CN105427348A - 一种基于蝙蝠算法的视频目标跟踪方法 - Google Patents

Abstract

一种基于蝙蝠算法的视频目标跟踪方法，属于运动目标跟踪技术领域。其特征在于：包括以下步骤：步骤1，在视频初始帧图像中，确定目标初始状态矢量；步骤2，根据目标的状态矢量，建立目标的核函数加权颜色模型；步骤3，利用蝙蝠算法，在下一帧图像中，对目标的最优位置进行优化搜索；步骤4，根据适应度值对蝙蝠群进行排序，找到适应度值最大的蝙蝠的状态，根据该状态在当前图像中定位出目标的位置；步骤5，判断视频中是否有新图像输入，如果有，则继续执行步骤3，否则，程序结束。本发明利用蝙蝠算法对视频图像中的运动目标进行跟踪，通过局部搜索和全局搜索的动态平衡，实时地更新蝙蝠群自身的状态，获得准确、实时、鲁棒的跟踪效果。

Description

一种基于蝙蝠算法的视频目标跟踪方法

技术领域

一种基于蝙蝠算法的视频目标跟踪方法，属于运动目标跟踪技术领域。

背景技术

目标跟踪技术是计算机视觉领域的研究热点和难点。目标跟踪主要目的是获得运动目标的实时状态，为后续的视觉分析和行为理解提供依据。目标跟踪已广泛应用于智能视频监控、智能人机交互、视频压缩编码、机器人视觉导航、精确制导系统等领域，具有极为广阔的理论和实际研究价值。

虽然研究人员对目标跟踪开展过大量研究，提出了诸多目标跟踪算法。文献(Yilmaz,O.Javed,andM.Shah.“ObjectTracking:ASurvey”.ACMCOMPUTSURV,38(4):1-45(2006))和文献(Y.Wu,J.W.Lim,andM.H.Yang.“ObjectTrackingBenchmark”.IEEETPATTERNANAL,37(9):1834-1848(2015))对近20年的目标跟踪算法进行了综述。但是，由于复杂多变的外界环境，目标跟踪仍然是计算机视觉领域内的研究热点和难点问题之一。如何在复杂多变的环境下设计一个准确、实时、鲁棒的目标跟踪算法仍然是一个亟待解决的难题。

运动目标跟踪可以理解为通过目标的有效表达，在连续的图像序列中寻找与目标状态最相似的候选目标区域的过程。因此，运动目标的特征建模和搜索策略是目标跟踪算法的两个关键因素。

近年来，目标的特征建模技术获得了很大的发展，学者们提出了诸多行之有效的目标建模方法。文献(X.Li,W.Hu,C.Shen,Z.Zhang,A.Dick,A.vandenHengel.“Asurveyofappearancemodelsinvisualobjecttracking”[J].ACMTransactionsonIntelligentSystemsandTechnology(TIST)，4(4):1-58(2013))对目标的特征建模技术进行了详细的综述。

相比较目标建模技术，目标的搜索策略没有得到足够的重视和研究。在目标跟踪过程中，直接对场景中可能存在目标的区域进行匹配和搜索，寻找最佳匹配位置，需要处理大量的冗余信息，运算耗时。采用合适的搜索策略，通过对未来时刻目标的状态进行估计和假设，缩小目标搜索范围具有非常重要的意义。

根据目标搜索方式的不同,目标跟踪可以分为基于均值漂移和基于粒子滤波两种跟踪方法。基于均值漂移的跟踪算法以目标初始位置为起点，沿着密度梯度下降最快的方向移动，得到新的位置，再以新的位置作为起点寻找下一个新的位置，算法逐次迭代，直到收敛到目标位置。基于粒子滤波的目标跟踪算法用一组离散的粒子来近似系统随机变量的概率密度函数，以样本均值代替积分运算，从而获得状态最小方差估计。

基于均值漂移的目标跟踪算法本质上是一种基于梯度下降的寻优算法，但在目标跟踪过程中没有充分利用目标在空间中的运动方向和速度等信息，当周围环境存在干扰时，容易陷入局部最优，造成目标丢失。基于粒子滤波的目标跟踪算法没有充分利用当前的观测信息，粒子经过运动模型传播后，没有根据观测信息实时更新搜索空间中的粒子状态，并且重采样的引入容易引起粒子匮乏现象，导致目标丢失。

蝙蝠算法(Batalgorithm，BA)是由剑桥大学杨新社博士提出的一种模拟蝙蝠回声定位行为的新颖的群智能优化算法(X.S.Yang,“Anewmetaheuristicbat-inspiredalgorithm”[M].Natureinspiredcooperativestrategiesforoptimization(NICSO2010).SpringerVerlag.284:65-74(2010))。该算法具有模型简单、收敛速度快、可并行处理等特点。作为一种新的智能优化算法，蝙蝠算法正在逐步被人们应用在各种优化领域，并取得了不错的效果。但截止到目前，还没有被应用在目标跟踪领域。

发明内容

本发明所要解决的技术问题是：克服现有技术的不足，提供一种在复杂多变的环境下准确、实时、鲁棒的视频目标跟踪方法。

本发明解决其技术问题所采用的技术方案是：该基于蝙蝠算法的视频目标跟踪方法，其

特征在于：包括以下步骤：

步骤1，在视频初始帧图像中，选定目标，确定目标初始状态矢量；

步骤2，根据目标的状态矢量，建立目标的核函数加权颜色模型；

步骤3，利用蝙蝠算法，在下一帧图像中，对目标的最优位置进行优化搜索；

步骤4，根据适应度值对蝙蝠群进行排序，找到适应度值最大的蝙蝠的状态，根据该状态在当前图像中定位出目标的位置；

步骤5，判断视频中是否有新图像输入，如果有，则执行步骤3，否则，程序结束。

优选的，步骤1所述的目标初始状态矢量为x＝[x,y,s]，其中，(x,y)表示目标中心点的坐标，s表示目标的缩放尺度。

优选的，步骤2所述的目标的核函数加权颜色模型：

${\hat{p}}_c^{\left(u\right)}\left(X_k\right)=C\underset{i=1}{\overset{M}{\Σ}}k\left(\right|\left|\frac{c-c_i}{r}\right|{|}^2)\mathrm{\δ}\[b\left(c_i\right)-u\],u=1,...,m$

其中，δ(·)为Delta函数；b(c_i)为颜色量化函数，表示将位于c_i处的像素颜色值量化并将其分配到颜色直方图相应的颜色等级索引中；u为直方图中颜色等级索引；归一化因子：k(·)为核函数，其定义如下：

‖r‖为像素点距离目标中心的距离。

优选的，步骤3所述的蝙蝠算法的具体步骤为：

步骤3.1，根据目标的状态转移模型x_k+1＝x_k+G_k，在下一帧中初始化蝙蝠群状态矢量x_i(i＝1,2,3,...,N)，其中，G_k为随机扰动噪声，N为种群个数；同时，初始化每只蝙蝠的飞行速度v_i、脉冲频率r_i ⁰和脉冲幅度其中，v_i＝0，r_i ⁰和为[0,1]范围内满足均匀分布的随机数；

步骤3.2，设置迭代终止条件；

步骤3.3，计算每只蝙蝠的适应度值，根据每只蝙蝠对应的候选状态矢量，建立候选区域的核函数加权颜色模型，并计算候选状态和目标初始状态的相似度，作为每只蝙蝠的适应度值，其中，相似度采用Bhattacharyya系数：

其中，p、q为两个样本，m是颜色分块数，p_i、q_i分别是在p、q中第i部分的成员数；

步骤3.4，根据适应度值对蝙蝠群进行排序，找出最优状态的蝙蝠个体；

步骤3.5，根据以下公式分别对第i只蝙蝠的位置和速度进行更新，

$v_i^t=v_i^{t-1}+(x_i^t-x^{*})\·f_i$

$x_i^t=x_i^{t-1}+v_i^t$

式中，和分别表示第i只蝙蝠在t-1和t时刻的飞行速度；表示第i只蝙蝠在t时刻的空间位置，x^*表示在当前群体中最优蝙蝠所处的位置；f_i∈[f_min,f_max]为搜索脉冲频率范围；

步骤3.6，判断条件R₁＜r_i，其中，r_i是第i只蝙蝠的脉冲频率，R₁∈[0,1]为满足均匀分布的随机数，如果满足条件，接受更新后的位置；否则，新位置x_new由当前最佳位置x_{pre_best}按照以下公式扰动产生：

x_new＝x_{pre_best}+εA_t，其中，ε∈[-1,1]是服从均匀分布的随机数，是在t时刻所有蝙蝠的平均脉冲幅度；

步骤3.7，根据新位置状态，建立核函数加权颜色模型，并计算新位置状态和目标初始状态的相似度；

步骤3.8，判断新位置是否优于先前位置并且同时满足R₂＜A_i，其中，A_i是第i只蝙蝠的脉冲幅度，R₂∈[0,1]为满足均匀分布的随机数，如果新位置比先前位置更优，则用新位置替换先前位置；否则，先前位置不变；

步骤3.9，判断新位置是否优于当前最佳位置，如果新位置比当前最佳位置更优，则用新位置替换当前最佳位置，并调整脉冲频率和幅度；否则，当前最佳位置保持不变；

步骤3.10，判断是否满足迭代终止条件，如果满足，优化搜索过程结束；否则，继续返回执行步骤3.4。

优选的，步骤3.2所述的迭代终止条件满足以下条件之一：其一，迭代次数达到设定的最大迭代次数Max_Iter，蝙蝠群体中最优个体的适应度值大于设定的阈值f_best；其二，蝙蝠群体中最优和最差的个体的距离小于设定的阈值d；其三，蝙蝠群体在连续最大迭代次数M次迭代中没有得到进一步优化。

优选的，步骤3.9所述的调整脉冲频率和幅度的具体方法按照如下公式调节，

r_i ^t+1＝r_i ⁰[1-exp(-γ×t)]

$A_i^{t+1}=\mathrm{\α}\×A_i^t$

式中：r_i ⁰表示蝙蝠i的初始脉冲频率；r_i ^t+1表示在t+1时刻蝙蝠i的脉冲频率；γ是脉冲频度增加系数；表示t时刻蝙蝠i发射脉冲的幅度；α是脉冲幅度衰减系数。

与现有技术相比，本发明所具有的有益效果是：利用新颖的自然启发算法-蝙蝠算法对视频图像中的运动目标进行跟踪，在迭代过程中，每只蝙蝠能够充分利用当前帧的观测信息，通过局部搜索和全局搜索的动态平衡来实时地更新自身的状态，能够有效地避免陷入局部最优。该方法能够获得准确、实时、鲁棒的跟踪效果。

附图说明

图1为一种基于蝙蝠算法的视频目标跟踪方法流程图。

图2为一种基于蝙蝠算法的视频目标跟踪方法中蝙蝠算法流程图。

具体实施方式

图1～2是本发明的最佳实施例，下面结合附图1～2对本发明做进一步说明。

参照附图1：一种基于蝙蝠算法的视频目标跟踪方法，包括以下步骤：

步骤1，在视频初始帧图像中，选定目标，确定目标初始状态矢量。

在视频图像初始帧中确定被跟踪目标的状态矢量x＝[x,y,s]，其中，(x,y)表示目标中心点的坐标，s表示目标的缩放尺度。

步骤2，根据目标的状态矢量，建立目标的核函数加权颜色模型：

${\hat{p}}_c^{\left(u\right)}\left(X_k\right)=C\underset{i=1}{\overset{M}{\Σ}}k\left(\right|\left|\frac{c-c_i}{r}\right|{|}^2)\mathrm{\δ}\[b\left(c_i\right)-u\],u=1,...,m$

其中，δ(·)为Delta函数；b(c_i)为颜色量化函数，表示将位于c_i处的像素颜色值量化并将其分配到颜色直方图相应的颜色等级索引中；u为直方图中颜色等级索引；归一化因子：k(·)为核函数，其定义如下：

‖r‖为像素距离目标中心的距离。

步骤3，利用蝙蝠算法，在下一帧图像中，搜索目标的最优位置，具体步骤为：

步骤3.1，根据目标的状态转移模型x_k+1＝x_k+G_k，在下一帧图像中初始化蝙蝠群候选状态矢量x_i(i＝1,2,...,N)，。其中，G_k为随机扰动噪声，N为种群个数；同时，初始化每只蝙蝠的飞行速度v_i、脉冲频率r_i ⁰和脉冲幅度其中，v_i＝0，r_i ⁰和为[0,1]范围内满足均匀分布的随机数。

步骤3.2，设置迭代终止条件。满足以下3个条件之一即可终止迭代搜索：

条件1：迭代次数达到设定的最大迭代次数Max_Iter。

条件2：蝙蝠群体中最优个体的适应度值大于设定的阈值f_best，并且蝙蝠群体中最优和最差的个体的距离小于设定的阈值d。

条件3：蝙蝠群体在连续M次迭代中没有得到进一步优化。

步骤3.3，计算每只蝙蝠的适应度值

根据每只蝙蝠对应的候选状态矢量，建立候选区域的核函数加权颜色模型模型，并计算候选状态和目标初始状态的相似度，作为每只蝙蝠的适应度值，其中，相似度采用Bhattacharyya系数：

${\mathrm{\ρ}}_{BC}(p,q)=\underset{i=1}{\overset{m}{\Σ}}\sqrt{p_i{q}_i}$

其中，p、q为两个样本，m是颜色分块数，p_i、q_i分别是在p、q中第i部分的成员数。

步骤3.4，根据适应度值对蝙蝠群进行排序，找出最优状态的蝙蝠个体。

步骤3.5，根据以下公式分别对第i只蝙蝠的位置和速度进行更新，

$v_i^t=v_i^{t-1}+(x_i^t-x^{*})\·f_i$

$x_i^t=x_i^{t-1}+v_i^t$

式中，和分别表示第i只蝙蝠在t-1和t时刻的飞行速度；表示第i只蝙蝠在t时刻的空间位置，x^*表示在当前群体中最优蝙蝠所处的位置；f_i∈[f_min,f_max]为搜索脉冲频率范围。

步骤3.6，判断条件R₁＜r_i，其中，r_i是第i只蝙蝠的脉冲频率，R₁∈[0,1]为满足均匀分布的随机数。如果满足条件，接受更新后的位置；否则，新位置x_new由当前最佳位置x_{pre_best}按照以下公式扰动产生：

x_new＝x_{pre_best}+εA_t，其中，ε∈[-1,1]是服从均匀分布的随机数，是在t时刻所有蝙蝠的平均脉冲幅度。

步骤3.7，根据新位置对应的状态建立核函数加权颜色模型，并计算新位置状态和目标初始状态的相似度。

步骤3.8，判断新位置是否优于先前位置并且同时满足R₂＜A_i，其中，A_i是第i只蝙蝠的脉冲幅度，R₂∈[0,1]为满足均匀分布的随机数。如果满足条件，用新位置替换先前位置；否则，先前位置不变。

步骤3.9，判断新位置是否优于当前最佳位置，如果新位置比当前最佳位置更优，则用新位置替换当前最佳位置，并调整脉冲频率和幅度；否则，当前最佳位置保持不变。

步骤3.10，判断是否满足迭代终止条件，如果满足，优化搜索过程结束；否则，继续返回执行步骤3.4。

步骤4，根据适应度值对蝙蝠群进行排序，找到适应度值最大的蝙蝠的状态，并根据状态在当前图像中定位出目标的位置。

步骤5，判断视频中是否有新图像输入。如果有，则执行步骤3；否则，程序结束。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.一种基于蝙蝠算法的视频目标跟踪方法，其特征在于：包括以下步骤：

步骤1，在视频初始帧图像中，选定目标，确定目标初始状态矢量；

步骤2，根据目标的状态矢量，建立目标的核函数加权颜色模型；

步骤3，利用蝙蝠算法，在下一帧图像中，对目标的最优位置进行优化搜索；

步骤4，根据适应度值对蝙蝠群进行排序，找到适应度值最大的蝙蝠的状态，根据该状态在当前图像中定位出目标的位置；

步骤5，判断视频中是否有新图像输入，如果有，则执行步骤3，否则，程序结束。

2.根据权利要求1所述的一种基于蝙蝠算法的视频目标跟踪方法，其特征在于：步骤1所述的目标初始状态矢量为x＝[x,y,s]，其中，(x,y)表示目标中心点的坐标，s表示目标的缩放尺度。

3.根据权利要求1所述的一种基于蝙蝠算法的视频目标跟踪方法，其特征在于：步骤2所述的目标的核函数加权颜色模型：

${\hat{p}}_c^{\left(u\right)}\left(X_k\right)=C\underset{i=1}{\overset{M}{\Σ}}k\left(\right|\left|\frac{c-c_i}{r}\right|{|}^2)\mathrm{\δ}\[b\left(c_i\right)-u\],u=1,...,m$

其中，δ(·)为Delta函数；b(c_i)为颜色量化函数，表示将位于c_i处的像素颜色值量化并将其分配到颜色直方图相应的颜色等级索引中；u为直方图中颜色等级索引；归一化因子：k(·)为核函数，其定义如下：

||r||为像素点距离目标中心的距离。

4.根据权利要求1所述的一种基于蝙蝠算法的视频目标跟踪方法，其特征在于：步骤3所述的蝙蝠算法的具体步骤为：

步骤3.1，根据目标的状态转移模型x_k+1＝x_k+G_k，在下一帧中初始化蝙蝠群状态矢量x_i(i＝1,2,3,...,N)，其中，G_k为随机扰动噪声，N为种群个数；同时，初始化每只蝙蝠的飞行速度v_i、脉冲频率和脉冲幅度其中，v_i＝0，和为[0,1]范围内满足均匀分布的随机数；

步骤3.2，设置迭代终止条件；

步骤3.3，计算每只蝙蝠的适应度值，根据每只蝙蝠对应的候选状态矢量，建立候选区域的核函数加权颜色模型，并计算候选状态和目标初始状态的相似度，作为每只蝙蝠的适应度值，其中，相似度采用Bhattacharyya系数：

其中，p、q为两个样本，m是颜色分块数，p_i、q_i分别是在p、q中第i部分的成员数；

步骤3.4，根据适应度值对蝙蝠群进行排序，找出最优状态的蝙蝠个体；

步骤3.5，根据以下公式分别对第i只蝙蝠的位置和速度进行更新，

$v_i^t=v_i^{t-1}+(x_i^t-x^{*})\·f_i$

$x_i^t=x_i^{t-1}+v_i^t$

式中，和分别表示第i只蝙蝠在t-1和t时刻的飞行速度；表示第i只蝙蝠在t时刻的空间位置，x^*表示在当前群体中最优蝙蝠所处的位置；f_i∈[f_min,f_max]为搜索脉冲频率范围；

步骤3.6，判断条件R₁＜r_i，其中，r_i是第i只蝙蝠的脉冲频率，R₁∈[0,1]为满足均匀分布的随机数，如果满足条件，接受更新后的位置；否则，新位置x_new由当前最佳位置x_{pre_best}按照以下公式扰动产生：

x_new＝x_{pre_best}+εA_t，其中，ε∈[-1,1]是服从均匀分布的随机数，是在t时刻所有蝙蝠的平均脉冲幅度；

步骤3.7，根据新位置状态，建立核函数加权颜色模型，并计算新位置状态和目标初始状态的相似度；

步骤3.8，判断新位置是否优于先前位置并且同时满足R₂＜A_i，其中，A_i是第i只蝙蝠的脉冲幅度，R₂∈[0,1]为满足均匀分布的随机数，如果新位置比先前位置更优，则用新位置替换先前位置；否则，先前位置不变；

步骤3.9，判断新位置是否优于当前最佳位置，如果新位置比当前最佳位置更优，则用新位置替换当前最佳位置，并调整脉冲频率和幅度；否则，当前最佳位置保持不变；

步骤3.10，判断是否满足迭代终止条件，如果满足，优化搜索过程结束；否则，继续返回执行步骤3.4。

5.根据权利要求4所述的一种基于蝙蝠算法的视频目标跟踪方法，其特征在于：步骤3.2所述的迭代终止条件满足以下条件之一：其一，迭代次数达到设定的最大迭代次数Max_Iter，蝙蝠群体中最优个体的适应度值大于设定的阈值f_best；其二，蝙蝠群体中最优和最差的个体的距离小于设定的阈值d；其三，蝙蝠群体在连续最大迭代次数M次迭代中没有得到进一步优化。

6.根据权利要求4所述的一种基于蝙蝠算法的视频目标跟踪方法，其特征在于：步骤3.9所述的调整脉冲频率和幅度的具体方法按照如下公式调节：

$r_i^{t+1}=r_i^0\[1-\exp (-\mathrm{\γ}\×t)\]$

$A_i^{t+1}=\mathrm{\α}\×A_i^t$

式中：表示蝙蝠i的初始脉冲频率；表示在t+1时刻蝙蝠i的脉冲频率；γ是脉冲频度增加系数；表示t时刻蝙蝠i发射脉冲的幅度；α是脉冲幅度衰减系数。