CN102999922A

CN102999922A - 一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统

Info

Publication number: CN102999922A
Application number: CN2012104657329A
Authority: CN
Inventors: 徐本连; 陈庆兰; 鲁明丽; 毛丽民; 朱培逸; 王小英
Original assignee: Changshu Institute of Technology
Current assignee: Changshu intellectual property operation center Co.,Ltd.
Priority date: 2012-11-19
Filing date: 2012-11-19
Publication date: 2013-03-27
Anticipated expiration: 2032-11-19
Also published as: CN102999922B

Abstract

本发明公开了一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统，多个任务蚂蚁系统既独立又相互协作工作；每个独立任务蚂蚁系统模块对应于一个细胞跟踪,并用一个对应的变量来描述其任务完成概率；对于每个独立蚂蚁系统，蚂蚁个体状态先通过蚂蚁模型概率和似然函数值来确定，再通过局部调整模块进行状态局部调优；对于蚂蚁系统协作层，在定义了一种有效的似然函数基础上，通过相互交换信息方式找出当前多个蚂蚁群系统中最佳直方图模板来更新模板直方图库，并进一步更新每个蚂蚁的模型概率、权重、影响区域和每个蚂蚁系统任务完成概率，最终给出细胞状态估计。本发明基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统，能够实现多种、具有不同动力学特征参数、近距离移动、细胞数量时变的多细胞自动跟踪难题。

Description

一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统

技术领域

本发明涉及多细胞跟踪领域，特别是涉及一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统。

背景技术

多细胞运动分析对于生物细胞学过程分析、疾病的诊断、新药物的研制是必不可少的手段之一。细胞运动分析面临着众多难题，如细胞变形，多细胞动力学特性差异、细胞重叠、细胞数量变化、低对照比细胞图像序列等等。目前细胞跟踪的方法主要分为三类，分别是基于模型扩散方法、基于检测方法和基于贝叶斯概率估计技术。模型扩散技术主要代表是主动轮廓法（Active contours），同时也是一种较早的细胞跟踪技术，但该方法针对细胞运动慢的情形有效，一般要求相邻帧同一细胞轮廓之间部分重合；水平集方法（Level set）能处理细胞变形问题，但是很容易将两个接触细胞误认为一个细胞；平均平移法（Mean-shift）能快速处理细胞跟踪问题，但是不能给出细胞轮廓信息。基于检测方法虽然方法有效，但对于多细胞跟踪，需要解决数据关联问题，误关联很容易造成细胞跟踪丢失。基于贝叶斯概率估计技术是近年来发展的一种新型多目标跟踪技术，代表了未来多细胞跟踪技术的发展方向，一般以基于随机有限集（RFS）的概率假设密度滤波器（PHD filter）为代表，该技术无需解决数据关联问题，但是对于不同细胞图像序列，特征表示或似然函数的选取非常重要。从目前的文献、专利搜索结果来看，基于先于测量跟踪的多细胞跟踪技术报道很少，相关的研究也是处于起步阶段，特别是多个、不同动力学特性、近距离多细胞跟踪问题仍然是该领域技术难题。

发明内容

本发明主要解决的技术问题是提供一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统，能够实现多种、具有不同动力学特征参数、近距离移动、细胞数量时变的多细胞自动跟踪难题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于多任务蚂蚁系统的多细胞自动跟踪方法，具体步骤包括：

（100）、初始化：设定多任务蚂蚁系统中的蚂蚁个体在图像中的初始状态分布；初始设定每个蚂蚁系统任务完成概率；初始直方图模板库构建；设定蚂蚁个体最大、最小活动影响区域、模型概率与权重；

（200）、跟踪：多个蚂蚁系统对细胞进行跟踪，每个独立蚂蚁系统对应一个细胞的跟踪；

（300）、找出每个独立蚂蚁系统中的最佳直方图；

（400）、更新直方图模板库：从上述的多个蚂蚁系统中找到最佳直方图；若当前最佳直方图与直方图模板库的平均相似度超过预设阈值，则该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用；

（500）、筛选蚂蚁系统：对每个蚂蚁系统任务完成概率进行阈值判断，若超过设定阈值，则该蚂蚁系统为有效的，继续进行下一步骤；否则删除该蚂蚁系统；

（600）、提取细胞状态：对剩余的蚂蚁系统的似然函数阈值化，并提取多个细胞状态。

在本发明一个较佳实施例中，所述步骤（400）和步骤（500）之间有步骤（450），调整蚂蚁系统状态：通过蚂蚁移动状态模块，实现蚂蚁系统状态进一步调整；更新每个蚂蚁个体系统中每只蚂蚁的运动模型概率、似然函数值、影响区域、权重和每个蚂蚁系统的跟踪任务完成概率。

在本发明一个较佳实施例中，所述步骤（500）和步骤（600）之间有步骤（550），合并蚂蚁系统：若两个蚂蚁系统找得是同一细胞，则两蚂蚁系统进行合并，其个数是原先两蚂蚁系统之和，任务完成程度也是之和，但小于1。

在本发明一个较佳实施例中，所述步骤（300）还包括实现下一步蚂蚁个体移动方向与具体位置，通过蚂蚁模型概率和似然函数值来实现随机搜索；在此基础上，进一步实现蚂蚁局部状态调整。

在本发明一个较佳实施例中，所述步骤（600）还包括：对于所剩余蚂蚁系统，计算对应的各蚂蚁系统重心位置，对其位置的似然函数重新计算，若该似然函数大于设定阈值，则该重心位置对应细胞估计位置。

本发明的另一个目的是提供一种基于多任务蚂蚁系统的多细胞自动跟踪系统，包括：

多个蚂蚁系统，每个独立蚂蚁系统对应一个细胞的跟踪；

直方图模板库，用于存储细胞直方图；

初始化模块，用于设置多个蚂蚁系统中的蚂蚁个体在图像中的初始分布情况，假定每个蚂蚁系统跟踪任务完成概率，初始直方图模板库构建，设定蚂蚁个体最大、最小活动影响区域、模型概率与权重；

多个蚂蚁个体决策单元，每个蚂蚁个体决策单元对应一个蚂蚁系统，实现随机搜索，决定下一步蚂蚁个体的移动方向与具体位置，并进一步对蚂蚁个体的局部状态进行调整；

蚂蚁协作决策单元，提取在当前迭代中多个蚂蚁系统中最佳直方图，作为下次迭代过程直方图模板库；

细胞状态提取模块，对各个所述蚂蚁系统进行筛选，将利用有效的蚂蚁系统对多细胞状态进行提取。

在本发明一个较佳实施例中，所述蚂蚁协作决策单元，从上述的多个蚂蚁系统中找到最佳直方图；若当前最佳直方图与直方图模板库的平均相似度超过某阈值，该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用。

在本发明一个较佳实施例中，所述蚂蚁协作决策单元还通过蚂蚁移动状态模块，实现蚂蚁个体状态进一步调整；并更新每个蚂蚁系统中每只蚂蚁个体的运动模型概率、似然函数值、影响区域、权重和每个蚂蚁系统跟踪任务完成概率。

在本发明一个较佳实施例中，所述细胞状态提取模块，通过对细胞跟踪任务完成程度进行阈值判断，确认有效蚂蚁系统；通过蚂蚁系统合并模块，将两两状态相近蚂蚁系统进行合并；并对剩余蚂蚁系统的似然函数阈值化，提取多个细胞状态。

在本发明一个较佳实施例中，所述蚂蚁系统的数量大于需要跟踪的细胞的数量。

本发明的有益效果是：本发明基于多任务蚂蚁系统的多细胞自动跟踪方法和系统具有以下优点：

1）无需细胞检测模块，是一种直接基于细胞原始图像序列的、多任务蚂蚁系统自动多细胞跟踪技术；

2）通过蚂蚁系统之间的协作，动态方式构建直方图模板库，无需大量的细胞样本库，节省了计算成本；

3）能有效跟踪动力学特性差异大的不同细胞、跟踪变形细胞和近距离移动多细胞。

4）能实现对进入、离开观察区域的多细胞自动跟踪。

附图说明

图1是本发明基于多任务蚂蚁系统的多细胞自动跟踪方法一较佳实施例的流程示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

一种基于多任务蚂蚁系统的多细胞自动跟踪系统，包括：

多个蚂蚁系统，每个独立蚂蚁系统对应一个细胞的跟踪；

初始化模块，设置多个蚂蚁系统中的蚂蚁个体在图像中的分布情况；假定每个蚂蚁系统初始跟踪任务完成概率；初始直方图模板库构建；设定蚂蚁个体最大、最小活动影响区域、模型概率与权重；

多个蚂蚁个体决策单元，每个蚂蚁个体决策单元对应一个蚂蚁系统，主要实现下一步蚂蚁移动方向与具体位置，通过蚂蚁模型概率和似然函数值等启发式概率函数来实现随机搜索；在此基础上，进一步实现蚂蚁局部状态调整；

蚂蚁协作决策单元，主要实现在当前迭代中多个蚂蚁系统最佳直方图提取，作为下次迭代过程直方图模板库；同时，在通过蚂蚁移动状态模块，实现蚂蚁状态进一步调整，进而对每个蚂蚁系统中蚂蚁个体运动模型、似然函数值、影响区域、权重和每个蚂蚁系统跟踪任务完成概率进行更新；

细胞状态提取模块，主要实现对上述蚂蚁系统的筛选，将利用有效蚂蚁系统对多细胞状态进行提取。首先通过对细胞跟踪任务完成程度进行阈值判断，确认有效蚂蚁系统；然后通过蚂蚁系统合并模块，将两两状态相近蚂蚁系统进行合并，以减小跟踪模糊性；最后，通过对剩余蚂蚁系统的似然函数阈值化，提取多个细胞状态。

结合图1所示，本发明基于多任务蚂蚁系统的多细胞自动跟踪系统的流程过程如下：

（100）、初始化：通过初始化模块实现多任务蚂蚁系统中蚂蚁个体在图像中的初始状态分布；初始设定每个蚂蚁系统跟踪任务完成概率；初始直方图模板库构建；蚂蚁个体最大、最小活动影响区域、模型概率、权重；直接在RGB空间采用动态构建直方图模板库，即以图像第一帧的数据为依据，手工提取相关细胞的RGB直方图序列（其维数为256*3）；

（200）、跟踪：多个蚂蚁系统对细胞进行跟踪，每个独立蚂蚁系统对应一个细胞的跟踪，总蚂蚁系统数目超过当前图像中细胞的个数；

其中蚂蚁个体的行为模式为：

假设每个蚂蚁个体有三个行为模式：前行，右转，左转；则蚂蚁系统s中的蚂蚁个体i在k时刻的运动概率为：

Figure 2012104657329100002DEST_PATH_IMAGE002

；

并且：

Figure 2012104657329100002DEST_PATH_IMAGE004

；

蚂蚁个体i在下一（k+1）时刻的运动概率为：

Figure 2012104657329100002DEST_PATH_IMAGE006

；

其中P_M为：模型转移矩阵。

（300）、找出最佳直方图：

对于蚂蚁系统

为蚂蚁系统的总数，对于蚂蚁系统

中的任一蚂蚁个体j，依据蚂蚁模型概率和似然函数值等启发式概率函数来实现随机搜索；进行局部状态调整；找出蚂蚁系统

中的最佳直方图。

每个蚂蚁系统的搜索策略具体为：

初始化：蚂蚁个体j的位置

Figure 2012104657329100002DEST_PATH_IMAGE014

，影响区域为：

Figure 2012104657329100002DEST_PATH_IMAGE016

，设定阙值

如果

新的对象服从高斯分布

；

如果

>

则

否则

保持

。

找出蚂蚁系统

中的最佳直方图的具体计算方法为：

对于给定直方图

的计算函数为：

其中：

为调整系数；

；

为直方图模板库中第i个直方图的第j个分量的值；

为直方图中分量总数；

为直方图模板库

中的模板总数。

（400）、更新直方图模板库：

从上述的

个蚂蚁系统中找到最佳直方图；若最佳直方图与直方图模板库的平均相似度超过某阈值，该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用；

具体计算函数为：

；

其中：

为最佳直方图；

为似然函数；

为设定阈值；

直至：。

（500）、调整蚂蚁系统状态：

通过蚂蚁移动状态模块，实现蚂蚁系统状态进一步调整；更新每个蚂蚁个体系统中每只蚂蚁的运动模型概率、似然函数值、影响区域、权重和每个蚂蚁系统跟踪任务完成概率。

更新每个蚂蚁个体系统中每只蚂蚁的运动模型概率的公式为：

；

更新每个蚂蚁个体系统中每只蚂蚁的权重为：

；

更新影响区域的公式为：

跟踪任务完成程度值的计算公式为：

。

（600）、删选蚂蚁系统：

对每个蚂蚁系统的细胞跟踪任务完成程度

（

）进行阈值判断，若超过设定阈值q₀，则该蚂蚁系统为有效的，进行下一步骤（700）；否则删除该蚂蚁系统；具体计算函数为：

；

具体为：

。

（700）、合并蚂蚁系统：

若两个蚂蚁系统找得是同一细胞，则两蚂蚁系统进行合并，其个数是原先两蚂蚁系统之和，任务完成程度也是之和，但小于1；

（800）、提取细胞状态：

对剩余蚂蚁系统的似然函数阈值化，提取多个细胞状态。

本发明基于多任务蚂蚁系统的多细胞自动跟踪系统及其方法具有以下优点：

1）多蚂蚁系统建模技术直接应用于多细胞跟踪；

多个蚂蚁系统既独立又相互协作工作；

每个独立蚂蚁系统模块对应于一个细胞跟踪，但要求总蚂蚁系统数目超过当前图像中细胞的个数；

每个独立任务蚂蚁系统模块对应于一个细胞跟踪,并用一个对应的变量来描述其任务完成概率；

对于每个独立蚂蚁系统，蚂蚁个体状态先通过蚂蚁模型概率和似然函数值来确定，再通过局部调整模块进行状态局部调优；

对于多个蚂蚁系统的协作，通过相互交换信息方式找出多个蚂蚁群系统中最佳直方图模板，进一步更新蚂蚁状态；

通过蚂蚁系统协作单元，在定义了一种有效的似然函数基础上，通过相互交换信息方式找出当前多个蚂蚁群系统中最佳直方图模板来更新模板直方图库，并进一步更新每个蚂蚁的模型概率、权重、影响区域和每个蚂蚁系统任务完成概率，最终给出细胞状态估计。

2）细胞图像直方图模板库模块生成与似然函数设计；

本发明直接在RGB空间采用动态构建直方图模板库，即以图像第一帧的数据为依据，手工提取相关细胞的RGB直方图序列（其维数为256*3），对于随后的细胞图像，利用上述多蚂蚁系统发现当前迭代中最佳直方图，若该最佳直方图与直方图模板库的平均相似度超过某阈值，该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用。直至直方图模板库的数量少于某给定的最大值；

似然函数的设计与上述的直方图模板库动态构建密不可分；本发明的似然函数采用一个指数负函数与直方图平均相似度复合形式，对多种细胞图像序列，均能相对准确刻画出图像中不同区域与已知细胞直方图模板库相似程度。

3）多细胞状态自动提取技术；

本发明涉及的多细胞提取技术主要分为三步：第一步，由于每个独立蚂蚁系统对应一个细胞的跟踪，通过衡量每个蚂蚁系统对细胞跟踪任务完成程度，若完成程度超过某阈值，该蚂蚁系统在后续的迭代过程中继续使用，否则，删除；第二步，由于采用多个蚂蚁系统，若两个蚂蚁系统找得是同一细胞，则两蚂蚁系统进行合并，其个数是原先两蚂蚁系统之和，任务完成程度也是之和，但小于1；第三步，对于所剩余蚂蚁系统，计算对应的各蚂蚁系统重心位置，对其位置的似然函数重新计算，若该似然函数大于某阈值，则该重心位置对应细胞估计位置。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种基于多任务蚂蚁系统的多细胞自动跟踪方法，其特征在于，具体步骤包括：

（100）、初始化：设定多任务蚂蚁系统中的蚂蚁个体在图像中的初始状态分布；初始设定每个蚂蚁系统任务完成概率；初始直方图模板库构建；设定蚂蚁个体最大、最小活动影响区域，模型概率与权重；

（200）、跟踪：多个任务蚂蚁系统对细胞进行跟踪，每个独立蚂蚁系统对应一个细胞的跟踪；

（300）、找出每个独立蚂蚁系统中的最佳直方图；

2.根据权利要求1所述的基于多任务蚂蚁系统的多细胞自动跟踪方法，其特征在于，所述步骤（400）和步骤（500）之间有步骤（450），调整蚂蚁系统状态：通过蚂蚁移动状态模块，实现蚂蚁系统状态进一步调整；更新每个蚂蚁个体系统中每只蚂蚁的运动模型概率、似然函数值、影响区域、权重和每个蚂蚁系统跟踪任务完成概率。

3.根据权利要求1所述的基于多任务蚂蚁系统的多细胞自动跟踪方法，其特征在于，所述步骤（500）和步骤（600）之间有步骤（550），合并蚂蚁系统：若两个蚂蚁系统找得是同一细胞，则两蚂蚁系统进行合并，其个数是原先两蚂蚁系统之和，任务完成程度也是之和，但小于1。

4.根据权利要求1所述的基于多任务蚂蚁系统的多细胞自动跟踪方法，其特征在于，所述步骤（300）还包括实现下一步蚂蚁个体移动方向与具体位置，通过蚂蚁模型概率和似然函数值来实现随机搜索；在此基础上，进一步实现蚂蚁局部状态调整。

5.根据权利要求1所述的基于多任务蚂蚁系统的多细胞自动跟踪方法，其特征在于，所述步骤（600）中对剩余的蚂蚁系统的似然函数阈值化具体为：对于所剩余蚂蚁系统，计算对应的各蚂蚁系统重心位置，对其位置的似然函数重新计算，若该似然函数大于设定阈值，则该重心位置对应细胞估计位置。

6.一种基于多任务蚂蚁系统的多细胞自动跟踪系统，其特征在于，包括：

多个蚂蚁系统，每个独立蚂蚁系统对应一个细胞的跟踪；

直方图模板库，用于存储细胞直方图；

初始化模块，用于设置多个蚂蚁系统中的蚂蚁个体在图像中的初始分布情况，假定每个蚂蚁系统跟踪任务完成概率，初始直方图模板库构建，设定蚂蚁个体最大、最小活动影响区域、权重、模型概率；

蚂蚁协作决策单元，提取在当前迭代中多个蚂蚁系统的最佳直方图，作为下次迭代过程直方图模板库；

7.根据权利要求6所述的基于多任务蚂蚁系统的多细胞自动跟踪系统，其特征在于，所述蚂蚁协作决策单元，从上述的多个蚂蚁系统中找到最佳直方图；若当前最佳直方图与直方图模板库的平均相似度超过某阈值，该最佳直方图序列加入当前直方图模板库，为下一次迭代计算所用。

8.根据权利要求7所述的基于多任务蚂蚁系统的多细胞自动跟踪系统，其特征在于，所述蚂蚁协作决策单元还通过蚂蚁移动状态模块，实现蚂蚁个体状态进一步调整；并更新每个蚂蚁系统中每只蚂蚁个体的运动模型概率、似然函数值、影响区域、权重、跟踪任务完成概率。

9.根据权利要求6所述的基于多任务蚂蚁系统的多细胞自动跟踪系统，其特征在于，所述细胞状态提取模块，通过对细胞跟踪任务完成程度进行阈值判断，确认有效蚂蚁系统；通过蚂蚁系统合并模块，将两两状态相近蚂蚁系统进行合并；并对剩余蚂蚁系统的似然函数阈值化，提取多个细胞状态。

10.根据权利要求6所述的基于多任务蚂蚁系统的多细胞自动跟踪系统，其特征在于，所述蚂蚁系统的数量大于需要跟踪的细胞的数量。