CN106600624B - 基于粒子群的粒子滤波视频目标跟踪方法 - Google Patents

基于粒子群的粒子滤波视频目标跟踪方法 Download PDF

Info

Publication number
CN106600624B
CN106600624B CN201611107812.1A CN201611107812A CN106600624B CN 106600624 B CN106600624 B CN 106600624B CN 201611107812 A CN201611107812 A CN 201611107812A CN 106600624 B CN106600624 B CN 106600624B
Authority
CN
China
Prior art keywords
particle
particle swarm
target
time
moment
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.)
Active
Application number
CN201611107812.1A
Other languages
English (en)
Other versions
CN106600624A (zh
Inventor
张文博
王阳
刘月
徐步
刘其民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KUNPAD COMMUNICATION (KUNSHAN) Co.,Ltd.
KUNSHAN KUNPENG UAV TECHNOLOGY Co.,Ltd.
Suzhou Ming'an Information Technology Co., Ltd
SUZHOU MINGYI THINK TANK INFORMATION TECHNOLOGY Co.,Ltd.
Original Assignee
Kunpad Communication Kunshan Co ltd
Suzhou Ming'an Information Technology Co Ltd
Suzhou Mingyi Think Tank Information Technology Co ltd
Kunshan Kunpeng Uav Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunpad Communication Kunshan Co ltd, Suzhou Ming'an Information Technology Co Ltd, Suzhou Mingyi Think Tank Information Technology Co ltd, Kunshan Kunpeng Uav Technology Co ltd filed Critical Kunpad Communication Kunshan Co ltd
Priority to CN201611107812.1A priority Critical patent/CN106600624B/zh
Publication of CN106600624A publication Critical patent/CN106600624A/zh
Application granted granted Critical
Publication of CN106600624B publication Critical patent/CN106600624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30221—Sports video; Sports image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于粒子群的粒子滤波视频目标跟踪方法，主要解决点粒子描述精确性与量测模糊性之间不匹配的问题。其实现步骤是：1.在粒子滤波框架下将普通点粒子拓展为粒子群，通过目标状态预测得到粒子群中心；2.确定每一个粒子群中的粒子，并提取对应的候选目标；3.通过计算候选目标特征与模板之间的距离，对粒子群中心进行更新，并得到粒子群对应权值；4.对粒子群中心进行重采样，进而融合得到目标的状态估计，实现对目标的可靠跟踪。本发明更为高效的实现了对目标状态空间的覆盖，提高了目标跟踪的性能，提高了对大动态范围小目标的搜索和捕捉性能，可用于视频监控、无人机航拍跟踪、机器人导航等系统。

Description

基于粒子群的粒子滤波视频目标跟踪方法
技术领域
本发明属于跟踪监测技术领域，特别涉及一种视频目标跟踪方法，可用于视频监控、无人机航拍跟踪、机器人导航等系统。
背景技术
在视频跟踪研究中，基于粒子滤波的目标跟踪方法由于其在解决非线性问题方面的优异特性，以及相对开放的跟踪框架对各种特征描述方法的兼容能力，在视频跟踪中得到了广泛的应用。然而，由于采样粒子的空间覆盖能力与实际量测存在的模糊性不相匹配，致使普通粒子滤波跟踪方法对于运动动态范围大的小目标的捕获性能变差。因此，如何提高粒子采样效率，利用较少的粒子实现对目标可能存在区域的有效覆盖，同时与量测模糊性相匹配，已成为视频跟踪研究中的难点问题。
目前，典型的目标跟踪方法有：均值漂移，普通粒子滤波等。其中：
均值漂移方法，虽然简单易实现，计算量小，但因具有局部收敛特性容易陷入局部最优解而产生明显的跟踪滞后效应，对小目标和快速移动的大动态范围目标易产生失跟，同时由于需要解析形式推导均值漂移向量，对特征描述方法有一定要求，使得许多特征方法无法应用到其中；
普通粒子滤波方法的跟踪性能较大程度依赖于所采用的粒子数，且将所用粒子抽象为空间体积为零的点。这使得大量粒子映射到量测空间中，只占据若干个与量测尺度相当的区域，存在点粒子描述精确性与量测模糊性之间不匹配的问题，导致计算量的浪费。
发明内容
本发明的目的在于针对上述已有技术中的不足，提出一种基于粒子群的粒子滤波视频目标跟踪方法，已解决点粒子描述精确性与量测模糊性之间不匹配的问题，从而提升粒子采样效率及对大动态范围小目标的搜索和捕捉性能。
实现本发明的技术方案旨在在跟踪过程中，通过将点粒子拓展为粒子群，以保证估计精度与箱粒子覆盖能力之间的平衡，从而更为高效的实现对目标状态空间的覆盖，提高对目标的搜索和捕捉性能，以及跟踪的实时性。
本发明基于粒子群的粒子滤波视频目标跟踪方法，其步骤包括如下：
(1)初始化粒子群：
(1a)读入k-1时刻的图像Ik-1，初始化k-1时刻的粒子群中心集为
Figure GDA0002052310300000011
其中，
Figure GDA0002052310300000012
表示k-1时刻第i个粒子群的中心，i为粒子群序号，取值为1,2,…,N，N表示粒子群总数，k表示时刻，初始时刻为k＝1；
(1b)初始化目标跟踪窗：Bk-1＝(rk-1,ck-1)T，其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值，T表示向量转置运算；
(1c)根据目标初始状态与目标跟踪窗Bk-1，初始化目标的特征协方差矩阵M作为特征模板；
(2)粒子群状态预测：
(2a)读入k时刻的图像Ik，通过对k-1时刻图像中粒子群中心集
Figure GDA0002052310300000021
的传递，得到k时刻图像中的预测粒子群中心集为
Figure GDA0002052310300000022
其中
Figure GDA0002052310300000023
表示k时刻的第i个预测粒子群中心；
(2b)根据k时刻的预测粒子群中心集
Figure GDA0002052310300000024
确定k时刻的粒子群集
Figure GDA0002052310300000025
其中
Figure GDA0002052310300000026
表示k时刻第i个粒子群中的第j个粒子，j为粒子序号，取值为1,2,…,M，M表示每个粒子群中的粒子总数；
(3)粒子群状态更新
(3a)根据k时刻粒子群集
Figure GDA0002052310300000027
和目标跟踪窗Bk-1，确定k时刻的候选目标集
Figure GDA0002052310300000028
其中，
Figure GDA0002052310300000029
表示k时刻第i个粒子群中的第j个粒子所对应的候选目标，它表示以
Figure GDA00020523103000000210
为中心、Bk-1为长宽所界定出的矩形区域；
(3b)提取k时刻的候选目标集
Figure GDA00020523103000000211
对应的候选目标特征集
Figure GDA00020523103000000212
其中
Figure GDA00020523103000000213
表示k时刻第i个粒子群中的第j个粒子所对应候选目标的特征协方差矩阵；
(3c)根据候选目标特征集
Figure GDA00020523103000000214
确定权值集
Figure GDA00020523103000000215
其中
Figure GDA00020523103000000216
表示k时刻第i个粒子群中的第j个粒子所对应的权值；
(3d)根据权值集
Figure GDA00020523103000000217
确定k时刻的更新粒子群中心集
Figure GDA00020523103000000218
并确定粒子群权值集
Figure GDA00020523103000000219
其中
Figure GDA00020523103000000220
表示k时刻第i个更新粒子群中心，
Figure GDA00020523103000000221
表示k时刻第i个粒子群所对应的权值；
(4)重采样：
利用重采样算法，根据粒子群权值集
Figure GDA0002052310300000031
对k时刻的更新粒子群中心集
Figure GDA0002052310300000032
进行重采样，得到k时刻的粒子群中心集
Figure GDA0002052310300000033
其中
Figure GDA0002052310300000034
表示k时刻第i个粒子群的中心；
(5)目标状态估计：
(5a)根据k时刻的粒子群中心集
Figure GDA0002052310300000035
估计k时刻的目标状态Xk；
(5b)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标Tk，并输出；
(6)判断是否迭代：
检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤(2)进行迭代，否则，目标跟踪过程结束。
其中步骤(1a)中初始化k-1时刻的粒子群中心集为
Figure GDA0002052310300000036
通过如下步骤确定：
(1a1)根据目标的初始状态X0，产生k-1时刻第i个粒子群中心
Figure GDA0002052310300000037
其中，
Figure GDA0002052310300000038
服从均值为X0方差为Ψ1的高斯分布，X0为目标的初始状态，Ψ1为过程噪声方差；
(1a2)用步骤(1a1)所得的N个粒子群中心，组成粒子群中心集
Figure GDA0002052310300000039
Figure GDA00020523103000000310
其中步骤(2a)中通过对k-1时刻图像中粒子群中心集
Figure GDA00020523103000000311
的传递，得到k时刻图像中的预测粒子群中心集为
Figure GDA00020523103000000312
通过如下步骤确定：
(2a1)对k-1时刻第i个粒子群中心
Figure GDA00020523103000000313
进行传递，得到k时刻第i个预测粒子群中心
Figure GDA00020523103000000314
Figure GDA00020523103000000315
其中，vk-1为状态噪声，其服从均值为
Figure GDA00020523103000000316
状态噪声协方差为Ψ1的高斯分布；
(2a2)用步骤(2a1)中所得的N个粒子群中心，组成粒子群中心集
Figure GDA00020523103000000317
Figure GDA00020523103000000318
其中步骤(2b)中根据k时刻的预测粒子群中心集
Figure GDA0002052310300000041
确定k时刻的粒子群集
Figure GDA0002052310300000042
通过如下步骤确定：
(2b1)根据k时刻第i个预测粒子群中心
Figure GDA0002052310300000043
确定k时刻第i个粒子群
Figure GDA0002052310300000044
其中，
Figure GDA0002052310300000045
服从均值为
Figure GDA0002052310300000046
方差为Ψ2的高斯分布，Ψ2为粒子群过程噪声方差；
(2b2)用步骤(2b1)得到的N个粒子群，组成k时刻的粒子群集
Figure GDA0002052310300000047
Figure GDA0002052310300000048
其中步骤(3a)中根据k时刻粒子群集
Figure GDA0002052310300000049
和目标跟踪窗Bk-1，确定k时刻的候选目标集
Figure GDA00020523103000000410
通过如下步骤确定：
(3a1)确定k时刻第i个粒子群中的第j个粒子所对应的候选目标
Figure GDA00020523103000000411
Figure GDA00020523103000000412
其中，
Figure GDA00020523103000000413
和
Figure GDA00020523103000000414
分别表示k时刻i个粒子群中的第j个粒子的横坐标和纵坐标,i为粒子群序号，取值为1,2,…,N，j为粒子序号，取值为1,2,…,M；
(3a2)用步骤(3a1)中所得的N×M候选目标，组成k时刻的候选目标集
Figure GDA00020523103000000415
Figure GDA00020523103000000416
其中步骤(3b)中提取k时刻的候选目标集
Figure GDA00020523103000000417
对应的候选目标特征集
Figure GDA00020523103000000418
通过如下步骤确定：
(3b1)计算图像Ik中(x,y)处的像素点所对应的特征向量F(x,y)：
Figure GDA00020523103000000419
其中，Ik(x,y)为图像Ik像素点(x,y)处的灰度值，
Figure GDA0002052310300000051
和分别表示图像Ik像素点(x,y)处x方向的一阶和二阶梯度，
Figure GDA0002052310300000053
和
Figure GDA0002052310300000054
分别表示图像Ik像素点(x,y)处y方向的一阶和二阶梯度，T表示向量转置，x的取值为1,2…W，y的取值为1,2…H，W表示图像Ik的宽，H表示图像Ik的高；
(3b2)用步骤(3b1)中得到的W×H个特征向量，组成特征图F：
F＝{F(x,y)|x＝1,2,…,W,y＝1,2,…,H}；
(3b3)分别计算特征向量积分图IP中的点IP(x′,y′,a)和特征向量乘积积分图IQ中的点IQ(x′,y′,a,b)：
Figure GDA0002052310300000055
Figure GDA0002052310300000056
其中，F(x,y,a)为特征图F中的点F(x,y)处的第a维特征，F(x,y,b)为特征图F中F(x,y)处的第b维特征，a为第一组特征序号，其取值为1,2L d，b为第二组特征序号，其取值为1,2L d，d为特征维数；
(3b4)将步骤(3b3)所得的点IP(x′,y′,a)和IQ(x′,y′,a,b)分别表示成矩阵形式IPx,y和IQx,y：
IPx,y＝[IP(x,y,1)L IP(x,y,d)]T，
Figure GDA0002052310300000057
(3b5)将步骤(3b4)所得的点IPx,y和IQx,y分别组成集合，得到特征向量积分图IP和特征向量乘积积分图IQ：
IP＝{IPx,y|x＝1,2…W1,y＝1,2…H1}，
IQ＝{IQx,y|x＝1,2…W1,y＝1,2…H1}，
其中，W1表示IP和IQ的宽，H1表示积分图IP和IQ的高；
(3b6)计算候选目标集
Figure GDA0002052310300000061
中每一个候选目标
Figure GDA0002052310300000062
所对应的特征协方差矩阵
Figure GDA0002052310300000063
Figure GDA0002052310300000064
其中，(x′,y′)为候选目标
Figure GDA0002052310300000065
对应矩形区域左上角的顶点坐标，(x″,y″)为候选目标
Figure GDA0002052310300000066
对应矩形区域右下角的顶点坐标，n为区域内像素总数n＝(x″-x′)·(y″-y′)，IQx″,y″、IQx′,y″、IQx″,y′、IQx′,y′为特征向量乘积积分图IQ中的四个不同点，IPx″,y″、IPx′,y″、IPx″,y′、IPx′,y′为特征向量积分图IP中的四个不同点；
(3b7)用步骤(3b6)中所得的N×M个特征协方差矩阵，组成候选目标的特征集
Figure GDA0002052310300000067
Figure GDA0002052310300000068
其中步骤(3c)中根据候选目标特征集
Figure GDA0002052310300000069
确定权值集
Figure GDA00020523103000000610
通过如下步骤确定：
(3c1)计算k时刻第i个粒子群中的第j个粒子所对应的候选目标特征与特征模板γ的之间距离
Figure GDA00020523103000000611
Figure GDA00020523103000000612
(3c2)根据距离
Figure GDA00020523103000000613
计算k时刻第i个粒子群中的第j个粒子所对应的权值
Figure GDA00020523103000000614
Figure GDA00020523103000000615
其中，R为特征观测噪声方差；
(3c3)用步骤(3c2)中所得的N×M个距离，组成权值集
Figure GDA0002052310300000071
Figure GDA0002052310300000072
其中步骤(3d)中根据权值集
Figure GDA0002052310300000073
确定k时刻的更新粒子群中心集
Figure GDA0002052310300000074
并确定粒子群权值集
Figure GDA0002052310300000075
通过如下步骤确定：
(3d1)确定k时刻第i个粒子群中权值最大的粒子的序号β(i)：
Figure GDA0002052310300000076
(3d2)将k时刻第i个粒子群的中心
Figure GDA0002052310300000077
更新为β(i)对应的粒子，并将第i个粒子群的权值
Figure GDA0002052310300000078
更新为β(i)对应粒子的权值；
(3d3)用步骤(3d2)得到的N个粒子群中心，组成粒子群中心集
Figure GDA0002052310300000079
Figure GDA00020523103000000710
(3d4)用步骤(3d2)得到的N个粒子群权值，组成粒子群权值集
Figure GDA00020523103000000711
Figure GDA00020523103000000712
本发明具有以下优点：
1)本发明通过将普通的点粒子拓展为粒子群，解决了采样粒子的覆盖能力与量测模糊性不匹配的问题，从而提高了对目标状态空间的覆盖能力；
2)本发明依靠粒子群较强的空间覆盖能力，提高了采样效率，从而提升了对大动态范围小目标的搜索和捕捉性能。
3)本发明与普通粒子滤波跟踪方法相比较，跟踪精度更高。
附图说明
图1，是本发明的整体流程框图。
图2，为粒子数为50时，普通粒子滤波方法和本发明方法对足球视频序列第2、10、20、30、40、50、60和70帧进行跟踪的结果图。
图3，为粒子数为100时，普通粒子滤波方法和本发明方法对足球视频序列第2、10、20、30、40、50、60和70帧进行跟踪的结果图。
图4，为粒子数为200时，普通粒子滤波方法和本发明方法对足球视频序列第2、10、20、30、40、50、60和70帧进行跟踪的结果图。
图5，为粒子数为50时，普通粒子滤波方法和本发明方法对学生视频序列第2、55、104、159、199和252帧进行跟踪的结果图。
图6，为粒子数为100时，普通粒子滤波方法和本发明方法对学生视频序列第2、55、104、159、199和252帧进行跟踪的结果图。
图7，为粒子数为200时，普通粒子滤波方法和本发明方法对学生视频序列第2、55、104、159、199和252帧进行跟踪的结果图。
图8，为粒子数为50时，普通粒子滤波方法和本发明方法对行人视频序列第2、80、100、130、150和240帧进行跟踪的结果图。
图9，为粒子数为100时，普通粒子滤波方法和本发明方法对行人视频序列第2、80、100、130、150和240帧进行跟踪的结果图。
图10，为粒子数为200时，普通粒子滤波方法和本发明方法对行人视频序列第2、80、100、130、150和240帧进行跟踪的结果图。
图11，为本发明对无人机航拍视频1第1、50、100、150、200和250帧的跟踪结果图。
图12，为本发明对无人机航拍视频1第1、50、100、150、200和250帧的跟踪结果的局部放大图。
图13，为本发明对无人机航拍视频2第1、50、100、150、200和250帧的跟踪结果图。
图14，为本发明对无人机航拍视频2第1、50、100、150、200和250帧的跟踪结果的局部放大图。
具体实施方式
针对上述技术方案，现举一较佳实施例并结合图示进行具体说明。参照图1，本发明的具体实施过程包括以下步骤：
步骤1.初始化粒子群。
1.1)令初始时刻k＝1，读入k-1时刻的图像Ik-1，将普通点粒子拓展为粒子群，并初始化k-1时刻的粒子群中心集为
Figure GDA0002052310300000081
1.1.1)根据目标的初始状态X0，产生k-1时刻第i个粒子群中心
Figure GDA0002052310300000082
其中，
Figure GDA0002052310300000083
服从均值为X0方差为Ψ1的高斯分布，X0为目标的初始状态，Ψ1为过程噪声方差，i为粒子群序号，取值为1,2,…,N，N表示粒子群总数；
1.1.2)用步骤1.1.1)所得的N个粒子群中心，组成粒子群中心集
Figure GDA0002052310300000091
Figure GDA0002052310300000092
1.2)初始化目标跟踪窗：Bk-1＝(rk-1,ck-1)T，其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值，T表示向量转置；
1.3)根据目标初始状态X0与目标跟踪窗Bk-1，初始化目标的特征协方差矩阵M作为特征模板。
步骤2.粒子群状态预测。确定每个粒子群包含的粒子。
2.1)读入k时刻的图像Ik，通过对k-1时刻图像中粒子群中心集
Figure GDA0002052310300000093
的传递，得到k时刻图像中的预测粒子群中心集为
Figure GDA0002052310300000094
2.1.1)对k-1时刻第i个粒子群中心
Figure GDA0002052310300000095
进行传递，得到k时刻第i个预测粒子群中心
Figure GDA0002052310300000096
Figure GDA0002052310300000097
其中，vk-1为状态噪声，其服从均值为
Figure GDA0002052310300000098
状态噪声协方差为Ψ1的高斯分布；
2.1.2)用步骤2.1.1)中所得的N个粒子群中心，组成粒子群中心集
Figure GDA0002052310300000099
Figure GDA00020523103000000910
2.2)根据k时刻的预测粒子群中心集
Figure GDA00020523103000000911
确定k时刻的粒子群集
Figure GDA00020523103000000912
2.2.1)根据k时刻第i个预测粒子群中心
Figure GDA00020523103000000913
确定k时刻第i个粒子群
Figure GDA00020523103000000914
其中
Figure GDA00020523103000000915
表示k时刻第i个粒子群中的第j个粒子，j为粒子序号，取值为1,2,…,M，M表示每个粒子群中的粒子总数，
Figure GDA00020523103000000916
服从均值为
Figure GDA00020523103000000917
方差为Ψ2的高斯分布，Ψ2为粒子群过程噪声方差；
2.2.2)用步骤2.2.1)得到的N个粒子群，组成k时刻的粒子群集
Figure GDA00020523103000000918
Figure GDA0002052310300000101
步骤3.粒子群状态更新。根据每个粒子群的粒子的候选目标、特征提取、权值计算对粒子群进行位置和权值更新。
3.1)根据k时刻粒子群集
Figure GDA0002052310300000102
和目标跟踪窗Bk-1，确定k时刻的候选目标集
Figure GDA0002052310300000103
3.1.1)确定k时刻第i个粒子群中的第j个粒子所对应的候选目标
Figure GDA0002052310300000104
Figure GDA0002052310300000105
其中，
Figure GDA0002052310300000106
和
Figure GDA0002052310300000107
分别表示k时刻i个粒子群中的第j个粒子的横坐标和纵坐标,i为粒子群序号，取值为1,2,…,N，j为粒子序号，取值为1,2,…,M；
3.1.2)用步骤3.1.1)中所得的N×M候选目标，组成k时刻的候选目标集
Figure GDA0002052310300000108
Figure GDA0002052310300000109
3.2)提取k时刻的候选目标集
Figure GDA00020523103000001010
对应的候选目标特征集
Figure GDA00020523103000001011
3.2,1)计算图像Ik中(x,y)处的像素点所对应的特征向量F(x,y)：
Figure GDA00020523103000001012
其中，Ik(x,y)为图像Ik像素点(x,y)处的灰度值，
Figure GDA00020523103000001013
和
Figure GDA00020523103000001014
分别表示图像Ik像素点(x,y)处x方向的一阶和二阶梯度，
Figure GDA00020523103000001015
和
Figure GDA00020523103000001016
分别表示图像Ik像素点(x,y)处y方向的一阶和二阶梯度，T表示向量转置，x的取值为1,2…W，y的取值为1,2…H，W表示图像Ik的宽，H表示图像Ik的高；
3.2.2)用步骤3.2.1)中得到的W×H个特征向量，组成特征图F：
F＝{F(x,y)|x＝1,2,…,W,y＝1,2,…,H}； 8)
3.2.3)分别计算特征向量积分图IP中的点IP(x′,y′,a)和特征向量乘积积分图IQ中的点IQ(x′,y′,a,b)：
Figure GDA0002052310300000111
Figure GDA0002052310300000112
其中，F(x,y,a)为特征图F中的点F(x,y)处的第a维特征，F(x,y,b)为特征图F中F(x,y)处的第b维特征，a为第一组特征序号，其取值为1,2L d，b为第二组特征序号，其取值为1,2L d，d为特征维数；
3.2.4)将步骤3.2.3)所得的点IP(x′,y′,a)和IQ(x′,y′,a,b)分别表示成矩阵形式IPx,y和IQx,y：
IPx,y＝[IP(x,y,1)L IP(x,y,d)]T， 11)
Figure GDA0002052310300000113
3.2.5)将步骤3.2.4)所得的点IPx,y和IQx,y分别组成集合，得到特征向量积分图IP和特征向量乘积积分图IQ：
IP＝{IPx,y|x＝1,2…W1,y＝1,2…H1}， 13)
IQ＝{IQx,y|x＝1,2…W1,y＝1,2…H1}， 14)
其中，W1表示IP和IQ的宽，H1表示积分图IP和IQ的高。
3.2.6)计算候选目标集
Figure GDA0002052310300000114
中每一个候选目标
Figure GDA0002052310300000115
所对应的特征协方差矩阵
Figure GDA0002052310300000116
Figure GDA0002052310300000121
其中，(x′,y′)为候选目标
Figure GDA0002052310300000122
对应矩形区域左上角的顶点坐标，(x″,y″)为候选目标
Figure GDA0002052310300000123
对应矩形区域右下角的顶点坐标，n为区域内像素总数n＝(x″-x′)·(y″-y′)，IQx″,y″、IQx′,y″、IQx″,y′、IQx′,y′为特征向量乘积积分图IQ中的四个不同点，IPx″,y″、IPx′,y″、IPx″,y′、IPx′,y′为特征向量积分图IP中的四个不同点；
3.2.7)用步骤3.2.6)中所得的N×M个特征协方差矩阵，组成候选目标的特征集
Figure GDA0002052310300000124
Figure GDA0002052310300000125
3.3)据候选目标特征集
Figure GDA0002052310300000126
确定权值集
Figure GDA0002052310300000127
3.3.1)计算k时刻第i个粒子群中的第j个粒子所对应的候选目标特征与特征模板γ之间距离
Figure GDA0002052310300000128
Figure GDA0002052310300000129
3.3.2)根据距离
Figure GDA00020523103000001210
计算k时刻第i个粒子群中的第j个粒子所对应的权值
Figure GDA00020523103000001211
Figure GDA00020523103000001212
其中，R为特征观测噪声方差；
3.3.3)用步骤3.3.2)中所得的N×M个距离，组成权值集
Figure GDA00020523103000001213
Figure GDA00020523103000001214
3.4)根据权值集
Figure GDA0002052310300000131
确定k时刻的更新粒子群中心集
Figure GDA0002052310300000132
并确定粒子群权值集
Figure GDA0002052310300000133
3.4.1)确定k时刻第i个粒子群中权值最大的粒子的序号β(i)：
Figure GDA0002052310300000134
3.4.2)将k时刻第i个粒子群的中心
Figure GDA0002052310300000135
更新为β(i)对应的粒子，并将第i个粒子群的权值
Figure GDA0002052310300000136
更新为β(i)对应粒子的权值；
3.4.3)用步骤3.4.2)得到的N个粒子群中心，组成粒子群中心集
Figure GDA0002052310300000137
Figure GDA0002052310300000138
3.4.3)用步骤3.4.2)得到的N个粒子群权值，组成粒子群权值集
Figure GDA0002052310300000139
Figure GDA00020523103000001310
步骤4.粒子群重采样。
现有的重采样方法有多项式重采样、系统重采样、残差重采样等，本实例使用但不限于现有方法中系统重采样方法对箱粒子集进行重采样，再对重采样后的箱粒子集进行放大，得到最后的箱粒子集，其过程如下：
利用重采样算法，根据粒子群权值集
Figure GDA00020523103000001311
对k时刻的更新粒子群中心集
Figure GDA00020523103000001312
进行重采样，得到k时刻的粒子群中心集
Figure GDA00020523103000001313
其中
Figure GDA00020523103000001314
表示k时刻第i个粒子群的中心。
步骤5.估计目标状态。
5.1)根据k时刻的粒子群中心集
Figure GDA00020523103000001315
估计k时刻的目标状态Xk：
Figure GDA00020523103000001316
其中，N表示粒子总数；
5.2)根据k时刻的目标中心位置和目标跟踪窗，确定k时刻的目标Tk：
Figure GDA00020523103000001317
其中，(x,y)为目标范围内的任意像素点，x和y分别为该像素点的横坐标和纵坐标，xk和yk分别表示k时刻目标状态Xk的横坐标和纵坐标，rk和ck分别表示k时刻目标跟踪窗的长度和宽度值；
5.3)输出步骤5.2)所得的目标Tk。
步骤6判断是否迭代。
检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤2进行迭代，否则，目标跟踪过程结束。
本发明的效果可通过以下实验进一步说明：
1.实验条件。
实验环境：计算机采用Intel Core i5-2400 CPU 3.1Ghz，4GB内存，软件采用Matlab R2014a仿真实验平台。
2.实验内容与结果。
实验1：用普通粒子滤波方法和本发明方法，对football视频序列进行跟踪，结果如图2至图4所示，图中白色的框表示本发明的跟踪结果，灰色的框表示普通粒子滤波方法的跟踪结果，其中：
图2，为粒子数为50时，普通粒子滤波方法和本发明方法对足球视频序列第2、10、20、30、40、50、60和70帧进行跟踪的结果图；
图3，为粒子数为100时，普通粒子滤波方法和本发明方法对足球视频序列第2、10、20、30、40、50、60和70帧进行跟踪的结果图；
图4，为粒子数为200时，普通粒子滤波方法和本发明方法对足球视频序列第2、10、20、30、40、50、60和70帧进行跟踪的结果图；
从图2至图4可以看出，本发明对足球视频序列的跟踪结果与实际的真实位置几乎重合，普通粒子滤波方法的跟踪却与真实位置有一定的跟踪差距，因此，本发明的跟踪精度要比普通粒子滤波方法的跟踪精度高。
实验2：用普通粒子滤波方法和本发明方法，对学生视频序列进行跟踪，结果如图5至图7所示，白色的框表示本发明的跟踪结果，灰色的框表示普通粒子滤波方法的跟踪结果，其中：
图5，为粒子数为50时，普通粒子滤波方法和本发明方法对学生视频序列第2、55、104、159、199和252帧进行跟踪的结果图；
图6，为粒子数为100时，普通粒子滤波方法和本发明方法对学生视频序列第2、55、104、159、199和252帧进行跟踪的结果图；
图7，为粒子数为200时，普通粒子滤波方法和本发明方法对学生视频序列第2、55、104、159、199和252帧进行跟踪的结果图；
从图5至图7可以看出，本发明对学生视频序列的跟踪结果与实际的真实位置几乎重合，普通粒子滤波方法的跟踪却与真实位置有一定的跟踪差距，因此，本发明的跟踪精度要比普通粒子滤波方法的跟踪精度高。
实验3：用普通粒子滤波方法和本发明方法，对行人视频序列进行跟踪，结果如图8至图10所示，白色的框表示本发明的跟踪结果，灰色的框表示普通粒子滤波方法的跟踪结果，其中：
图8，为粒子数为50时，普通粒子滤波方法和本发明方法对行人视频序列第2、80、100、130、150和240帧进行跟踪的结果图；
图9，为粒子数为100时，普通粒子滤波方法和本发明方法对行人视频序列第2、80、100、130、150和240帧进行跟踪的结果图；
图10，为粒子数为200时，普通粒子滤波方法和本发明方法对行人视频序列第2、80、100、130、150和240帧进行跟踪的结果图；
从图8至图10可以看出，在目标被车辆遮挡时，本发明可以对目标进行准确跟踪，但是普通粒子滤波方法无法在遮挡时对目标进行跟踪，出现了失跟现象。
实验4：用本发明方法，在粒子数为100时，对无人机航拍视频序列1进行跟踪，结果如图11至图12所示，其中：
图11，为本发明对无人机航拍视频1第1、50、100、150、200和250帧的跟踪结果图；
图12，为本发明对无人机航拍视频1第1、50、100、150、200和250帧的跟踪结果的局部放大图；
从图11至图12可以看出，本发明方法可以对无人机航拍视频1中的大动态范围小目标进行准确跟踪。
实验5：用本发明方法，在粒子数为100时，对无人机航拍视频序列2进行跟踪，结果如图13至图14所示，其中：
图13，为本发明对无人机航拍视频2第1、50、100、150、200和250帧的跟踪结果图；
图14，为本发明对无人机航拍视频2第1、50、100、150、200和250帧的跟踪结果的局部放大图；
从图13至图14可以看出，本发明方法可以对无人机航拍视频2中的大动态范围小目标进行准确跟踪。
实验六
对图2至图4中的场景分别进行100次蒙特卡罗实验，统计平均跟踪误差Err和平均每帧运行时间RT，结果如表1所示。
表1跟踪误差和运行时间统计表
Figure GDA0002052310300000161
对图5至图7中的场景分别进行100次蒙特卡罗实验，统计平均跟踪误差Err和平均每帧运行时间RT，结果如表2所示。
表2跟踪误差和运行时间统计表
Figure GDA0002052310300000162
由表1、表2中的统计数据可以看出：在运行时间相当的情况下，图2至图4中的场景，本发明比普通粒子滤波在粒子数50、100、200时跟踪误差分别降低了30.6％、34.4％、35.2％；图5至图7中的场景，本发明比普通粒子滤波在粒子数50、100、200时跟踪误差分别降低了31.9％、32.7％、33.5％。
综上可以得出，在用时相当的情况下，本发明比普通粒子滤波算法的跟踪精度要高，并且可以实现对大动态范围小目标的准确跟踪。

Claims (8)

1.一种基于粒子群的粒子滤波视频目标跟踪方法，包括：
(1)初始化粒子群：
(1a)读入k-1时刻的图像Ik-1，初始化k-1时刻的粒子群中心集为
Figure FDA0002195430350000011
其中，
Figure FDA0002195430350000012
表示k-1时刻第i个粒子群的中心，i为粒子群序号，取值为1,2,···,N，N表示粒子群总数，k表示时刻，初始时刻为k＝1；
(1b)初始化目标跟踪窗：Bk-1＝(rk-1,ck-1)T，其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值，T表示向量转置运算；
(1c)根据目标初始状态与目标跟踪窗Bk-1，初始化目标的特征协方差矩阵γ作为特征模板；
(2)粒子群状态预测：
(2a)读入k时刻的图像Ik，通过对k-1时刻图像中粒子群中心集
Figure FDA0002195430350000013
的传递，得到k时刻图像中的预测粒子群中心集为
Figure FDA0002195430350000014
其中
Figure FDA0002195430350000015
表示k时刻的第i个预测粒子群中心；
(2b)根据k时刻的预测粒子群中心集
Figure FDA0002195430350000016
确定k时刻的粒子群集
Figure FDA0002195430350000017
其中
Figure FDA0002195430350000018
表示k时刻第i个粒子群中的第j个粒子，j为粒子序号，取值为1,2,···,M，M表示每个粒子群中的粒子总数；
(3)粒子群状态更新
(3a)根据k时刻粒子群集
Figure FDA0002195430350000019
和目标跟踪窗Bk-1，确定k时刻的候选目标集
Figure FDA00021954303500000110
其中，
Figure FDA00021954303500000111
表示k时刻第i个粒子群中的第j个粒子所对应的候选目标，它表示以
Figure FDA00021954303500000112
为中心、Bk-1为长宽所界定出的矩形区域；
(3b)提取k时刻的候选目标集
Figure FDA00021954303500000113
对应的候选目标特征集
Figure FDA00021954303500000114
其中
Figure FDA00021954303500000115
表示k时刻第i个粒子群中的第j个粒子所对应候选目标的特征协方差矩阵；
(3c)根据候选目标特征集
Figure FDA00021954303500000116
确定权值集
Figure FDA00021954303500000117
其中
Figure FDA00021954303500000118
表示k时刻第i个粒子群中的第j个粒子所对应的权值；
(3d)根据权值集
Figure FDA0002195430350000021
确定k时刻的更新粒子群中心集
Figure FDA0002195430350000022
并确定粒子群权值集
Figure FDA0002195430350000023
其中
Figure FDA0002195430350000024
表示k时刻第i个更新粒子群中心，
Figure FDA0002195430350000025
表示k时刻第i个粒子群所对应的权值；
(4)重采样：
利用重采样算法，根据粒子群权值集
Figure FDA0002195430350000026
对k时刻的更新粒子群中心集
Figure FDA0002195430350000027
进行重采样，得到k时刻的粒子群中心集
Figure FDA0002195430350000028
其中
Figure FDA0002195430350000029
表示k时刻第i个粒子群的中心；
(5)目标状态估计：
(5a)根据k时刻的粒子群中心集
Figure FDA00021954303500000210
估计k时刻的目标状态Xk；
(5b)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标Tk，并输出；
(6)判断是否迭代：
检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤(2)进行迭代，否则，目标跟踪过程结束。
2.根据权利要求1所述的方法，其中步骤(1a)中初始化k-1时刻的粒子群中心集为
Figure FDA00021954303500000211
通过如下步骤确定：
(1a1)根据目标的初始状态X0，产生k-1时刻第i个粒子群中心
Figure FDA00021954303500000212
其中，
Figure FDA00021954303500000213
服从均值为X0方差为Ψ1的高斯分布，X0为目标的初始状态，Ψ1为过程噪声方差；
(1a2)用步骤(1a1)所得的N个粒子群中心，组成粒子群中心集
Figure FDA00021954303500000214
Figure FDA00021954303500000215
3.根据权利要求1所述的方法，其中步骤(2a)中通过对k-1时刻图像中粒子群中心集
Figure FDA00021954303500000216
的传递，得到k时刻图像中的预测粒子群中心集为
Figure FDA00021954303500000217
通过如下步骤确定：
(2a1)对k-1时刻第i个粒子群中心
Figure FDA00021954303500000218
进行传递，得到k时刻第i个预测粒子群中心
Figure FDA0002195430350000031
Figure FDA0002195430350000032
其中，vk-1为状态噪声，其服从均值为
Figure FDA0002195430350000033
状态噪声协方差为Ψ1的高斯分布；
(2a2)用步骤(2a1)中所得的N个粒子群中心，组成粒子群中心集
Figure FDA0002195430350000034
Figure FDA0002195430350000035
4.根据权利要求1所述的方法，其中步骤(2b)中根据k时刻的预测粒子群中心集
Figure FDA0002195430350000036
确定k时刻的粒子群集
Figure FDA0002195430350000037
通过如下步骤确定：
(2b1)根据k时刻第i个预测粒子群中心
Figure FDA0002195430350000038
确定k时刻第i个粒子群
Figure FDA0002195430350000039
其中，
Figure FDA00021954303500000310
服从均值为
Figure FDA00021954303500000311
方差为Ψ2的高斯分布，Ψ2为粒子群过程噪声方差；
(2b2)用步骤(2b1)得到的N个粒子群，组成k时刻的粒子群集
Figure FDA00021954303500000312
Figure FDA00021954303500000313
5.根据权利要求1所述的方法，其中步骤(3a)中根据k时刻粒子群集
Figure FDA00021954303500000314
和目标跟踪窗Bk-1，确定k时刻的候选目标集
Figure FDA00021954303500000315
通过如下步骤确定：
(3a1)确定k时刻第i个粒子群中的第j个粒子所对应的候选目标
Figure FDA00021954303500000316
Figure FDA00021954303500000317
其中，
Figure FDA00021954303500000318
和
Figure FDA00021954303500000319
分别表示k时刻i个粒子群中的第j个粒子的横坐标和纵坐标,i为粒子群序号，取值为1,2,···,N，j为粒子序号，取值为1,2,···,M；
(3a2)用步骤(3a1)中所得的N×M候选目标，组成k时刻的候选目标集
Figure FDA0002195430350000041
Figure FDA0002195430350000042
6.根据权利要求1所述的方法，其中步骤(3b)中提取k时刻的候选目标集
Figure FDA0002195430350000043
对应的候选目标特征集
Figure FDA0002195430350000044
通过如下步骤确定：
(3b1)计算图像Ik中(x,y)处的像素点所对应的特征向量F(x,y)：
Figure FDA0002195430350000045
其中，Ik(x,y)为图像Ik像素点(x,y)处的灰度值，
Figure FDA0002195430350000046
和
Figure FDA0002195430350000047
分别表示图像Ik像素点(x,y)处x方向的一阶和二阶梯度，
Figure FDA0002195430350000048
和
Figure FDA0002195430350000049
分别表示图像Ik像素点(x,y)处y方向的一阶和二阶梯度，T表示向量转置，x的取值为1,2···W，y的取值为1,2···H，W表示图像Ik的宽，H表示图像Ik的高；
(3b2)用步骤(3b1)中得到的W×H个特征向量，组成特征图F：
F＝{F(x,y)|x＝1,2,···,W,y＝1,2,···,H}；
(3b3)分别计算特征向量积分图IP中的点IP(x′,y′,a)和特征向量乘积积分图IQ中的点IQ(x′,y′,a,b)：
Figure FDA00021954303500000410
Figure FDA00021954303500000411
其中，F(x,y,a)为特征图F中的点F(x,y)处的第a维特征，F(x,y,b)为特征图F中F(x,y)处的第b维特征，a为第一组特征序号，其取值为1,2…d，b为第二组特征序号，其取值为1,2…d，d为特征维数；
(3b4)将步骤(3b3)所得的点IP(x′,y′,a)和IQ(x′,y′,a,b)分别表示成矩阵形式IPx,y和IQx,y：
IPx,y＝[IP(x,y,1)…IP(x,y,d)]T，
Figure FDA0002195430350000051
(3b5)将步骤(3b4)所得的点IPx,y和IQx,y分别组成集合，得到特征向量积分图IP和特征向量乘积积分图IQ：
IP＝{IPx,y|x＝1,2···W1,y＝1,2···H1}，
IQ＝{IQx,y|x＝1,2···W1,y＝1,2···H1}，
其中，W1表示IP和IQ的宽，H1表示积分图IP和IQ的高；
(3b6)计算候选目标集
Figure FDA0002195430350000052
中每一个候选目标
Figure FDA0002195430350000053
所对应的特征协方差矩阵
Figure FDA0002195430350000054
Figure FDA0002195430350000055
其中，(x′,y′)为候选目标
Figure FDA0002195430350000056
对应矩形区域左上角的顶点坐标，(x″,y″)为候选目标
Figure FDA0002195430350000057
对应矩形区域右下角的顶点坐标，n为区域内像素总数n＝(x″-x′)·(y″-y′)，IQx″,y″、IQx′,y″、IQx″,y′、IQx′,y′为特征向量乘积积分图IQ中的四个不同点，IPx″,y″、IPx′,y″、IPx″,y′、IPx′,y′为特征向量积分图IP中的四个不同点；
(3b7)用步骤(3b6)中所得的N×M个特征协方差矩阵，组成候选目标的特征集
Figure FDA0002195430350000058
Figure FDA0002195430350000061
7.根据权利要求1所述的方法，其中步骤(3c)中根据候选目标特征集
Figure FDA0002195430350000062
确定权值集
Figure FDA0002195430350000063
通过如下步骤确定：
(3c1)计算k时刻第i个粒子群中的第j个粒子所对应的候选目标特征与特征模板γ之间距离
Figure FDA0002195430350000064
Figure FDA0002195430350000065
(3c2)根据距离
Figure FDA0002195430350000066
计算k时刻第i个粒子群中的第j个粒子所对应的权值
Figure FDA0002195430350000067
Figure FDA0002195430350000068
其中，R为特征观测噪声方差；
(3c3)用步骤(3c2)中所得的N×M个距离，组成权值集
Figure FDA0002195430350000069
Figure FDA00021954303500000610
8.根据权利要求1所述的方法，其中步骤(3d)中根据权值集
Figure FDA00021954303500000611
确定k时刻的更新粒子群中心集
Figure FDA00021954303500000612
并确定粒子群权值集
Figure FDA00021954303500000613
通过如下步骤确定：
(3d1)确定k时刻第i个粒子群中权值最大的粒子的序号β(i)：
Figure FDA00021954303500000614
(3d2)将k时刻第i个粒子群的中心
Figure FDA00021954303500000615
更新为β(i)对应的粒子，并将第i个粒子群的权值
Figure FDA00021954303500000616
更新为β(i)对应粒子的权值；
(3d3)用步骤(3d2)得到的N个粒子群中心，组成粒子群中心集
Figure FDA0002195430350000071
Figure FDA0002195430350000072
(3d4)用步骤(3d2)得到的N个粒子群权值，组成粒子群权值集
Figure FDA0002195430350000073
Figure FDA0002195430350000074
CN201611107812.1A 2016-12-06 2016-12-06 基于粒子群的粒子滤波视频目标跟踪方法 Active CN106600624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611107812.1A CN106600624B (zh) 2016-12-06 2016-12-06 基于粒子群的粒子滤波视频目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611107812.1A CN106600624B (zh) 2016-12-06 2016-12-06 基于粒子群的粒子滤波视频目标跟踪方法

Publications (2)

Publication Number Publication Date
CN106600624A CN106600624A (zh) 2017-04-26
CN106600624B true CN106600624B (zh) 2020-05-08

Family

ID=58597378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611107812.1A Active CN106600624B (zh) 2016-12-06 2016-12-06 基于粒子群的粒子滤波视频目标跟踪方法

Country Status (1)

Country Link
CN (1) CN106600624B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909008A (zh) * 2017-10-29 2018-04-13 北京工业大学 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法
CN108319130A (zh) * 2017-12-27 2018-07-24 清华大学 基于李雅普诺夫制导向量和粒子滤波的机动目标跟踪方法
CN108596943A (zh) * 2018-05-17 2018-09-28 桂林电子科技大学 一种基于混沌差分进化粒子群的运动估计算法
CN109275094B (zh) * 2018-11-02 2019-10-22 北京邮电大学 一种高能效无人机覆盖点连续覆盖方法和装置
CN110320472B (zh) * 2019-05-17 2021-06-01 枣庄学院 一种用于矿用锂电池的自修正soc估计方法
CN112949588B (zh) * 2021-03-31 2022-07-22 苏州科达科技股份有限公司 目标检测跟踪方法以及目标检测跟踪装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010147560A (ja) * 2008-12-16 2010-07-01 Victor Co Of Japan Ltd 目標追尾装置
TW201107775A (en) * 2009-08-28 2011-03-01 Univ Nat Kaohsiung Applied Sci Particle swarm optimization fuzzy controller applied for satellite tracking system
CN102663770A (zh) * 2012-03-15 2012-09-12 天津理工大学 基于三重粒子的粒子滤波视觉目标跟踪方法
CN104574442A (zh) * 2015-01-14 2015-04-29 南京邮电大学 自适应粒子群优化粒子滤波运动目标跟踪方法
CN105427340A (zh) * 2015-11-09 2016-03-23 西安电子科技大学昆山创新研究院 基于改进箱粒子滤波的视频目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6399869B2 (ja) * 2014-09-09 2018-10-03 キヤノン株式会社 被写体追尾装置、撮像装置、被写体追尾方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010147560A (ja) * 2008-12-16 2010-07-01 Victor Co Of Japan Ltd 目標追尾装置
TW201107775A (en) * 2009-08-28 2011-03-01 Univ Nat Kaohsiung Applied Sci Particle swarm optimization fuzzy controller applied for satellite tracking system
CN102663770A (zh) * 2012-03-15 2012-09-12 天津理工大学 基于三重粒子的粒子滤波视觉目标跟踪方法
CN104574442A (zh) * 2015-01-14 2015-04-29 南京邮电大学 自适应粒子群优化粒子滤波运动目标跟踪方法
CN105427340A (zh) * 2015-11-09 2016-03-23 西安电子科技大学昆山创新研究院 基于改进箱粒子滤波的视频目标跟踪方法

Also Published As

Publication number Publication date
CN106600624A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106600624B (zh) 基于粒子群的粒子滤波视频目标跟踪方法
CN111862126B (zh) 深度学习与几何算法结合的非合作目标相对位姿估计方法
WO2020098708A1 (zh) 车道线的检测及驾驶控制方法、装置和电子设备
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
Li et al. Visual contour tracking based on particle filters
Krull et al. 6-dof model based tracking via object coordinate regression
US9111172B2 (en) Information processing device, information processing method, and program
CN112328715B (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN113377888A (zh) 训练目标检测模型和检测目标的方法
EP3136342B1 (en) State estimation apparatus and program
CN110865343A (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
Agate et al. Road-constrained target tracking and identification using a particle filter
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
Sveier et al. Object detection in point clouds using conformal geometric algebra
CN113012063A (zh) 一种动态点云修复方法、装置及计算机设备
CN103839280A (zh) 一种基于视觉信息的人体姿态跟踪方法
CN111553954B (zh) 一种基于直接法单目slam的在线光度标定方法
CN113191427A (zh) 一种多目标车辆跟踪方法及相关装置
Tao et al. An efficient 3D object detection method based on fast guided anchor stereo RCNN
CN111765883A (zh) 机器人蒙特卡罗定位方法、设备及存储介质
Musso et al. Introducing the Laplace approximation in particle filtering
CN112991445B (zh) 模型训练方法、姿态预测方法、装置、设备及存储介质
WO2023015528A1 (zh) 一种软体机器人仿真方法、装置、电子设备及存储介质
CN114663478A (zh) 一种根据多参考点预测信息估计锚点位置的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200415

Address after: 215000 No.125, Lufeng West Road, Lujia Town, Kunshan City, Suzhou City, Jiangsu Province

Applicant after: KUNSHAN KUNPENG UAV TECHNOLOGY Co.,Ltd.

Applicant after: KUNPAD COMMUNICATION (KUNSHAN) Co.,Ltd.

Applicant after: Suzhou Ming'an Information Technology Co., Ltd

Applicant after: SUZHOU MINGYI THINK TANK INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Suzhou City, Jiangsu province 215000 Kunshan Lujia No. 3 Lufeng East Road Shitailong mold City No. 1 building 26 room

Applicant before: KUNSHAN KUNPENG UAV TECHNOLOGY Co.,Ltd.

Applicant before: KUNPAD COMMUNICATION (KUNSHAN) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant