CN104182994A - 一种运动目标跟踪算法 - Google Patents
一种运动目标跟踪算法 Download PDFInfo
- Publication number
- CN104182994A CN104182994A CN201410468506.5A CN201410468506A CN104182994A CN 104182994 A CN104182994 A CN 104182994A CN 201410468506 A CN201410468506 A CN 201410468506A CN 104182994 A CN104182994 A CN 104182994A
- Authority
- CN
- China
- Prior art keywords
- particle
- algorithm
- tracking algorithm
- target tracking
- moving target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种运动目标跟踪算法,本发明的跟踪算法根据目标的颜色信息计算相应颜色直方图并采用了以一阶自回归模型为基础的状态转移方程来对粒子的大概轨迹区域进行预测;对预测区域进行采样,根据选取的重要性函数计算每个粒子的权值,以大权值的粒子集来估计目标位置;本算法采用重采样的方法来解决粒子退化的问题。本发明适用于非高斯分布噪声环境,提高了运动跟踪目标算法的实用性。
Description
技术领域
本发明涉及一种运动目标跟踪算法,尤其是基于粒子滤波的运动目标跟踪算法。
背景技术
目标跟踪指在一定的监控环境中,识别进入特定区域的目标,并且能够跟踪目标轨迹的技术。目标跟踪技术在公共安全,政府,金融及教育等领域都具有广阔的应用前景。在最近这几年,基于粒子滤波的目标跟踪技术因为其更广阔的适用性并且克服了传统目标跟踪技术的缺点从而给目标跟踪领域带来了新的前进方向。粒子滤波器在这种非线性环境中就能发挥其良好的性能,对运动目标的跟踪性能优于卡尔曼滤波等传统滤波算法。
从现在来看,在研究出来的众多方法中,卡尔曼滤波用于各种线性条件及高斯分布噪声环境下,但在非线性及不是高斯分布的噪声环境下就显得无能为力了。而粒子滤波技术针对这种情况就会发挥良好的作用。国内现在目标跟踪领域的研究由于起步较晚,所以相对国外比较落后,但有关部门及专家已经开始重视这一领域,并取得了一定的研究成果。系统目标跟踪过程一般包括数据采集以及处理、运动目标模型建立、运动目标识别、滤波及预测、跟踪坐标系选取、数据连接、航迹起始与终止等内容。到现在为止,目标跟踪技术已经逐渐发展成熟了近年来,在复杂背景下的精确多目标识别与跟踪已成为了人们研究的热门项目。
发明内容
本发明的目的在于提供一种运动目标跟踪算法,本跟踪算法根据目标的颜色信息计算相应颜色直方图并采用了以一阶自回归模型为基础的状态转移方程来对粒子的大概轨迹区域进行预测。
本发明的目的是这样实现的:粒子滤波其步骤可以归纳为:粒子初始化、重要性函数权值加权、状态估计及粒子更新、重采样。
粒子滤波器的基本原理始于PMC仿真,其中函数的期望为:
;
可以近似为:
;
在N充分大时,绝对收敛于。
粒子滤波算法的步骤进行归纳:
(1)初始化
当k=0时,根据,对进行采样
(2)重要性函数权值加权
对粒子的重要性权值加权进行计算,再进行正则化
;
(3)状态估计
;
(4)重采样
如果,进行重采样,得到新的粒子集。
本发明的有益效果:
本发明针对运动跟踪目标算法,该粒子滤波器非线性环境中能发挥其良好的性能,适用于非高斯分布噪声环境,提高了运动跟踪目标算法的实用性。
附图说明
图1为本发明的粒子滤波算法流程图;
图2为本发明的基于粒子滤波波的视频目标跟踪算法流程图。
具体实施方式
下面结合附图对本发明的原理和具体连接关系做更详细地描述:
实施例1
结合图1,图1是本发明的粒子滤波算法流程图;粒子滤波算法的步骤进行归纳:
(1)初始化
当k=0时,根据,对进行采样。
(2)重要性函数权值加权
对粒子的重要性权值加权进行计算,再进行正则化,
。
(3)状态估计
。
(4)重采样
如果,进行重采样,得到新的粒子集。
实施例2
图2为本发明的基于粒子滤波波的视频目标跟踪算法流程图。视频目标跟踪算法的步骤如下:
(1)框选目标,初始化粒子,在选择完目标,计算该区域的颜色直方图,设此时K=0,以目标的初始运动状态作为先验分布,对粒子集进行初始化,得到;
(2)系统状态转移,在已知的情况下,根据状态转移方程计算,;
(3);
(4)利用颜色直方图检测,在k时刻,在粒子可能的分布区域开一个跟踪窗,再利用Bhattacharyya距离来计算初始颜色直方图与跟踪窗内颜色直方图的相似性,得到;
(5)计算残差
,
更新权值,根据计算出的残差,据式(4.3)(4.4)算出各个粒子权值,并归一化;
(6)得到后验输出;
;
(7)重采样,如果小于阈值,进行重采样,重新得到N个样本;K=k+1,返回(2)。
Claims (3)
1.一种运动目标跟踪算法,其特征在于:算法采用重采样的方法来解决粒子退化的问题,本算法根据本实验所用到的目标视频,采用一阶自回归模型为状态转移模型,颜色直方图模型作为观测概率模型,加权准则来计算后验输出,建立目标跟踪系统。
2.根据权利要求1所述的一种运动目标跟踪算法,其特征在于:粒子滤波算法的步骤进行归纳为:
(1)初始化:
当k=0时,根据 ,对进行采样;
(2)重要性函数权值加权:
对粒子的重要性权值加权进行计算,再进行正则化,
;
(3)状态估计:
;
(4)重采样 :
如果,进行重采样,得到新的粒子集。
3.根据权利要求1所述的一种运动目标跟踪算法,其特征在于:视频目标跟踪算法的步骤如下:
(1)框选目标,初始化粒子,在选择完目标,计算该区域的颜色直方图,设此时K=0,以目标的初始运动状态作为先验分布,对粒子集进行初始化,得到;
(2)系统状态转移,在已知的情况下,根据状态转移方程计算,;
(3);
(4)利用颜色直方图检测,在k时刻,在粒子可能的分布区域开一个跟踪窗,再利用Bhattacharyya距离来计算初始颜色直方图与跟踪窗内颜色直方图的相似性,得到;
(5)计算残差
,
更新权值,根据计算出的残差,据式(4.3)(4.4)算出各个粒子权值,并归一化;
(6)得到后验输出;
;
(7)重采样,如果小于阈值,进行重采样,重新得到N个样本;K=k+1,返回(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410468506.5A CN104182994A (zh) | 2014-09-16 | 2014-09-16 | 一种运动目标跟踪算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410468506.5A CN104182994A (zh) | 2014-09-16 | 2014-09-16 | 一种运动目标跟踪算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104182994A true CN104182994A (zh) | 2014-12-03 |
Family
ID=51964010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410468506.5A Pending CN104182994A (zh) | 2014-09-16 | 2014-09-16 | 一种运动目标跟踪算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182994A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354818A (zh) * | 2015-09-25 | 2016-02-24 | 广西大学 | 一种基于粒子滤波的输电线跟踪方法和装置以及无人机 |
CN105844660A (zh) * | 2015-01-16 | 2016-08-10 | 江苏慧眼数据科技股份有限公司 | 一种基于空间brs的粒子滤波行人跟踪方法 |
-
2014
- 2014-09-16 CN CN201410468506.5A patent/CN104182994A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844660A (zh) * | 2015-01-16 | 2016-08-10 | 江苏慧眼数据科技股份有限公司 | 一种基于空间brs的粒子滤波行人跟踪方法 |
CN105354818A (zh) * | 2015-09-25 | 2016-02-24 | 广西大学 | 一种基于粒子滤波的输电线跟踪方法和装置以及无人机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A multiple object tracking method using Kalman filter | |
Vo et al. | Closed-form solutions to forward–backward smoothing | |
CN101957997B (zh) | 一种动态场景中基于区域均值核密度估计的运动目标检测方法 | |
CN102682303A (zh) | 基于lbp加权社会力模型的人群异常事件检测方法 | |
Kothiya et al. | A review on real time object tracking in video sequences | |
CN102142085A (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
CN106291498A (zh) | 一种基于粒子滤波的检测跟踪联合优化方法 | |
CN104182994A (zh) | 一种运动目标跟踪算法 | |
CN104199006B (zh) | 一种基于多假设联合分布滤波器的随机集跟踪方法 | |
Thombre et al. | Human detection and tracking using image segmentation and Kalman filter | |
Zhao et al. | An approach based on mean shift and kalman filter for target tracking under occlusion | |
Li et al. | Loitering detection based on trajectory analysis | |
CN102663746B (zh) | 一种基于视频的背景检测方法 | |
Zhao et al. | Shooting for smarter motion detection in cameras: improvements for the visual background extractor algorithm using optical flow | |
CN103390172A (zh) | 一种高密度场景下的人群密度估计方法 | |
Akhloufi | Pan and tilt real-time target tracking | |
Waregaonkar et al. | Development of prototype for vehicle speed measurement | |
Dai et al. | Robust video object tracking using particle filter with likelihood based feature fusion and adaptive template updating | |
Dong et al. | Design and implementation of a moving object tracking system | |
Topkaya et al. | Detecting and tracking unknown number of objects with Dirichlet process mixture models and Markov random fields | |
Nagy et al. | A robust approach for object tracking based on particle filter and optimized likelihood | |
Gunawan et al. | NONRETINOTOPIC PARTICLE FILTER FOR VISUAL TRACKING. | |
Soeleman et al. | Tracking Moving Objects based on Background Subtraction using Kalman Filter | |
CN103236051A (zh) | 红外搜索跟踪系统背景更新方法 | |
Vijay et al. | An integrated system for tracking and recognition using Kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141203 |