态，从而提高了视频目标跟踪的准确性，降低了误跟踪的几率。

附图说明

图1是本发明的流程图；

图2是标准粒子滤波和免疫遗传粒子滤波对仿真1状态方程的跟踪结果图；

图3是标准粒子滤波对仿真2视频目标的跟踪示意图

图4是免疫遗传粒子滤波对仿真2视频目标的跟踪示意图；

图5是标准粒子滤波与免疫遗传粒子滤波对仿真2具体跟踪时有效粒子数对比图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于免疫遗传粒子滤波的智能视频跟踪方法，包括粒子采样、粒子权值计算、状态估计输出、免疫遗传粒子集优化、重采样等步骤实现智能视频的跟踪。本发明采用免疫遗传算法的思想，通过适应度计算、记忆单元更新、抗体浓度的抑制与促进、交叉、变异等运算对粒子集进行优化处理，在保持高权值粒子的有效性前提下，产生新粒子，增加粒子集的多样性和有效粒子数目，使粒子集更好地表达目标的真实状态，从而增加视频智能跟踪的鲁棒性和有效性。

下面结合仿真1和仿真2对本发明进行说明，仿真1是单变量非平稳状态估计问题，其状态方程为：

$x\left(k\right)=0.5x(k-1)+\frac{25(k-1)}{1+x{(k-1)}^2}+8\cos \left(1.2(k-1)\right)+\mathrm{\ω}\left(k\right)$

其中，ω(k)为均值为0的高斯噪声。仿真2是具体监控场景下对某人的跟踪监控。其具体流程如图1所示：

(1)初始化和目标粒子采样。状态采样就是从定义的建议分布

抽取当前状态样本

而建议分布在不同的采样策略中的定义是不同的。状态转移描述了视频目标的动态过程。因此，状态转移模型能刻画视频目标在连续两帧之间的运动特性。一般地，目标的状态转移模型都能概率化为有限阶的状态转移概率p(X_k|X_j:k-1)，其中，0＜j＜k-1。如果将建议分布选为有限阶的状态转移概率分布，那么目标状态采样的转移过程可等价于粒子滤波的采样过程。本发明基于标准粒子滤波，故建议分布为p(X_k|X_k-1)，状态转移模型采用随机漂移模型。以仿真2来说，视频目标在第k-1帧图像的位置加上高斯扰动即为其在第k帧的图像上的新位置。假设视频目标的状态向量X表示其在二维图像上的位置，即X＝[x，y]^T，那么k时刻视频目标的状态X_k为：

X_k＝X_k-1+U_K

其中，U_k为二维零均值高斯噪声，故U_k＝[u_x，k，u_y，k]^T。一般都假设随机成分比较大(即噪声的方差比较大)，使得该模型能够更好地跟踪视频目标。在本算法初始化中，手动选取参考视频目标的特征区域，本算法实施时仅指定特征区域的中心点即可，区域大小由初始椭圆限定。根据先验分布p(X₀)建立初始样本集

初始化结束后，时刻根据随机漂移模型和上一刻的粒子集

采样得到下一刻的粒子集

(2)权值计算。样本的权值决定了该样本对目标状态的近似能力，因此样本的权值计算是非常重要的，其关键是目标观测概率分布的计算。对于仿真1中状态方程的跟踪则制定其相应的观测方程即可，其观测方程为：

$y\left(k\right)=\frac{x{\left(k\right)}^2}{20}+v\left(k\right)$

其中，v(k)为方差为1的高斯噪声，由该观测方程可计算出相应粒子的权值。对于仿真2，视频目标观测概率p(Z_k|X_k)定义为某种视觉特征的概率分布，如可为上一步中所划定的区域颜色特征的概率分布，因此p(Z_k|X_k)的计算取决于所划定视觉目标的统计描述，在此采用基于核的颜色特征描述，并以此为基础建立视觉目标的观测概率分布。

假设将视频目标的颜色分布离散化为B级(RGB空间一般取B＝8*8*8)，颜色量化函数为b(l_m)：R²→{1，Λ，B}，表示把位置l_m处的像素颜色值量化并将其分配到颜色分布相应的颜色级。因此，对于视频目标状态X，其颜色分布定义为：

$p_l^{\left(u\right)}=C\underset{m=1}{\overset{M}{\mathrm{\Σ}}}k\left(\right|\left|\frac{l-l_m}{h}\right|\left|\right)\mathrm{\δ}(b\left(l_m\right)-u)$

其中，l表示视频目标的中心(x，y)，由目标X确定；M表示目标区域的总像素数，

表示目标区域的大小；k(·)表示核函数(一般选高斯核函数)；δ(·)为Kronecker Deita函数；C为归一化常数，且

$C=\frac{1}{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}k\left(\right|\left|\frac{l-l_m}{h}\right|\left|\right)}$

对于视频目标观测概率分布的计算，在视频跟踪的初始帧选定参考目标X_c，利用上述方法建立参考目标的颜色分布{q^(u)}_{u＝1，Λ，B}。在第k帧，设视频目标状态X_k的第i个采样

所对应的图像区域颜色分布为样本

表示视频目标在第k帧的一假定状态。于是，样本与参考目标X_c的相似性度量可利用其颜色分布的相似性度量建立，在此用Bhattacharyya系数来建立，且Bhattacharyya系数定义为：

$\mathrm{\ρ}[p^{\left(u\right)},q^{\left(u\right)}]=\underset{u=1}{\overset{B}{\mathrm{\Σ}}}\sqrt{p^{\left(u\right)}{q}^{\left(u\right)}}$

则样本

与参考目标X_c的相似性度量可定义为：

$D(p,q)=\sqrt{1-\mathrm{\ρ}[p^{\left(u\right)},q^{\left(u\right)}]}$

D(p，q)为Bhattacharyya距离。最后，视频目标的观测概率分布定义为：

$p\left(Z_k^{\left(i\right)}\right|X_k^{\left(i\right)})=\frac{1}{\sqrt{2\mathrm{\π}}}{e}^{-\mathrm{\λ}{D}^2(p,q)/2}$

其中，λ为控制参数。据此可以计算得到粒子集

的权值

并进行归一化，则有 $w_k^{\left(i\right)}=w_k^{\left(i\right)}/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^{\left(i\right)}.$

上述为单特征观测概率分布，本算法亦适用于多特征融合，采用多特征融合的方式可以提高视频跟踪的鲁棒性。假设D₁，D₂分别为两特征的Bhattacharyya距离，则两特征融合的观测概率分布可定义为

$p\left(Z_k^{\left(i\right)}\right|X_k^{\left(i\right)})=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{\mathrm{\α}{D}_1^2+\mathrm{\β}{D}_2^2}{2{\mathrm{\σ}}^2}}$

式中，σ是高斯方差矩阵，α，β分别为两特征调节的权重系数。由上式可以以此类推至更多特征的情况下。

(3)粒子状态估计输出。通常，对动态时变系统描述如下：

X_k＝f_k(X_k-1，U_k)

Z_k＝h_k(X_k，V_k)

其中，表示k时刻系统状态，

表示测量，U_k，V_k分别为独立同分布的系统噪声和观测噪声。假设目标状态X_k服从一阶Markov过程，状态X_k与量测序列Z_k独立，X₀的先验分布为p(X₀)。从p(X_0：k|Z_1：k中随机抽取N个独立同分布的样本

则状态后验概率密度(Posteriori Probabil ity Density，简称“PDF”)可以由经验分布逼近为：

$p\left(X_{0:k}\right|Z_{1:k})\≈\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\δ}(X_{0:k}-X_{0:k}^{\left(i\right)})$

在实际中，由于p(X_k|Z_1:k)可能是多变量、非标准概率分布，通常没办法直接从状态的PDF直接采样，这样就需要借助采样算法。重要性函数是指概率分布与p(X_k|Z_1:k)相同，且概率密度分布q(X_0:k|Z_1:k)已知，容易被采样的分布。从重要性函数q(X_0:k|X_1:k)中随机抽取N个样本

则状态的PDF可用求取加权和的形式来逼近：

其中， ${\mathrm{\ω}}_k\left(X_{0:k}\right)=\frac{p\left(Z_{1:k}\right|X_{0:k})p\left(X_{0:k}\right)}{q\left(X_{0:k}\right|Z_{1:k})}$ 称为重要性权。

计算k时刻目标状态的最小均方误差估计

输出结果即为跟踪到的目标状态。图2为标准粒子滤波和免疫遗传粒子滤波对仿真1状态方程的跟踪结果，从图中可知，免疫遗传粒子滤波跟踪误差明显小于标准粒子滤波。图3和图4分别是标准粒子滤波和免疫遗传粒子滤波对仿真2中视频目标的跟踪示意图，由示意图可以看出，标准粒子滤波由于后面追上物体对目标的遮挡，使得算法后来跟踪的是后面追上的物体，而免疫遗传粒子滤波则始终跟踪的是最初的目标。

(4)计算有效粒子数。有效粒子数的计算是为了度量粒子集的退化，并为免疫遗传算法的加入提供条件。有效粒子数定义为：

$N_{\mathrm{eff}}=\frac{N}{1+{\mathrm{Var}}_{q(\·|Z_{0:k})}\left({\tilde{w}}_k^{\left(i\right)}\right)}=\frac{N}{E_{q(\·|Z_{0:k})\left[{\left({\tilde{w}}_k^{\left(i\right)}\right)}^{\text{2}}\right]}}$

上式很难精确计算，通常以近似值

代替：

${\hat{N}}_{\mathrm{eff}}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(w_k^{\left(i\right)}\right)}^2}$

预先设定有效粒子数第一阈值，该第一阈值视实际情况而定，当有效粒子数小于设定的第一阈值时启动免疫遗传算法对粒子集进行优化，否则直接进入重采样过程。

重采样过程采用累积分布重采样，根据粒子权值

从粒子集中重新抽取N个粒子，具体过程如下：

①计算粒子集的累积权值

②产生[0，1]上均匀分布的随机数u；

③在粒子集中搜索使得

的最小j，并令

④形成新的粒子集 ${\{X_k^{\left(i\right)},w_k^{\left(i\right)}\}}_{i=1}^N={\{X_k^{\text{'}\left(i\right)},\frac{1}{N}\}}_{i=1}^N.$

重采样过程完成后返回到步骤(2)，进行下一时刻状态的预测。

免疫遗传过程主要包括以下5个步骤：适应度计算、记忆单元更新、抗体浓度调节、交叉和变异。生物免疫系统虽然复杂，但是其呈现出来的抵御抗原的自适应能力却十分明显的。将外来侵犯的抗原和免疫系统产生的抗体分别与实际求解问题的目标函数和问题的候选解相对应，即被跟踪视频目标的状态与抗原相对应，粒子与抗体相对应。现将各步流程分别说明如下：

(5)计算适应度。适应度函数构造成状态估计与真实状态之间均方根误差的倒数，即目标函数为

Fit(k)＝1/e_k。

(6)更新记忆单元。用当前种群中适应度高的抗体替换记忆单元中适应度低的抗体，即用粒子集中权值高的粒子替换记忆单元中权值低的粒子。为保持记忆单元中粒子的多样性，在替换时，一般替换与加入粒子亲和度最高的原有粒子。粒子间亲和度采用Euclidean距离来评价，Ab₁与Ab₂为两个不同的粒子(抗体)，令

$\mathrm{dist}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{Ab}}_1-{\mathrm{Ab}}_2)}^2}$

其中，n为Ab₁和Ab₂的属性个数。任意两个数据向量间的最大距离定义为其中，r为属性i的数值范围。则粒子(抗体)Ab₁与Ab₂之间的亲和度定义为：

${\mathrm{affi}}_{{\mathrm{Ab}}_1,{\mathrm{Ab}}_2}=\frac{\mathrm{dist}}{\max \mathrm{dist}}$

根据上式计算出加入粒子与各个粒子的亲和度，并将亲和度最高的原有粒子，从记忆单元中去除。

(7)粒子浓度调节。免疫遗传算法模拟了免疫系统的抗体多样性保持机制，实现了免疫系统的自我调节功能，即利用抗体的浓度选择机制，实现对抗体的促进和抑制作用，进行抗体的多样性保持。抗体的选择概率p_i由适应度概率p_fi和浓度抑制概率p_di两部分组成，具体如下所示：

$p_i={\mathrm{\αp}}_{\mathrm{fi}}+(1-\mathrm{\α})p_{\mathrm{di}}=\mathrm{\α}\frac{F\left(i\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}F\left(j\right)}+(1-\mathrm{\α})\frac{1}{N}{e}^{-\frac{C_i}{\mathrm{\β}}}$

式中，α和β分别为调节常数，N为抗体总数，即粒子总数，C_i为抗体浓度，即相似抗体所占比重，F(·)为抗体适应度函数，

(8)粒子集通过交叉运算产生新的粒子，从而不断扩展采样空间。交叉算子的设计往往与编码方式密不可分。对于二进制编码，基本的交叉算子有单点交叉、二点交叉和均匀交叉；对于浮点编码基本的有算术交叉和启发式交叉。在此采用浮点式编码，根据交叉概率p_c随机选择交叉父代，父代以线性交叉方式产生子代

$\left\{\begin{array}{c}{x}_1^{\text{'}}=r{x}_1+(1-r)x_2\\ x_2^{\text{'}}=(1-r)x_1+r{x}_2\end{array}\right.$

其中，r为在[0，1]区间内产生的随机数。

(9)粒子集通过变异运算产生新的粒子。引入变异算子可以提供初始种群不含的基因，或找回选择过程中丢失的基因，为种群提供新的内容。根据变异概率p_m随机选择变异父代，父代经非均匀变异操作产生子代，即各代中参与变异操作的抗体的变异量是非均匀变化的

$x^{\text{'}}=\left\{\begin{array}{c}x+\mathrm{\Δ}[g_c,r\left(k\right)-x],\mathrm{sign}=0\\ x-\mathrm{\Δ}[g_c,x-l\left(k\right)],\mathrm{sign}=1\end{array}\right.$

$\mathrm{\Δ}(g_c,y)=\mathrm{yr}{(1-\frac{g_c}{T})}^b$

Δ为计算元素改变量的函数，y为x到取值边界的距离，g_c为当前进化代数，T为最大进化代数，r为形状系数，起到调节函数曲线非均匀变化的作用。

(10)判断全局误差是否小于预先设定的第二阈值，如果全局误差小于该第二阈值，则进入重采样过程，经过重采样过程再返回到步骤(2)；否则，返回步骤(5)，重新进入免疫粒子集优化过程。也就是说，全局误差e＜ε，则进入重采样过程，否则重新进入免疫遗传粒子集优化过程，直到满足条件为止。

对于仿真2而言，在用标准粒子滤波算法进行跟踪时，由后面追上物体对要跟踪的目标造成遮挡，且由于两者之间颜色相近，即两者颜色特征相似，使得最终造成了误跟踪，算法后期跟踪的目标会是后来追上的物体。使用本发明所提出的算法进行跟踪时，即使有后面追上物体的遮挡，一直能够保持对目标的跟踪，这是由于本发明提出的算法在有效粒子数量上相比标准粒子滤波算法要好，因而优化过的粒子集能更好地表达目标的真实状态。图5中星线表示利用免疫优化粒子滤波跟踪时的有效粒子数，直线表示的是用标准粒子滤波跟踪时的有效粒子数，从图中可看出，本发明提出的算法明显在有效粒子数量上整体占优势。

不难发现，本发明基于免疫遗传的粒子滤波算法，增加了粒子的多样性，有效降低了“样贫”的影响，对经过免疫遗传算法处理过的粒子集进行重采样，得到的粒子集中有效粒子数增大，粒子集能更好地表达目标的真实状态，从而提高了视频目标跟踪的准确性，降低了误跟踪的几率。

Claims (6)

1.一种基于免疫遗传粒子滤波的智能视频跟踪方法，其特征在于，包括以下步骤：

(1)初始化，k＝0，在初始帧手动选取参考视觉目标，根据目标状态先验分布p(X₀)随机采样建立初始粒子集

其中，同时将初始粒子集

作为初始抗体群；

(2)粒子采样，k＝1，2，3Λ，根据随机漂移模型采样得到新的粒子集，即从定义的建议分布p(X_k|X_k-1)抽取当前的状态样本，得到粒子集；

(3)计算粒子集的权值，即根据视频目标观测概率分布

计算粒子集的权值，其中，

其中，λ为控制参数，

为Bhattacharyya距离，

为Bhattacharyya系数，{p^(u)}_{u＝1，Λ，B}，{q^(u)}_{u＝1，Λ，B}分别为目标图像区域颜色分布和参考目标颜色分布；

(4)输出粒子状态估计，计算k时刻视频目标的MMSE估计

并输出结果，该结果就是跟踪到的视频目标状态；

(5)计算有效粒子数，并判断有效粒子数是否小于预先设定的第一阈值，如果小于第一阈值，则进入下一步，即免疫粒子集优化过程；否则，直接进入重采样过程，经过重采样过程后再返回步骤(2)，其中，近似有效粒子数

(6)计算粒子集适应度，其中，适应度函数构造成输出粒子状态估计与真实状态之间均方根误差的倒数；

(7)更新记忆单元，即用粒子集中权值高的粒子替换记忆单元中权值低的粒子，且替换与加入粒子亲和度最高的原有粒子；

(8)利用粒子浓度的选择机制来调节粒子的浓度，即根据抗体的选择概率来调节粒子的浓度，实现粒子多样性保持，其中，α和β分别为调节常数，N为抗体总数，即粒子总数，C_i为抗体浓度，即相似抗体所占比重，

F(·)为抗体适应度函数；

(9)粒子集通过线性交叉运算产生新的粒子，根据交叉概率p_c随机选择交叉父代x₁，x₂，则新产生的子代分别为

   其中，r为在[0，1]区间内产生的随机函数；

(10)粒子集通过非均匀变异运算产生新的粒子，根据变异概率p_m随机选择变异父代x，则新产生的子代为

其中，

为计算元素改变量的函数，y为x到取值边界的距离，g_c为当前进化代数，T为最大进化代数，r为形状系数；

(11)判断全局误差是否小于预先设定的第二阈值，如果全局误差小于该第二阈值，则进入重采样过程，经过重采样过程再返回到步骤(2)；否则，返回步骤(5)，重新进入免疫遗传粒子集优化过程。

2.根据权利要求1所述的基于免疫遗传粒子滤波的智能视频跟踪方法，其特征在于，在所述的步骤(2)中采用随机漂移模型X_k＝X_k-1+U_k实现对目标的粒子采样，得到的粒子集为

3.根据权利要求1所述的基于免疫遗传粒子滤波的智能视频跟踪方法，其特征在于，在所述的步骤(3)中采用基于核的颜色特征描述建立视觉目标的观测概率分布，据此计算得到粒子集的权值。

4.根据权利要求1所述的基于免疫遗传粒子滤波的智能视频跟踪方法，其特征在于，在所述的步骤(5)中的重采样过程采用累积分布重采样，根据粒子权值从粒子集中重新抽取N个粒子组成新的粒子集。

5.根据权利要求1所述的基于免疫遗传粒子滤波的智能视频跟踪方法，其特征在于，在所述的步骤(8)中粒子浓度的选择机制由选择概率确定，其中，选择概率由适应度概率和浓度抑制概率两部分组成。

6.根据权利要求1所述的基于免疫遗传粒子滤波的智能视频跟踪方法，其特征在于，在所述的步骤(9)和步骤(10)中，通过交叉和变异产生新的粒子进而形成新的粒子集。

Images