CN105225250B

CN105225250B - 基于显著性直方图模型的粒子滤波跟踪方法

Info

Publication number: CN105225250B
Application number: CN201510569439.0A
Authority: CN
Inventors: 修春波; 何慧尧
Original assignee: Tianjin Polytechnic University
Current assignee: Tianjin Polytechnic University
Priority date: 2015-09-09
Filing date: 2015-09-09
Publication date: 2018-01-23
Anticipated expiration: 2035-09-09
Also published as: CN105225250A

Abstract

本发明属于图像处理与目标跟踪领域，具体为一种基于显著性直方图模型的粒子滤波跟踪方法。通过对比目标与背景区中像素色调的分布，确定出不同色调等级的显著性权值，易于区分目标的色调具有较大的显著性权值，从而建立起目标的显著性直方图模型。并利用所建立的显著性直方图模型实现粒子滤波跟踪。本发明适用于运动目标跟踪系统中。

Description

基于显著性直方图模型的粒子滤波跟踪方法

技术领域

本发明属于图像处理与目标跟踪领域，涉及一种改进的粒子滤波跟踪方法，特别涉及一种基于显著性直方图模型的粒子滤波跟踪方法。

背景技术

目标识别与跟踪技术在国防军事、工业生产、智能交通以及视频监控等诸多领域有着重要的应用价值，一直是机器视觉领域研究的热点问题之一。序列图像的目标跟踪是指根据目标当前的位置、速度、加速度以及大小等状态信息完成目标未来状态信息的估计和预测，从而实现目标的定位与跟踪。这一过程可看作是根据目标状态的先验概率和观测值实现目标状态的最大后验概率贝叶斯估计问题。由于实际跟踪问题中的后验概率分布往往具有非线性、非高斯和多模态的特点，因此，限制了卡尔曼滤波方法的使用，而粒子滤波方法成为了解决这一问题的有效方法。粒子滤波也称为序贯蒙特卡洛方法，其思想通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。

在实际跟踪过程中，目标特征模型的选择对于目标识别的准确性和跟踪效果有着直接的影响。由于跟踪系统一般具有较严格的实时性要求，因此，计算量过大的特征模型不适合应用于跟踪系统中，而计算量较小的特征模型往往忽略了大量细节信息，无法对目标进行准确描述，从而影响跟踪性能。颜色直方图模型由于能够描述目标的全局特征，且具有计算简单的特点经常应用于目标跟踪方法中。传统的颜色直方图适用于目标与背景具有明显差异的跟踪系统中。当背景复杂时，背景与目标颜色相近的像素区域会对目标的识别产生干扰。为了克服这一问题，通常的解决方法是在直方图模型中融入其他辅助特征信息。不过，虽然将多种辅助特征融合能够提高目标描述的精确性，但各种特征的提取必然增加一定的计算量，从而对系统的实时性造成一定影响。另外，当目标处于复杂背景环境中时，背景区域也会存在与目标的边缘、纹理等辅助特征相似的区域，从而限制了多特征融合机制的作用。

因此，设计一种计算量较小、抗干扰能力较强的改进粒子滤波跟踪方法具有很好的应用价值。

发明内容

本发明所要解决的技术问题是，针对粒子滤波跟踪方法在复杂背景中跟踪性能下降的缺点，设计一种基于显著性直方图模型的粒子滤波跟踪方法。

本发明所采用的技术方案是：一种基于显著性直方图模型的粒子滤波跟踪方法，通过对比目标与背景区中像素色调的分布，确定出不同色调等级的显著性权值，易于区分目标的色调具有较大的显著性权值，从而建立起目标的显著性直方图模型。并利用所建立的显著性直方图模型实现粒子滤波跟踪。

本发明的目的在于在现有的粒子滤波跟踪方法的基础上设计一种改进的粒子滤波跟踪方法，突出目标特有色调在目标识别中的作用来提高跟踪方法的适应能力，具有很好的实用性。

附图说明

图1是标准粒子滤波跟踪效果图。

图2是本发明方法跟踪效果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

粒子滤波是利用蒙特卡洛积分实现递推贝叶斯滤波器的方法，其目的是为了构建状态变量的后验概率密度，主要包括预测和更新两个部分。当状态空间中的粒子数量足够多时，粒子的概率密度函数就逼近于状态的概率密度函数，粒子滤波就逼近于最优贝叶斯估计。设目标状态为x_t-1，利用后验概率密度p(x_t|z_t)可实现其后续状态x_t的估计，采用加权的后验样本集表示的后验概率密度p(x_t|z_t)为：

其中，N为粒子数量，为由状态方程求得的目标状态，δ为克罗内克函数，为归一化权值：

其中为归一化前的粒子权重：

由此可得t时刻的状态估计为：

由于在目标实时跟踪过程中，相邻帧间目标运动的机动性较小，因此可采用一阶常速方程建立目标运动模型。设包含目标的最小方框图的中心坐标点为(x，y)，最小方框图的长和宽分别为2h_x和2h_y，目标在x和y方向的运动速度分别为和由此构造出目标的状态向量为：

设系统的采样周期为T，W_t为多变量的高斯白噪声，则可建立目标状态变化模型为：

其中，S_t和S_t-1分别为t时刻和t-1时刻的目标的状态向量。

由于跟踪过程中目标的大小会发生较大的随机变化，因此取(h_x，h_y)为随机扰动模型。

由于利用RGB颜色空间建立目标模型易受光照影响，因此本文在HSV颜色空间中选择H(色调)分量建立目标模型，这样既可减少光照影响，又可减少跟踪方法的计算量，提高模型的稳定性。

将色调特征划分为m个等级，目标中各像素的位置坐标为{(x_i，y_i)}，i＝1，2，...，s。其对应的色调特征值为b(x_i，y_i)，基本的色调直方图模型q＝{q_u}，u＝1，2，...，m可表示为：

当目标与背景的色调具有明显差异时，利用基本色调直方图模型就可以很好地将目标从背景中区分出来，但当背景中存在与目标相似的色调时，背景将会对目标的识别产生较大的干扰，从而降低目标跟踪的性能。

为了抑制背景对目标识别的影响，可对组成目标的色调等级进行显著性分析，既背景区中像素数量越少的色调等级，其显著性越高，因为这些色调等级易于将目标从背景中区分出来，应成为识别目标的主要色调等级。而背景区中像素数量较多的色调等级，其显著性越低，因为这些色调等级很容易混淆背景与目标之间的特征，在目标识别中应降低这些色调等级所起的作用。由此可建立起基于显著性的色调直方图模型。

将确定出的目标区向四周扩展出一定的区域，称之为背景区，对背景区的色调等级按照目标区的色调等级进行划分，由此建立起背景区的直方图模型r＝{r_u}，u＝1，2，...，m：

其中，b′(x_i，y_i)为背景区坐标位置为(x_i，y_i)像素点的色调特征值。

确定各色调等级的显著性程度h_u：

确定各色调等级显著性加权系数w_u：

其中σ为抑制系数，σ越小，对显著性程度低的色调等级抑制越明显，也就是对背景的干扰作用抑制越强。

由此可得显著性色调直方图模型q′＝{q′_u}，u＝1，2，...，m：

上述显著性直方图突出了目标特有色调的作用，由于目标特有色调等级能够很容易地将目标从背景中区分出来，因此，使用该模型能够在目标识别过程中有效抑制背景色调的影响，从而可提高目标识别的准确性。

利用上述基于显著性特征的直方图建立目标模型，采用粒子滤波方法实现目标跟踪，方法描述如下：

Step1.参数初始化。时间t＝0，手动选定初始目标区域，初始化粒子数为N，初始化状态分布每个粒子具有相同的权值，既第i个粒子的权值这样，粒子集可表示为利用式(11)建立目标的显著性直方图模型。

Step2.利用式(6)进行采样，得到新的粒子集

Step3.更新粒子权值。设利用式(11)建立的目标模板显著性直方图为q′₀＝{q′_0u}_{u＝1，2，，m}，第j个粒子所在目标候选区的显著性直方图为二者的Bhattacharyya系数为：

二者的相似程度可表示为：

d[q′₀，q′_j]的值越小，则模板与候选粒子区的相似度越大，该区域为跟踪目标的可能性就越大。粒子的观测似然函数设计为：

其中，σ为方差。粒子权重的递推公式为：

归一化的权重结果为：

Step4.重采样计算。

计算如果N_eff＜N_th，则复制高权值的粒子而舍去低权值的粒子，得到N个新粒子，并置新粒子权值为1/N；否则不执行重采样。

Step5.状态估计为：

Step6.t＝t+1，返回Step2。

从上述跟踪过程可以看出，本发明方法采用基于显著性直方图建立目标模型，突出了目标特有颜色信息的识别作用，能够用于解决复杂背景下的目标跟踪问题。

图1是标准粒子滤波跟踪效果图，图2是本发明方法跟踪效果图。由对比跟踪实验可见，由于本发明所设计的跟踪方法突出了目标特有颜色信息的识别作用，目标中与背景相似的色调特征被抑制，由此减弱了背景对目标识别与跟踪过程中的干扰，增强了目标区内显著性色调特征在识别与跟踪过程中的作用，因此，目标跟踪的准确性得到了提升。

本发明的优点在于，显著性直方图模型可抑制背景中与目标具有相似色调的区域对目标识别的干扰，突出目标特有色调在目标识别中的作用，从而提高目标识别的准确性能够改善跟踪方法的性能。本发明适用于运动目标跟踪系统中。

Claims

1.一种基于显著性直方图模型的粒子滤波跟踪方法，其特征在于，通过对比目标与背景区中像素色调的分布，确定出不同色调等级的显著性加权系数，易于区分目标的色调具有较大的显著性权值，从而建立起目标的显著性直方图模型，并利用所建立的显著性色调直方图模型实现粒子滤波跟踪；粒子滤波跟踪方法描述如下：

Step1.参数初始化，时间t＝0，手动选定初始目标区域，初始化粒子数为N，初始化状态分布每个粒子具有相同的权值，即第i个粒子的权值这样，粒子集可表示为目标中各像素的位置坐标为{(x_i，y_i)}，i＝1，2，...，s；色调特征值为b(x_i，y_i)，色调特征划分为m个等级，利用式(1)建立目标的显著性直方图模型：

<mrow> <msubsup> <mi>q</mi> <mi>u</mi> <mo>&prime;</mo> </msubsup> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </munderover> <msub> <mi>w</mi> <mi>u</mi> </msub> <mo>&CenterDot;</mo> <mi>&delta;</mi> <mo>&lsqb;</mo> <mi>b</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>u</mi> <mo>&rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

其中，w_u为各色调等级显著性加权系数，δ为克罗内克函数；

Step2.利用式(2)进行采样，得到新的粒子集

其中，S_t和S_t-1分别为t时刻和t-1时刻的目标的状态向量，T为系统的采样周期，W_t为多变量的高斯白噪声；

Step3.更新粒子权值，设利用式(1)建立的目标模板显著性直方图为q′₀＝{q′_0u}_{u＝1，2，...，m}，第j个粒子所在目标候选区的显著性直方图为q′_j＝{q′_ju}_{u＝1，2，...，m}，二者的Bhattacharyya系数为：

<mrow> <mi>&rho;</mi> <mo>&lsqb;</mo> <msubsup> <mi>q</mi> <mn>0</mn> <mo>&prime;</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mi>j</mi> <mo>&prime;</mo> </msubsup> <mo>&rsqb;</mo> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msqrt> <mrow> <msubsup> <mi>q</mi> <mrow> <mn>0</mn> <mi>u</mi> </mrow> <mo>&prime;</mo> </msubsup> <msubsup> <mi>q</mi> <mrow> <mi>j</mi> <mi>u</mi> </mrow> <mo>&prime;</mo> </msubsup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

二者的相似程度可表示为：

<mrow> <mi>d</mi> <mo>&lsqb;</mo> <msubsup> <mi>q</mi> <mn>0</mn> <mo>&prime;</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mi>j</mi> <mo>&prime;</mo> </msubsup> <mo>&rsqb;</mo> <mo>=</mo> <msqrt> <mrow> <mn>1</mn> <mo>-</mo> <mi>&rho;</mi> <mo>&lsqb;</mo> <msubsup> <mi>q</mi> <mn>0</mn> <mo>&prime;</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mi>j</mi> <mo>&prime;</mo> </msubsup> <mo>&rsqb;</mo> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

d[q′₀，q′_j]的值越小，则模板与候选粒子区的相似度越大，该区域为跟踪目标的可能性就越大，粒子的观测似然函数设计为：

<mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>t</mi> </msub> <mo>|</mo> <msubsup> <mi>x</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&pi;</mi> </mrow> </msqrt> <mi>&sigma;</mi> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mi>d</mi> <mn>2</mn> </msup> <mo>&lsqb;</mo> <msubsup> <mi>q</mi> <mn>0</mn> <mo>&prime;</mo> </msubsup> <mo>,</mo> <msubsup> <mi>q</mi> <mi>j</mi> <mo>&prime;</mo> </msubsup> <mo>&rsqb;</mo> </mrow> <mrow> <mn>2</mn> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

其中，σ为方差，粒子权重的递推公式为：

<mrow> <msubsup> <mi>&omega;</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>&omega;</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msubsup> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>t</mi> </msub> <mo>|</mo> <msubsup> <mi>x</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

归一化的权重结果为：

<mrow> <msup> <mover> <msub> <mi>&omega;</mi> <mi>t</mi> </msub> <mo>&OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mfrac> <msubsup> <mi>&omega;</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msubsup> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msubsup> <mi>&omega;</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

Step4.重采样计算，计算如果N_eff＜N_th，则复制高权值的粒子而舍去低权值的粒子，得到N个新粒子，并置新粒子权值为1/N；否则不执行重采样；

Step5.状态估计为：

Step6.t＝t+1，返回Step2。