CN106023254A - 基于箱粒子phd滤波的多目标视频跟踪方法 - Google Patents

Abstract

本发明提出了一种基于箱粒子PHD滤波的多目标视频跟踪方法，用于解决现有粒子PHD多目标视频跟踪方法中存在的计算复杂度高和运算效率低的技术问题，实现步骤包括目标位置初始化；建立运动模型；对视频目标进行前期处理；初始化箱粒子集；基于箱粒子PHD预测，得到预测箱粒子集；基于箱粒子PHD更新，得到收缩箱粒子和箱粒子更新权值；对箱粒子更新权值求和，获取目标数目；采用随机子划分重采样方法对收缩箱粒子进行重采样；对采样后箱粒子集进行聚类，得到目标状态集；最后将目标状态集导入视频后输出。本发明具有计算复杂度低，运算效率高的特点，可用于对交通流量及安保管理中对行人车辆的监控的领域。

Description

基于箱粒子PHD滤波的多目标视频跟踪方法

技术领域

本发明属于信息处理技术领域，涉及一种多目标视频跟踪方法，具体涉及一种基于箱粒子PHD滤波的多目标视频跟踪方法，通过将箱粒子滤波与概率假设密度PHD滤波的结合，实现对多目标的高效跟踪，可用于对交通流量及安保管理中对行人车辆的监控。

背景技术

目标跟踪技术，是对获得的量测信息进行处理，进而对目标状态做出估计，从而达到跟踪效果。在多目标环境中，目标数目与目标状态一样也是一个重要的未知信息。如何跟踪杂波环境下目标数目变化的多目标一直以来是学术领域和工程领域的一个复杂的研究课题。

对于多目标视频的跟踪方法，可大致分为两大类，确定性跟踪方法和随机集跟踪方法。确定性跟踪方法可归结为代价函数的优化问题，首先通过手动或目标检测获得目标模板，建立代价函数表达候选区域与目标模板的相似程度，然后利用优化算法通过迭代搜索找到代价函数的最大值，认为代价函数的极大值对应的位置就是目标在图像序列中的位置，这种方法往往取得局部的最优解，无法保证全局的最优。随机集跟踪方法可将视觉跟踪问题转化为贝叶斯理论框架下状态估计问题，其基本思想是将描述目标运动信息的变量(如位置、速度、加速度)组成目标状态变量，通过目标状态演化方程进行预测，然后利用观测信息对状态预测更新。Mahler提出了有限集统计学理论，系统地解决了目标数未知且可变的多目标跟踪问题，他通过近似方法得到了概率假设密度(PHD)滤波器，使得在跟踪多目标时计算代价极大的降低，同时又保证了目标跟踪的精度，PHD滤波器成为多目标跟踪发展的新方向，受到各方关注。现有应用最广泛的为粒子PHD滤波，通过初始化，预测，更新以及重采样中使用上千个粒子对目标进行后验估计，最终得出目标的状态。这种方法在视频目标跟踪中得到了广泛应用和普及，例如林庆等人在《人工智能和模式识别》第26卷第9期发表的名为“基于混合粒子PHD滤波的多目标视频跟踪”运用混合粒子PHD滤波方法进行多目标视频跟踪，保证了全局的最优，但也存在一些不足之处，对于非传统量测，如未知系统延时、有界偏差量测和未知同步偏差等，粒子量测模型就不再适用，也包括算法复杂度较高，运算速度较慢等缺点，在很大程度上影响其跟踪效果。

箱粒子滤波是一种广义的粒子滤波方法，是对数学工具区间分析和传统粒子滤波的有机结合，由状态空间内大小可控的非零矩形区域代替粒子滤波采用的点粒子提出一种。新近提出的箱粒子PHD滤波方法，是箱粒子滤波与PHD滤波器的结合，理论上可完成对多目标的跟踪，但还没有应用在实际场景中的多目标视频跟踪领域。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于箱粒子PHD的多目标视频跟踪方法，在利用帧差分法获取多目标初步位置信息并建立多目标运动模型的基础上，通过箱粒子PHD滤波方法，获取多目标的精确位置信息，用于解决现有粒子PHD多目标视频跟踪方法中存在的计算复杂度高，运算效率低的技术问题。

为实现上述目的，本发明采取的技术方案，包括如下步骤：

1)获取初始时刻的目标位置，估算目标运动速度，并利用初始时刻的目标位置和目标运动速度，生成高斯分布的N个箱粒子。

2)利用估算的目标运动速度，设定状态转移函数f_k|k-1，该状态函数的包含函数为[f_k|k-1]。

3)利用帧差分法，获取k时刻的目标位置和目标矩形轮廓{rect_k}，并根据获取的k时刻的目标位置z_k，生成量测箱粒子[z_k]。

4)设k-1时刻的存活箱粒子集为新生箱粒子集为对设定的两个箱粒子集进行合并，得到初始箱粒子集和箱粒子总数N_k＝N_k-1+N_k,new，N_k-1和N_k,new分别为k-1时刻存活箱粒子的数目和新生箱粒子数目，和分别为k-1时刻第i个存活箱粒子的权值和第m个新生箱粒子的权值，和分别为k-1时刻第i个存活箱粒子和第m个新生箱粒子。

5)利用设定的状态转移函数f_k|k-1的包含函数[f_k|k-1]，对得到的k-1时刻的初始箱粒子集进行预测，得到k时刻的预测箱粒子和预测权值其中[ω_k]表示k过程噪声，P_S(ζ)表示k-1时刻状态为ζ的目标在k时刻的存活概率，S表示存活。

6)对得到的k时刻的预测箱粒子利用约束传播函数[h_cp]进行收缩，得到收缩箱粒子同时，利用得到的量测箱粒子[z_k]，对预测权值进行更新，得到箱粒子更新权值：

$w_k^{\left(i\right)}=\[(1-P_D(\[x_{k|k-1}^{\left(i\right)}\]))+\underset{j=1}{\overset{m_k}{\Σ}}\frac{g_k(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\])P_D(\[x_{k|k-1}^{\left(i\right)}\])}{{\mathrm{\λ}}_{k/k-1}(\[z_j\])}\]\·w_{k|k-1}^{\left(i\right)}$

其中，

$g_k(\[z_k\]|\[x_{k|k-1}^{\left(i\right)}\])=\frac{|\[h_{cp}\](\[x_{k|k-1}^{\left(i\right)}\],\[z_j\])|}{|\[x_{k|k-1}^{\left(i\right)}\]|}$

${\mathrm{\λ}}_{k/k-1}(\[z_k\])={\mathrm{\κ}}_k+\underset{j=1}{\overset{N_{k-1}+N_{k.new}}{\Σ}}{g}_k(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\])P_D(\[x_{k|k-1}^{\left(i\right)}\])w_{k|k-1}^{\left(i\right)}$

为似然函数，为预测箱粒子与量测箱粒子[z_k]的重叠面积，为预测箱粒子的面积，λ_k/k-1([z_k])为状态PHD总和，κ_k为杂波强度，m_k为量测个数，P_D(ζ)为k时刻状态为ζ的目标的检测概率，D表示检测，[h_cp]为箱粒子约束传播算法。

7)对得到的箱粒子更新权值进行求和，得到目标数目并输出n_k；

8)根据得到的更新权值的大小和得到的目标数目n_k，对得到的约束后箱粒子进行重采样，并对重采样结果进行权值归一化处理，得到重采样箱粒子集其中N′_k为采样后箱粒子数目，和分别为采样后箱粒子和采样后取值。

9)将得到的采样后箱粒子集转化为点粒子集并对该点粒子集进行k-means聚类，得到目标状态集{x_k}，将得到的目标状态集{x_k}和已获取的k时刻的目标矩形轮廓{rect_k}，导入到第k帧视频序列后输出。

10)判断第k帧是否为最后一帧，若否，将得到的重采样箱粒子集保存，作为k时刻的存活箱粒子集，令k＝k+1，执行步骤4)，若是，则结束。

本发明与现有技术相比，具有以下优点：

本发明由于在得到目标数目和目标状态时，采用箱粒子PHD滤波方法，对k时刻箱粒子集进行初始化、预测、更新和重采样，可以通过数十个箱粒子实现上千个粒子的跟踪效果，与现有粒子PHD滤波方法相比，降低了计算复杂度，从而提高了运算效率，同时可以获得较准确的目标状态。

附图说明

图1是本发明的实现流程框图；

图2是本发明的目标位置轨迹图；

图3是本发明与现有粒子PHD跟踪方法在检测概率为0.95的情况下的跟踪轨迹对比图；

图4是本发明与现有粒子PHD跟踪方法100次蒙特卡洛仿真的目标数目估计对比图和OSPA距离仿真对比图；

图5是本发明与现有粒子PHD跟踪方法对两个初始目标的跟踪效果对比图；

图6是本发明与现有粒子PHD跟踪方法在出现新生目标情况下的跟踪效果对比图；

图7是本发明与现有粒子PHD跟踪方法在目标合并分离情况下的跟踪效果对比图。

具体实施方式

以下结合附图和实施例，对本发明作进一步详细说明。

参照图1，本发明包括如下步骤：

步骤1目标位置初始化

手动或使用帧差分法获取目标的初始位置，根据每个目标的出现位置与消失位置，除以帧数，粗略得出目标的运动速度，判断目标的运动状态。生成N个以初始位置为中心生成服从高斯分布N(m,∑)箱粒子，并为每个箱粒子分配相同的权值m为目标的初始位置矩阵包括位置坐标和速度，∑为协方差矩阵。

步骤2建立运动模型

利用估算的目标运动速度，设定状态转移函数f_k|k-1，在目标运动速度变化不大的情况下，设定为匀速运动函数模型，该状态函数的包含函数为[f_k|k-1]，状态转移函数矩阵为F。

步骤3视频目标前期处理

原始图像转换为灰度图，使用中值滤波方法去除噪声，设定灰度图转化为二值图时使用的阈值为40，将灰度图转化为二值图像。运用帧差分得出目标的位置{z_k}，及每帧目标的矩形轮廓{rect_k}，该目标的位置{z_k}的轨迹如图2所示，对于帧差分中得到的矩形轮廓过大或无法得到矩形轮廓的情况下，使用预先设定的矩形轮廓，{rect_k}保存用于滤波后输出。

区间算法是用区间变量代替点变量进行运算，当运算受误差影响产生不精确结果时，区间运算能给出精确解的严格界限，当某些参数不是精确已知，但知道其处于某个区间内时，可以利用带有不确定参数的区间算法来产生一个包含所有可能值的区间。

将目标的位置{z_k}和运动速度转化为区间量测，即生成四维的量测箱粒子[z_k]。

量测箱粒子[z_k]定义了4个一维闭合区间的笛卡尔积，即：

[z_k]＝[x]×[y]×[v_x]×[v_y] (1)

$\left\{\begin{array}{c}\[x\]=\[\underset{\‾}{x},\stackrel{\‾}{x}\]\\ \[y\]=\[\underset{\‾}{y},\stackrel{\‾}{y}\]\\ \[v_x\]=\[{\underset{\‾}{v}}_x,{\stackrel{\‾}{v}}_x\]\\ \[v_y\]=\[{\underset{\‾}{v}}_y,{\stackrel{\‾}{v}}_y\]\end{array}\right.---\left(2\right)$

x,y,v_x,v_y分别为x轴坐标，y轴坐标，x轴速度，y轴速度,和 分别为x,y,v_x,v_y的下限和上限。

步骤4初始化箱粒子集

多目标跟踪中存在着目标的新生和消失的行为，理论上新生的目标可能从状态空间的任意位置出现，但将粒子覆盖到整个观测区域不仅复杂且效率低下，箱粒子滤波认为箱粒子量测出现的位置更有可能是新生目标产生的区域，因而采用上一时刻量测进行新生箱粒子补入，在检测新生目标时会在新生目标出现时刻有一个延迟，这种新生箱粒子补入的方法同时也可防止粒子退化。

设k-1时刻的存活箱粒子集和新生箱粒子集分别为和对于新生目标为避免产生较大的新生粒子数目，我们根据前一时刻的区间量测随机集{z_k-1}进行新生粒子采样。用m_k表示k-1时刻的量测数，则新生箱粒子数可表示为：

N_k,new＝N′_k,new·m_k (3)

每个新生箱粒子的权值为：

$w_{k-1}^{bir,\left(m\right)}=\frac{P_b}{N_{k,new}}---\left(4\right)$

其中m＝N_k-1+1,…,N_k,new，P_b为新生目标概率。

把存活箱粒子集和新生箱粒子集合并，得到初始箱粒子集为：

${\{w_{k-1}^{\left(i\right)},\[x_{k-1}^{\left(i\right)}\]\}}_{i=1}^{N_k}={\{w_{k-1}^{per,\left(n\right)},\[x_{k-1}^{per,\left(n\right)}\]\}}_{n=1}^{N_{k-1}}{\∪\{w_{k-1}^{bir,\left(m\right)},\[x_{k-1}^{bir,\left(m\right)}\]\}}_{m=1}^{N_{k,new}}---\left(5\right)$

N_k＝N_k-1+N_k,new (6)

其中，N_k-1为k-1时刻存活箱粒子数目，为k-1时刻第i个存活箱粒子的权值和分别为k-1时刻第i个存活箱粒子和第m个新生箱粒子。

步骤5基于箱粒子PHD预测

利用设定的状态转移函数f_k|k-1的包含函数[f_k|k-1]，对k-1时刻的初始箱粒子集进行预测，得到k时刻的箱粒子：

$\[x_{k|k-1}^{\left(i\right)}\]=\[f_{k|k-1}\](\[x_{k-1}^{\left(i\right)}\])+\[{\mathrm{\ω}}_k\]---\left(7\right)$

得到预测权值为：

$w_{k|k-1}^{\left(i\right)}=P_S(\[x_{k-1}^{\left(i\right)}\])w_{k-1}^{\left(i\right)},---\left(8\right)$

其中[ω_k]表示k时刻状态噪声，P_S(ζ)表示k-1时刻状态为ζ的目标在k时刻的存活概率，S表示存活状态。

步骤6基于箱粒子PHD更新

在量测更新部分，由于预测数据和量测值都是一个箱体，不能采用传统似然计算方法，而应采用箱粒子滤波的方法来更新权值。

计算每个箱粒子的似然函数：

$g_k(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\])=\frac{|\[h_{cp}\](\[x_{k|k-1}^{\left(i\right)}\],\[z_j\])|}{|\[x_{k|k-1}^{\left(i\right)}\]|}---\left(9\right)$

对预测权值进行更新，得到箱粒子更新权值：

$w_k^{\left(i\right)}=\[(1-{\mathrm{Pr}}_{D,k}(\[x_{k|k-1}^{\left(i\right)}\]))+\underset{j=1}{\overset{m_k}{\Σ}}\frac{g_k(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\])P_D(\[x_{k|k-1}^{\left(i\right)}\])}{{\mathrm{\λ}}_{k/k-1}(\[z_j\])}\]\·w_{k|k-1}^{\left(i\right)}---\left(10\right)$

${\mathrm{\λ}}_{k/k-1}(\[z_k\])={\mathrm{\κ}}_k+\underset{i=1}{\overset{N_{k-1}+N_{k.new}}{\Σ}}{g}_k(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\]){\mathrm{Pr}}_{D,k}(\[x_{k|k-1}^{\left(i\right)}\])w_{k|k-1}^{\left(i\right)}---\left(11\right)$

其中为预测箱粒子与量测箱粒子[z_k]的重叠面积，为预测箱粒子的面积，λ_k/k-1([z_k])为状态PHD总和，κ_k为杂波强度，m_k为量测个数，P_D(ζ)为k时刻状态为ζ的目标的检测概率，D表示检测，[h_cp]为箱粒子约束传播算法。

在量测更新部分对箱粒子的收缩是必须的，表现为对之前得到的预测箱粒子中冗余信息的剔除，在此根据相应的量测来收缩预测得到的箱，首先选择出对预测权值贡献最大的相应的量测箱粒子，即：

$\[z_j\]=\underset{w_{i,k}}{\mathrm{argmax}}\{\[z_i\],w_{i,k}>0\}---\left(12\right)$

$w_{i,k}=\frac{g_k(\[z_i\]|\[x_{k|k-1}^{\left(i\right)}\])P_D(\[x_{k|k-1}^{\left(i\right)}\])}{{\mathrm{\λ}}_{k/k-1}(\[z_i\])}---\left(13\right)$

根据此量测箱粒子对其相应预测进行收缩，将预测箱粒子与该量测箱粒子[z_j]的重叠部分作为收缩箱粒子，并将该收缩箱粒子作为收缩结果，则得到更新后的箱粒子：

$\[x_k^{\left(i\right)}\]=\[h_{cp}\](\[x_{k|k-1}^{\left(i\right)}\],\[z_j\])=\[x_{k|k-1}^{\left(i\right)}\]\∩\[z_j\]---\left(14\right)$

[h_cp]具体为在给定量测函数h_x(x)＝z和[z_j]＝[x_z]×[y_z]的条件下，约束步骤为：

[x]＝[x]∩[x_z]，[y]＝[y]∩[y_z] (15)

步骤7获取目标数目

对得到的箱粒子更新权值进行求和，得到目标数目并输出n_k，N_k为箱粒子总数。

步骤8基于箱粒子PHD的重采样

由于采用区间形式进行目标跟踪，重采样部分区别于传统重采样，从目标跟踪的收敛性方面考虑，既要保证箱粒子不能过快收敛，又不能使其随时间推移而发散。箱粒子PHD重采样方法是“随机子划分重采样”；首先根据箱粒子权值进行重采样，在每个时刻将更新得到的状态箱粒子按照重采样次数随机选取其状态的一维进行均匀子划分，将第m个箱粒子均匀划分为N^(m)个大小合适且在此维度上有均匀差异的箱粒子，以使箱粒子始终保持一个合适的大小。这样既能满足下一时刻滤波的需要，增加箱粒子多样性，又可以去除箱粒子多余部分。采用这一重采样策略必须注意的是，这种重采样策略是在每个采样时刻都要依据前一时刻观测产生若干新生箱粒子的条件下进行的，否则算法将会迅速发散。

8a)根据箱粒子更新权值大小对收缩箱粒子进行采样，权值越大对其采样次数越多，得到采样后箱粒子数目N′_k。

8b)根据采样次数，对随机选取的收缩箱粒子状态的一维进行均匀划分，得到采样后箱粒子

8c)对采样后箱粒子进行权值归一化处理，得到采样后箱粒子集为：

$\begin{array}{cc}{\{\[{\tilde{x}}_k^{\left(i\right)}\],{\tilde{w}}_k^{\left(i\right)}=\frac{n_k}{N_k^{\′}}\}}_{i=1}^{N_k^{\′}}& N_k^{\′}=m\·N^{\left(m\right)}\end{array}---\left(16\right)$

其中，和分别为采样后箱粒子和采样后权值。

步骤9获取目标状态

将得到的采样后箱粒子集转化为点粒子集并对该点粒子集进行k-means聚类，得到目标状态集{x_k}，将得到的目标状态集{x_k}和已获取的k时刻的目标矩形轮廓{rect_k}，导入到第k帧视频序列后输出。

步骤10判断是否结束

判断第k帧是否为最后一帧，若否，将得到的重采样箱粒子集保存，作为k时刻的存活箱粒子集，令k＝k+1，执行步骤4)，若是，则结束。

参照图2，目标1和目标2为初始目标，新生目标1和新生目标2分别为130时刻，172时刻出现的目标；目标2在第35个时刻消失，目标1，新生目标1，和新生目标2在最后时刻消失。

以下结合仿真实验，对本发明的技术效果作进一步的描述。

1.仿真条件和内容

1)仿真条件：本发明的仿真是在主频3.0GHZ的Intel(R)Pentium(R)CPU G2030、内存4.00GB的硬件环境和MATLAB R2011b的软件环境下进行的。

选取一段多目标视频，在整个观测区域为640×480像素中进行，共有213帧。

每个目标的状态：

目标状态方程：x_k＝F·x_k-1+ω_k,

目标存活概率：P_S＝0.95

目标检测概率：P_D＝0.95

新生目标概率：P_B＝0.05

采样周期：T＝1

箱粒子的大小为：Δ＝[15,13]

量测箱粒子：[z_k]＝[z_k-Δ,z_k+Δ]

存活目标转移矩阵：

2)仿真内容：对本发明和现有粒子PHD跟踪方法的跟踪效果进行对比仿真，其结果如图3、图4、图5、图6和图7。

2.仿真结果及分析

参照图3，在检测概率P_D＝0.95的条件下，箱粒子PHD和粒子PHD两种滤波器进行一次仿真的跟踪轨迹图。符号“+”代表本发明跟踪轨迹，“□”代表粒子PHD方法跟踪轨迹，从图中可以看出箱粒子PHD跟踪轨迹和粒子PHD跟踪轨迹大致重合，保证了全局的跟踪效果。

参照图4(a)，图中横坐标表示时间，竖坐标表示获得的目标数目，“+”代表本发明目标估计数目，“*”代表粒子PHD跟踪方法目标估计数目，从图中可以看出在目标数目估计上本发明和粒子PHD跟踪方法都可以进行稳定的目标数估计。

参照图4(b)，图中横坐标表示时间，竖坐标表示100次蒙特卡罗仿真最佳子模式子派(OSPA)值的平均值，“ο”代表本发明OSPA值，“*”代表粒子PHD跟踪方法OSPA值，OSPA在100以内表示跟踪误差很小，仿真结果OSPA值几乎都在30以内，可以看出本发明和粒子PHD跟踪方法在跟踪中产生比较小的误差。

综合图4(a)和图4(b)，本发明和粒子PHD跟踪方法都可以对目标数目有准确的估计，并对目标状态的估计产生较小的误差。

参照图5，图5(a)和图5(b)分别为粒子PHD跟踪方法和本发明对两个初始目标的跟踪效果图；可以看出，在第36帧粒子PHD跟踪方法在对目标2的跟踪出现了丢失，本发明对两个初始目标都有较好的跟踪效果。

参照图6，图6(a)和图6(b)分别为粒子PHD跟踪方法和本发明在出现新生目标情况下的跟踪效果图。在第153帧和第154帧，新生目标1和新生目标2出现时，本发明和粒子PHD跟踪方法都可以有较好的跟踪效果，在新生目标2和目标1比较接近时，粒子PHD跟踪方法对新生2目标的跟踪出现了丢失。

参照图7，图7(a)和图7(b)分别为粒子PHD跟踪方法和本发明在目标合并分离情况下的跟踪效果图。在第198，203，213帧，目标1和新生目标2完成了交叉分离的过程，从图中可以看出本发明和粒子PHD跟踪方法在可以实现对目标交叉分离情况下的较为准确跟踪。

综上图所述，在对数目变化的多目标视频跟踪中，本发明可实现对目标新生、目标消失、目标合并分离情况下的多目标视频跟踪，并且本发明跟踪效果略优于粒子PHD跟踪效果。

两种算法所需粒子数和平均运行时间如下：

从表中可以看出本发明所需箱粒子数目比粒子PHD所需粒子数目小得多，而且运行时间也缩短了两倍多，体现了本发明运算效率高的优势。

综上所述，本发明可实现对目标新生、目标消失、目标合并分离情况下的多目标视频跟踪，跟踪效果略优于粒子PHD跟踪效果，同时体现了本发明所需时间短，运算效率高的优势。

Claims (4)

1.一种基于箱粒子PHD滤波的多目标视频跟踪方法，包括如下步骤：

1)获取初始时刻的目标位置，估算目标运动速度，并利用初始时刻的目标位置和目标运动速度，生成高斯分布的N个箱粒子；

2)利用估算的目标运动速度，设定状态转移函数f_k|k-1，该状态函数的包含函数为[f_k|k-1]；

3)利用帧差分法，获取k时刻的目标位置和目标矩形轮廓{rect_k}，并根据获取的k时刻的目标位置z_k，生成量测箱粒子[z_k]；

4)设k-1时刻的存活箱粒子集为新生箱粒子集为对设定的两个箱粒子集进行合并，得到初始箱粒子集和箱粒子总数N_k＝N_k-1+N_k,new，N_k-1和N_k,new分别为k-1时刻存活箱粒子的数目和新生箱粒子数目，和分别为k-1时刻第i个存活箱粒子的权值和第m个新生箱粒子的权值，和分别为k-1时刻第i个存活箱粒子和第m个新生箱粒子；

5)利用设定的状态转移函数f_k|k-1的包含函数[f_k|k-1]，对得到的k-1时刻的初始箱粒子集进行预测，得到k时刻的预测箱粒子和预测权值其中[ω_k]表示k时刻过程噪声，P_S(ζ)表示k-1时刻状态为ζ的目标在k时刻的存活概率，S表示存活状态；

6)对得到的k时刻的预测箱粒子利用约束传播函数[h_cp]进行收缩，得到收缩箱粒子同时，利用得到的量测箱粒子[z_k]，对预测权值进行更新，得到箱粒子更新权值：

$w_k^{\left(i\right)}=\[(1-P_D(\[x_{k|k-1}^{\left(i\right)}\]\left)\right)+\underset{j=1}{\overset{m_k}{\Σ}}\frac{g_k(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\])P_D(\[x_{k|k-1}^{\left(i\right)}\])}{{\mathrm{\λ}}_{k/k-1}(\[z_j\])}\]\·w_{k|k-1}^{\left(i\right)}$

其中，

$g_k(\[z_k\]|\[x_{k|k-1}^{\left(i\right)}\])=\frac{|\[h_{cp}\](\[x_{k|k-1}^{\left(i\right)}\],\[z_j\])|}{|\[x_{k|k-1}^{\left(i\right)}\]|}$

${\mathrm{\λ}}_{k/k-1}\left(\[z_k\]\right)={\mathrm{\κ}}_k+\underset{j=1}{\overset{N_{k-1}+N_{k.new}}{\mathrm{\Σ}}}{g}_k\left(\[z_j\]|\[x_{k|k-1}^{\left(i\right)}\]\right)P_D\left(\[x_{k|k-1}^{\left(i\right)}\]\right)w_{k|k-1}^{\left(i\right)}$

为似然函数，为预测箱粒子与量测箱粒子[z_j]的重叠面积，为预测箱粒子的面积，λ_k/k-1([z_j])为状态PHD总和，κ_k为杂波强度，m_k为量测个数，P_D(ζ)为k时刻状态为ζ的目标的检测概率，D表示检测，[h_cp]为箱粒子约束传播算法；

7)对得到的箱粒子更新权值进行求和，得到目标数目并输出n_k；

8)根据得到的更新权值的大小和得到的目标数目n_k，对得到的约束后箱粒子进行重采样，并对重采样结果进行权值归一化处理，得到重采样箱粒子集其中N′_k为采样后箱粒子数目，和分别为采样后箱粒子和采样后取值；

9)将得到的采样后箱粒子集转化为点粒子集并对该点粒子集进行k-means聚类，得到目标状态集{x_k}，将得到的目标状态集{x_k}和已获取的k时刻的目标矩形轮廓{rect_k}，导入到第k帧视频序列后输出；

10)判断第k帧是否为最后一帧，若否，将得到的重采样箱粒子集保存，作为k时刻的存活箱粒子集，令k＝k+1，执行步骤4)，若是，则结束。

2.根据权利要求1中所述的基于箱粒子PHD滤波的多目标视频跟踪方法，其特征在于：步骤4)所述的新生箱粒子集是根据上一时刻的量测位置进行箱粒子补入获得的；该新生箱粒子集的数目为N_k,new＝N′_k,new·m_k，其中N′_k,new为每个量测产生的新生箱粒子数目，m_k为上一时刻量测的个数；该新生箱粒子集的权值其中m＝N_k-1+1,…,N_k,new，P_B为新生目标概率。

3.根据权利要求1中所述的基于箱粒子PHD滤波的多目标视频跟踪方法，其特征在于：步骤6)所述的约束传播算法[h_cp]，其表达式为 为将预测箱粒子与量测箱粒子[z_j]的重叠部分作为收缩箱粒子，并将该收缩箱粒子作为收缩结果。

4.根据权利要求1中所述的基于箱粒子PHD滤波的多目标视频跟踪方法，其特征在于：步骤8)中所述的对约束后的箱粒子进行重采样，采用随机子划分重采样方法，按如下步骤实现：

8a)根据更新权值大小对收缩箱粒子进行采样，得到采样后箱粒子数目N′_k；

8b)根据采样次数，对随机选取的收缩箱粒子状态的一维进行均匀划分，得到采样后箱粒子