CN106023242A - 一种基于量子均值漂移的抗遮挡多运动车辆追踪方法 - Google Patents

Abstract

本发明涉及一种基于量子均值漂移的抗遮挡运动多车辆追踪方法，包括如下步骤：1)读取第一帧图像，并用鼠标依次圈出要追踪的车辆。提取每一辆车所处区域图像的像素值，以此为基础建立均值漂移算法的数学模型；2)读取下一帧图像，提取每一辆车候选区域图像的像素值；3)判断车辆是否发生遮挡；4)如果车辆没有被遮挡，则以初始帧和当前帧灰度图像的像素点坐标为基础建立量子进化算法模型，搜索出当前帧车辆的最优位置。将当前帧搜索得到的车辆中心位置与前一帧的车辆位置进行比较，如果满足条件，则当前帧的车辆中心位置即为所追踪的车辆的中心位置，从而实现对视频图像中多车辆的实时追踪。

Description

一种基于量子均值漂移的抗遮挡多运动车辆追踪方法

技术领域

本发明涉及一种图像处理技术领域的抗遮挡运动多车辆追踪方法，具体涉及一种基于量子均值漂移的抗遮挡多运动车辆追踪方法。

背景技术

存在遮挡的运动多车辆追踪一直是计算机视觉中具有挑战性的难题。目标遮挡的主要特征是目标信息的逐渐丢失，因此追踪算法的关键在于搜索到足够多的目标信息，从而较为准确地判断目标所在位置。遮挡增加了目标追踪的难度，导致目标追踪的不稳定性甚至目标丢失。一个有效的追踪方法应该能够准确的判断遮挡的发生，并且当目标发生遮挡时仍可以利用目标剩余的信息继续追踪目标。

为了解决目标遮挡问题，人们提出了很多算法。王展青等人(见：王展青，凡友福，张桂林.跟踪遮挡目标的一种鲁棒算法[J].计算机工程与应用，2007,43(27)：50-53)提出了根据卡尔曼滤波器残差的大小来判断遮挡的方法，发生完全遮挡情况时，结合目标的运动方向使用六点搜索策略来找回目标，但是如果目标运动方向发生变化时，目标丢失；田伟等人(见：田伟，罗予频，华成英.遮挡情况下多目标跟踪的一种新方法[J].计算机工程与应用，2007,43(13)：33-36)提出了一种方法：将遮挡情况作为目标的一个状态分量，在对遮挡估计的基础上计算目标的观测置信度，该方法对遮挡不严重的目标具有很好的效果。

均值漂移是一种核密度估计的图像特征分析方法，基于最优梯度下降的方法，通过迭代的方法搜索目标，即先算出当前点的漂移均值点，移动该点到其漂移位置，然后以此为新的起始点，继续移动，直到飘移到密度函数的局部极大值点或满足一定的条件为止，实现对运动目标的追踪，能够实时追踪非刚性目标，对目标的变形、旋转等运动具有较好的适用性。但是由于均值漂移方法在目标追踪过程中没有利用目标在空间中的运动方向和运动速度信息，当周围环境存在干扰时，仅使用均值漂移容易丢失目标；而且，由于受均值漂移方法理论本身原理的局限性，它只能对特征点近距离的像素点的概率密度函数进行泰勒展开，当下一帧图像对应特征点偏离当前帧对应特征点较远时，均值漂移方法就会出现很大误差，造成追踪失败。量子进化算法是最近发展起来的一种概率进化算法，具有很大的研究价值。它以量子计算概念和原理为基础，用量子码和量子门作为更新算子来完成进化搜索。目前量子进化算法已经应用到数值优化、组合优化、图形图像处理、电路设计、通信、多目标优化等领域。量子进化算法建立在量子的态矢量表述基础上，用量子比特的几率幅来表示染色体的编码，使得一条染色体可以表达多个态的叠加，并利用量子旋转门和量子非门实现染色体的更新操作，从而实现目标的优化求解。量子进化算法是解决优化问题的一种有效方法，具有非常高效的信息并行处理能力，但是由于它本身具有很大的随机性，使其在实际应用中存在收敛速度慢、退化等问题，影响了其应用效果。

本发明的目的在于针对均值漂移和量子进化算法的不足，提供一种基于量子均值漂移的抗遮挡多运动车辆追踪方法，采用基于颜色直方图均值漂移并结合量子进化算法对图像特征点进行搜索，同时引入帧间差分法判断目标的遮挡情况并线性预测当目标发生遮挡时目标在当前帧的位置，有效克服了当下一帧图像对应特征点偏离当前帧对应特征点较远时均值漂移方法出现的较大误差和目标发生遮挡时目标信息丢失的难题，取得了较好的追踪效果。

发明内容

本发明针对现有均值漂移理论不足，采用均值漂移与量子进化算法相结合来处理动态背景下多辆车的追踪问题，同时引入了差分算法，既提高了目标追踪的准确率和实时性，又有效解决了目标追踪过程中由于遮挡而识别效率低的问题，具有更高的可行性。本发明的具体步骤如下：

Step 1：完成对视频图像信息的采集，读取第一帧图像，并用鼠标依次圈出要追踪的车辆。提取每一辆车所在区域图像的像素值。

Step 2：设车辆所在区域像素的中心坐标为x₀，第i个像素的坐标用x_i表示，则目标模型的第u种颜色分布特征值的概率为：

${\hat{q}}_u=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left({\left|\right|\frac{x_0-x_i}{h}\left|\right|}^2\right)\mathrm{\δ}[b\left(x_i\right)-u]$

其中u＝1,2,...,m，k(x)为核函数，h表示核函数的带宽，函数b(x_i)和δ(x)的作用是判断x_i的颜色值是否属于第u特征值，C是一个标准化的常量系数，使得所有特征值的概率和为1。

Step 3：读取下一帧图像，车辆可能存在的图像区域即目标候选区域，提取每一辆车在目标候选区域图像的像素值。

Step 4：假设候选区域图像模型中心坐标为y₀，x_i(i＝1,2,...,n_k)表示该区域内每个像素点的坐标，则候选模型的第u种颜色分布特征值的概率为：

${\hat{p}}_u\left(y_0\right)=C\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}k\left({\left|\right|\frac{y_0-x_i}{h}\left|\right|}^2\right)\mathrm{\δ}[b\left(x_i\right)-u]$

Step 5：相似性函数是用来表示候选模型和目标模型之间的关系，即目标模型与候选模型之间的相似度。在基于均值漂移的多目标追踪算法中，广泛使用Bhattacharyya系数作为相似性函数。定义两个离散分布之间距离：

$d\left(y\right)=\sqrt{1-\mathrm{\ρ}[\hat{p}\left(y\right),\hat{q}]}$

则相似度系数为：

$\mathrm{\ρ}\left(y\right)\≡\mathrm{\ρ}[p\left(y\right),q]=\underset{u=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{p_u\left(y\right)q_u}$

Step 6：建立卡尔曼滤波器模型：

离散状态方程：x(k)＝A(k)x(k-1)+ω(k-1)

式中x(k)表示状态变量构成的多维状态矢量，A和B是由系统特性确定的矩阵。

离散量测方程：y_k＝C_kx_k+v_k。

其中s_k＝C_kx_k表示信号的真值，噪声v_k表示量测时引入的误差的随机向量。

由下式判定车辆是否被严重遮挡。当f(k)＝1，则车辆处于无遮挡或者遮挡不严重的状态，当f(k)＝0，则表明车辆处于严重遮挡或完全遮挡状态。

Step 7：如果发生严重遮挡，利用利用运动状态线性预测车辆在当前帧中的位置y₀，并采用卡尔曼滤波搜索策略确认当前帧中车辆位置y₁。

Step 8：如果车辆没有被严重遮挡，以前初始帧和当前帧灰度图像的像素值为基础建立量子进化算法模型：

1)以当前帧图像中候选模型区域的灰度图像的像素值作为初始种群其中n为种群大小；m为量子染色体的长度；为定义如下的染色体： $q_j^t=\left[\begin{array}{cccc}{\mathrm{\α}}_1^t& {\mathrm{\α}}_2^t& ...& {\mathrm{\α}}_m^t\\ {\mathrm{\β}}_1^t& {\mathrm{\β}}_2^t& ...& {\mathrm{\β}}_m^t\end{array}\right],j=\mathrm{1,2},...,n,$ 进化代数初始化T＝0；

2)初始化种群Q(t)，若将全部染色体中的 ${\mathrm{\α}}_i^t,{\mathrm{\β}}_i^t(i=\mathrm{1,2},...,m)$ 以及 $q_j^t(j=\mathrm{1,2},...,n)$ 均置为 $\frac{1}{\sqrt{2}},$ 即：

则表示在t＝0时刻，所有可能的线性叠加态以相同的概率出现。

3)对种群Q(t)进行观测，每一个量子比特都会由计算机对应的产生一个[0，1]之间的随机数r，当r<|β_i|²时，该位的观测态是“1”，否则是“0”。生成观测态种群：其中是染色体观测产生的一个二进制串，其长度是m。

4)对生成的观测态种群P(t)中的所有个体评价其适应度值，保持适应度较高的个体。

5)对种群P(t)采用量子旋转门U(θ_i)进行量子门操作，更新P(t)中适应度低的个体，保存最优解。

6)令进化代数T＝T+1，转至3)续执行算法，直到满足停止条件为止，输出最优解

Step 9：由Step 4和5计算计算候选模型 $\left\{{\hat{p}}_u\left({\hat{y}}_0\right)\right\}(u=1...m),$ 并估计相似度 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_0\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_0\right){\hat{q}}_u}.$ 计算候选目标 $\left\{{\hat{p}}_u\left({\hat{y}}_1\right)\right\}(u=1...m),$ 并估计相似度 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_1\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_1\right){\hat{q}}_u}.$

Step 10：如果 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_1\right),\hat{q}]<\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_0\right),\hat{q}],$ 令 ${\hat{y}}_1\&LeftArrow;\frac{1}{2}({\hat{y}}_0+{\hat{y}}_1),$ 继续计算 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_1\right),\hat{q}].$ 如果 $\left|\right|{\hat{y}}_1-{\hat{y}}_0\left|\right|<\mathrm{\&epsiv;},$ 输出算法结束，输出最优解；否则转至Step 4。

附图说明

图1为算法流程图；

图2为仿真结果。

具体实施步骤

如图1所示，具体实施方式如下：

Step 1：完成对视频图像信息的采集，读取第一帧图像，并用鼠标依次圈出要追踪的车辆。提取每一辆车所在区域图像的像素值。

Step 2：设车辆所在区域像素的中心坐标为x₀，第i个像素的坐标用x_i表示，则目标模型的第u个颜色分布特征值的概率为：

${\hat{q}}_u=C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_0-x_i}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u]$

其中u＝1,2,...,m，k(x)为核函数，h表示核函数的带宽，函数b(x_i)和δ(x)的作用是判断x_i的颜色值是否属于第u特征值，C是一个标准化的常量系数，使得所有特征值的概率和为1。

Step 3：读取下一帧图像，车辆可能存在的图像区域即目标候选区域，提取每一辆车在目标候选区域图像的像素值。

Step 4：假设候选区域图像模型中心坐标为y₀，x_i(i＝1,2,...,n_k)表示该区域内每个像素点的坐标，则候选模型的第u个颜色分布特征值的概率为：

${\hat{p}}_u\left(y_0\right)=C\underset{i=1}{\overset{n_k}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{y_0-x_i}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u]$

Step 5：相似性函数是用来表示候选模型和目标模型之间的关系，即目标模型与候选模型之间的相似度。在基于均值漂移的多目标追踪算法中，广泛使用Bhattacharyya系数作为相似性函数。定义两个离散分布之间距离：

$d\left(y\right)=\sqrt{1-\mathrm{\&rho;}[\hat{p}\left(y\right),\hat{q}]}$

则相似度系数为：

$\mathrm{\&rho;}\left(y\right)\&equiv;\mathrm{\&rho;}[p\left(y\right),q]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{p_u\left(y\right)q_u}$

Step 6：建立卡尔曼滤波器模型：

离散状态方程：x(k)＝A(k)x(k-1)+ω(k-1)

式中x(k)表示状态变量构成的多维状态矢量，A和B是由系统特性确定的矩阵。

离散量测方程：y_k＝C_kx_k+v_k。

其中s_k＝C_kx_k表示信号的真值，噪声v_k表示量测时引入的误差的随机向量。

由下式判定车辆是否被严重遮挡。当f(k)＝1，则车辆处于无遮挡或者遮挡不严重的状态，当f(k)＝0，则表明车辆处于严重遮挡或完全遮挡状态。

Step 7：如果发生严重遮挡，利用利用运动状态线性预测车辆在当前帧中的位置y₀，并采用卡尔曼滤波搜索策略确认当前帧中车辆位置y₁。

Step 8：如果车辆没有被严重遮挡，以前初始帧和当前帧灰度图像的像素值为基础建立量子进化算法模型：

1)以当前帧图像中候选模型区域的灰度图像的像素值作为初始种群其中n为种群大小；m为量子染色体的长度；为定义如下的染色体： $q_j^t=\left[\begin{array}{cccc}{\mathrm{\&alpha;}}_1^t& {\mathrm{\&alpha;}}_2^t& ...& {\mathrm{\&alpha;}}_m^t\\ {\mathrm{\&beta;}}_1^t& {\mathrm{\&beta;}}_2^t& ...& {\mathrm{\&beta;}}_m^t\end{array}\right],j=\mathrm{1,2},...,n,$ 进化代数初始化T＝0；

2)初始化种群Q(t)，若将全部染色体中的 ${\mathrm{\&alpha;}}_i^t,{\mathrm{\&beta;}}_i^t(i=\mathrm{1,2},...,m)$ 以及 $q_j^t(j=\mathrm{1,2},...,n)$ 均置为 $\frac{1}{\sqrt{2}},$ 即：

则表示在t＝0时刻，所有可能的线性叠加态以相同的概率出现。

3)对种群Q(t)进行观测，每一个量子比特都会由计算机对应的产生一个[0，1]之间的随机数r，当r<|β_i|²时，该位的观测态是“1”，否则是“0”。生成观测态种群：其中是染色体观测产生的一个二进制串，其长度是m。

4)对生成的观测态种群P(t)中的所有个体评价其适应度值，保持适应度较高的个体。

5)对种群P(t)采用量子旋转门U(θ_i)进行量子门操作，更新P(t)中适应度低的个体，保存最优解。

6)令进化代数T＝T+1，转至3)继续执行算法，直到满足停止条件为止，输出最优解

Step 9：由Step 4和5计算计算候选模型 $\left\{{\hat{p}}_u\left({\hat{y}}_0\right)\right\}(u=1...m),$ 并估计相似度 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_0\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_0\right){\hat{q}}_u}.$ 计算候选目标 $\left\{{\hat{p}}_u\left({\hat{y}}_1\right)\right\}(u=1...m),$ 并估计相似度 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_1\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_1\right){\hat{q}}_u}.$

Step 10：如果 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_1\right),\hat{q}]<\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_0\right),\hat{q}],$ 令 ${\hat{y}}_1\&LeftArrow;\frac{1}{2}({\hat{y}}_0+{\hat{y}}_1),$ 继续计算 $\mathrm{\&rho;}[\hat{p}\left({\hat{y}}_1\right),\hat{q}].$ 如果 $\left|\right|{\hat{y}}_1-{\hat{y}}_0\left|\right|<\mathrm{\&epsiv;},$ 输出算法结束，输出最优解；否则转至Step 4。

Claims (2)

1.一种基于量子均值漂移的抗遮挡多运动车辆追踪方法，其特征在于，包括以下步骤：

(1)完成对视频图像信息的采集，读取第一帧图像，并用鼠标依次圈出要追踪的车辆；提取每一辆车所处区域图像的像素值；

(2)设车辆所在区域像素的中心坐标为x₀，第i个像素的坐标用x_i表示，则目标模型的第u种颜色分布特征值的概率为：

其中u＝1,2,...,m，k(x)为核函数，h表示核函数的带宽，函数b(x_i)和δ(x)的作用是判断x_i处的颜色值是否属于第u特征值，C是标准化常量系数，使得所有特征值的概率和为1；

(3)读取下一帧图像，提取每一辆车候选区域(车辆可能存在的区域称为候选区域)图像的像素值；

(4)假设候选模型中心坐标为y₀，x_i表示该区域内每个像素点的坐标，i＝1,2,...,n_k，则候选模型的第u种颜色分布特征值的概率为：

(5)相似性函数用来表示候选模型和目标模型之间的关系，即目标模型与候选模型之间的相似度；在基于均值漂移的多目标追踪算法中，广泛使用Bhattacharyya系数作为相似性函数定义两个离散分布之间距离：

则相似度系数为：

(6)卡尔曼滤波器模型：

离散状态方程：x(k)＝A(k)x(k-1)+ω(k-1)

式中x(k)表示状态变量构成的多维状态矢量，A和B是由系统特性确定的矩阵；

离散量测方程：y_k＝C_kx_k+v_k；

其中s_k＝C_kx_k表示信号的真值，v_k表示测量时引入的随机噪声；

通过上式判定车辆是否被严重遮挡；当f(k)＝1，则车辆处于无遮挡或者遮挡不严重的状态，当f(k)＝0，则表明车辆处于严重遮挡或完全遮挡状态；

(7)如果发生严重遮挡，利用运动状态线性预测车辆在当前帧中的位置y₀，并采用卡尔曼滤波搜索策略确认当前帧中车辆位置y₁；

(8)如果车辆没有被严重遮挡，以前初始帧和当前帧灰度图像的像素值为基础建立量子进化算法模型，量子进化算法步骤如下：

1)以当前帧图像中候选模型区域的灰度像素值作为初始种群其中n为种群大小；m为量子染色体的长度；为定义如下的染色体： j＝1,2…n，进化代数初始化T＝0；

2)初始化种群Q(t)，若将全部染色体中的 以及均置为即：

则意味着在t＝0时刻，所有可能的线性叠加态以相同的概率出现；

3)对种群Q(t)进行观测，每一个量子比特都会由计算机对应的产生一个[0,1]之间的随机数r，当r<|β_i|²时，该位的观测态是“1”，否则是“0”。生成观测态种群： 其中是染色体观测产生的一个二进制串，其长度是m；

4)对生成的观测态种群P(t)中所有个体计算适应度值，保留适应度较高个体；

5)对种群P(t)采用量子旋转门U(θ_i)进行量子门操作，更新P(t)中适应度低的个体，保存最优解；

6)令进化代数T＝T+1，转至步骤3)继续执行算法，直到满足停止条件为止，输出最优解

(9)由(4)和(5)计算候选模型并估计相似度 计算候选目标并估计相似度

(10)如果令继续计算如果 输出算法结束；否则转至(4)。

2.根据权利要求1所述的一种基于量子均值漂移的抗遮挡多运动车辆追踪方法，其特征在于，卡尔曼搜索策略的具体步骤如下：

在第k帧，车辆运动到B处时被部分遮挡，在k+1帧时车辆则处于完全被遮挡状态，此时进入搜索阶段；利用卡尔曼滤波和平均速度v预测出第k+1帧中车辆的位置A，以B为中心点，r为半径：

式中h是核函数的带宽；

在右半圆周上，设置5个等间距的搜索块，与B一起组成6个候选块。为了避免重复搜索，车辆运动速度较小时，取半径为h；车辆运动速度大于h时，为了增强搜索效率，取半径为|v|；当搜索块中有满足则认为遮挡结束，恢复对车辆进行正常追踪；当搜索不到车辆时，依据运动状态估计，认为车辆位于A位置，搜索结束，进入下一帧。