CN110223319B - 基于改进几何粒子滤波的动态目标实时跟踪方法和系统 - Google Patents

Abstract

本发明公开了一种基于改进几何粒子滤波的动态目标实时跟踪方法，属于计算机视觉技术领域。本发明首先获取目标图像，提取目标图像的特征点和边缘特征，并对边缘特征进行形态学膨胀得到特征像素；接着获取初始图像，提取初始图像中的特征点，将其与目标图像中的特征点进行匹配，以初始化目标区域；然后对初始化后的目标区域进行2D仿射变换，获取候选目标区域，根据2D仿射变换将膨胀后的边缘映射到候选目标区域进行匹配，更新粒子权重，对粒子进行重采样，进而得到目标物的位置估计。本发明还公开了一种基于改进几何粒子滤波的动态目标实时跟踪系统。本发明可有效提升动态目标视觉实时跟踪性能。

Description

基于改进几何粒子滤波的动态目标实时跟踪方法和系统

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种基于改进几何粒子滤波的动态目标实时跟踪方法和系统。

背景技术

视觉目标跟踪是计算机视觉领域中一个研究热点和难点，其融合了图像处理、目标检测、滤波、自动控制，人工智能等技术领域的先进成果。视觉目标跟踪有着广泛的应用场景，可用于公共场所的智能监控，自动驾驶和无人机对目标物的识别和跟踪，目标物的运动分析，视觉导航等领域。对于动态目标的跟踪，由于目标物的运动可能存在随机性和快速性，这对于视觉目标跟踪的鲁棒性和实时性提出了更高的要求。

根据对目标和背景的识别方式不同可以将视觉目标跟踪方法分为生成类方法和判别类方法。生成类方法包括均值漂移、粒子滤波等，判别类方法包括相关滤波，深度学习等。粒子滤波是一种非参数化的滤波方法，由于其在非线性方面的优异性，在视觉目标跟踪上取得良好效果。经典的粒子滤波以颜色、纹理、边缘、灰度等为特征对目标物进行建模，以像素点为粒子进行采样，这种方式能够以矩形框的形式包围目标物，对目标物的平移和缩放有较好的跟踪效果，但无法对目标物测旋转进行跟踪，即当目标物发生旋转时矩形框并不会跟着进行旋转。

而几何粒子滤波以图像2D仿射变换为粒子，能够使矩形包围框跟随目标物进行旋转、平移、缩放、拉伸等各类变换。但是传统的几何粒子滤波采用像素匹配的方法计算粒子的权重，当目标物模板所占像素较大，粒子数量较多时，该方法需要较大的运算量，无法满足实时性的要求，且当目标物的像素值相近时，像素匹配的方法的精度较低，会导致几何粒子滤波跟踪误差大甚至跟踪失败。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进几何粒子滤波的动态目标实时跟踪方法，其目的在于有针对性地减少了传统几何粒子滤波中粒子权重更新时不必要的计算，提高了几何粒子滤波跟踪的实时性和鲁棒性。

为实现上述目的，本发明提供了一种基于改进几何粒子滤波的动态目标实时跟踪方法，所述方法包括以下步骤：

(1)获取要跟踪的目标物的目标图像I^g，提取目标图像I^g的图像特征点K^g，接着提取目标图像I^g的边缘特征c^g，最后对边缘特征c^g进行形态学膨胀，得到特征像素C^g，记录特征像素C^g所对应的像素位置P^g；

(2)从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰，利用目标图像I^g和初始图像I⁰匹配的特征点对K^g0求取目标图像I^g到初始图像I⁰的单应性矩阵H^g0；将目标图像I^g的四个顶点像素坐标M^g乘以单应性矩阵H^g0得到初始图像I⁰中目标物包围盒的四个顶点像素坐标M⁰；将像素位置P^g乘以单应性矩阵H^g0得到初始图像I⁰中特征像素所在的像素位置P⁰，记录P⁰所对应的像素值

(3)从待跟踪图像序列中获取下一帧图像作为当前图像I^c，随机生成n个粒子E1，E，2，E3，...，En，将顶点像素坐标M⁰与E1，E，2，E3，...，En相乘得到I^c中n个候选目标区域，将特征像素所在的位置P⁰乘以E1，E，2，E3，...，En得到I^c中n个候选目标区域所对应的特征像素所在位置P¹，P²，P³，...，Pⁿ，记录P¹,P²,P³,...,Pⁿ对应的特征像素值

对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重，接着用轮盘赌算法去除a个粒子，同时复制权重最大的前a个粒子，维持粒子总数仍然为n个，其中，a为整数，且0＜a＜n；再令重采样后各粒子权重

最后对所有粒子求加权平均，得到估计的仿射变换E，将四个顶点像素坐标M⁰与仿射变换E相乘得到当前图像I^c中目标物包围盒的四个顶点像素坐标M^c，即目标位置；

(4)若图像目标跟踪尚未完成，则将当前图像I^c作为目标图像I^g，并更新I^g＝I^c，M^g＝M^c，P⁰＝EP⁰；返回步骤(3)，直到待跟踪图像序列中最后一帧图像。

进一步地，所述步骤(1)中对边缘特征c^g进行形态学膨胀具体为：

其中，dst(x，y)表示膨胀后像素坐标(x，y)处的像素值，(x′，y′)表示核D^g的像素坐标，(x′，y′)：element(x′，y′)≠0表示对核D^g进行遍历，所述核D^g为预设核，src(x+x′，y+y′)表示二值化后的边缘图像的像素坐标(x+x′，y+y′)处的像素值，max表示求最大值。

进一步地，所述步骤(2)中从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰具体为：

(21)从待跟踪图像序列中获取下一帧图像作为初始图像I⁰，提取初始图像I⁰的特征点K⁰，特征点K⁰和特征点K^g为同一类型的图像特征点；

(22)对特征点K⁰和特征点K^g进行最近邻匹配，若匹配的特征点个数N1小于设定的阈值L1，则返回步骤(21)；否则进入步骤(23)；

(23)用随机抽样一致算法对匹配的特征点对进行筛选，去除误匹配的特征点对得到正确匹配的特征点对K^g0，若K^g0的数量N2小于设定的阈值L2，则返回步骤(21)；否则找到初始图像I⁰，结束。

进一步地，所述步骤(3)中随机生成n个粒子E1，E，2，E3，...，En具体为按高斯分布随机生成n个2D仿射变换E1，E，2，E3，...，En作为粒子：

(311)2D仿射变换群e₁e₂...e₆如下，分别表示图像的缩放、拉伸、旋转、切磋、纵向平移和横向平移：

(312)生成2D仿射变换群e₁e₂...e₆的系数，该系数服从方差为P均值为0的高斯分布：

ε_i＝(ε_i1，...，ε_i6)^T～N(O，P)

其中，ε_i表示第i个粒子的2D仿射变换系数，i＝1，2，3，...，n；ε_i1，...，ε_i6表示第i个粒子的2D仿射变换群系数，T表示矩阵转置，N(O，P)表示方差为P均值为0的高斯分布；

(313)各粒子的2D仿射变换生成方法如下：

其中，j＝1，2，3，...，6。

进一步地，所述步骤(3)中对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重具体为：

(321)分别计算特征像素值

与特征像素值

之间的距离d_i：

其中，sqrt表示取平方根，i＝1，2，3，...，n，

均为m×1的矩阵，m为特征像素C^g的个数；

(322)各粒子权重为w_i：

w_i＝(2πσ)^-1/2exp{-d_i/2}

其中，π为圆周率，σ为预测粒子分布的方差，exp表示以自然常数为底的指数函数运算。

按照本发明的另一方面，本发明提供了一种基于改进几何粒子滤波的动态目标实时跟踪系统，所述系统包括依次执行的以下模块：

目标图像处理模块，用于获取要跟踪的目标物的目标图像I^g，提取目标图像I^g的图像特征点K^g，接着提取目标图像I^g的边缘特征c^g，最后对边缘特征c^g进行形态学膨胀，得到特征像素C^g，记录特征像素C^g所对应的像素位置P^g；

初始图像处理模块，用于从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰，利用目标图像I^g和初始图像I⁰匹配的特征点对K^g0求取目标图像I^g到初始图像I⁰的单应性矩阵H^g0；将目标图像I^g的四个顶点像素坐标M^g乘以单应性矩阵H^g0得到初始图像I⁰中目标物包围盒的四个顶点像素坐标M⁰；将像素位置P^g乘以单应性矩阵H^g0得到初始图像I⁰中特征像素所在的像素位置P⁰，记录P⁰所对应的像素值

目标跟踪模块，用于从待跟踪图像序列中获取下一帧图像作为当前图像I^c，随机生成n个粒子E1，E，2，E3，...，En，将顶点像素坐标M⁰与E1，E，2，E3，...，En相乘得到I^c中n个候选目标区域，将特征像素所在的位置P⁰乘以E1，E，2，E3，...，En得到I^c中n个候选目标区域所对应的特征像素所在位置P¹，P²，P³，...，Pⁿ，记录P¹，P²，P³，...，Pⁿ对应的特征像素值

对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重，接着用轮盘赌算法去除a个粒子，同时复制权重最大的前a个粒子，维持粒子总数仍然为n个，其中，a为整数，且0＜a＜n；再令重采样后各粒子权重

最后对所有粒子求加权平均，得到估计的仿射变换E，将四个顶点像素坐标M⁰与仿射变换E相乘得到当前图像I^c中目标物包围盒的四个顶点像素坐标M^c，即目标位置；

循环处理模块，用于若图像目标跟踪尚未完成，则将当前图像I^c作为目标图像I^g，并更新I^g＝I^c，M^g＝M^c，P⁰＝EP⁰；返回步骤(3)，直到待跟踪图像序列中最后一帧图像。

进一步地，所述步骤目标图像处理模块中对边缘特征c^g进行形态学膨胀具体为：

其中，dst(x，y)表示膨胀后像素坐标(x，y)处的像素值，(x′，y′)表示核D^g的像素坐标，(x′，y′)：element(x′，y′)≠0表示对核D^g进行遍历，所述核D^g为预设核，src(x+x′，y+y′)表示二值化后的边缘图像的像素坐标(x+x′，y+y′)处的像素值，max表示求最大值。

进一步地，所述初始图像处理模块中还包括初始图像选择单元，初始图像选择单元用于从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰，具体包括依次执行的以下子单元：

第一子单元，用于从待跟踪图像序列中获取下一帧图像作为初始图像I⁰，提取初始图像I⁰的特征点K⁰，特征点K⁰和特征点K^g为同一类型的图像特征点；

第二子单元，用于对特征点K⁰和特征点K^g进行最近邻匹配，若匹配的特征点个数N1小于设定的阈值L1，则返回第一子单元；否则进入第三子单元；

第三子单元，用于用随机抽样一致算法对匹配的特征点对进行筛选，去除误匹配的特征点对得到正确匹配的特征点对K^g0，若K^g0的数量N2小于设定的阈值L2，则返回第一子单元；否则找到初始图像I⁰，结束。

进一步地，所述目标跟踪模块中包括粒子生成单元，用于随机生成n个粒子E1，E，2，E3，...，En，具体包括依次执行的以下子单元：

第一粒子生成子单元，用于生成2D仿射变换群e₁e₂...e₆，2D仿射变换群e₁e₂...e₆如下，分别表示图像的缩放、拉伸、旋转、切磋、纵向平移和横向平移：

第二粒子生成子单元，用于生成2D仿射变换群e₁e₂...e₆的系数，该系数服从方差为P均值为0的高斯分布：

ε_i＝(ε_i1，...，ε_i6)^T～N(O，P)

其中，ε_i表示第i个粒子的2D仿射变换系数，i＝1，2，3，...，n；ε_i1，...，ε_i6表示第i个粒子的2D仿射变换群系数，T表示矩阵转置，N(O，P)表示方差为P均值为0的高斯分布；

第三粒子生成子单元，用于生成各粒子的2D仿射变换：

其中，j＝1，2，3，...，6。

进一步地，所述目标跟踪模块还包括粒子权重生成单元，用于对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重，具体包括依次执行的以下子单元：

第一权重生成子单元，用于分别计算特征像素值

与特征像素值

之间的距离d_i：

其中，sqrt表示取平方根，i＝1，2，3，...，n，

均为m×1的矩阵，m为特征像素C^g的个数；

第二权重生成子单元，用于计算各粒子权重w_i：

w_i＝(2πσ)^-1/2exp{-d_i/2}

其中，π为圆周率，σ为预测粒子分布的方差，exp表示以自然常数为底的指数函数运算。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1)本发明采用了边缘提取和形态学膨胀的方法，对原有几何粒子滤波的特征点冗余的不足进行改进，去除不必要的特征点，提升几何粒子滤波在粒子权重计算时的快速性和准确性，实现了增强几何粒子滤波跟踪算法的实时性和鲁棒性的效果；

2)本发明采用特征点匹配计算单应性矩阵的方法，对原有几何粒子滤波的需要人为初始粒子状态的不足进行改进，实现了自动初始化几何粒子滤波跟踪算法中粒子初始状态的效果；

3)本发明采用目标图像实时更新的方法，对原有几何粒子滤波目标图像固定不变的不足进行改进，实现了提高几何粒子滤波跟踪算法的稳定性的效果。

附图说明

图1是本发明方法整体流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明的基于改进几何粒子滤波的动态目标实时跟踪方法，所述跟踪在二维图像中进行，当目标物进入图像后，能够自动检测目标物，以矩形框标记目标物，并且对目标物的位置和方向进行持续跟踪。

参照图1，是改进后几何粒子滤波的整体算法流程图，所述基于改进几何粒子滤波的动态目标实时跟踪方法，其具体步骤包括：

(1)目标图像I^g处理：首先离线获取要跟踪的目标物的目标图像I^g；然后提取目标图像I^g的图像特征点K^g，该特征点K^g可以是SHIF或SURF等图像特征点；接着提取目标图像I^g的边缘特征c^g；最后对边缘特征c^g进行形态学膨胀，得到特征像素C^g，记录特征像素C^g所对应的像素位置P^g。

目标图像I^g为要跟踪的目标物的图像，需要从包含目标物的图像中单独将目标物截取下来作为目标图像I^g。

对目标进行边缘提取，采用Canny算法进行边缘提取，用Canny算法提取边缘前先进行平滑滤波，以去除噪点，合理设定Canny算法的上下边缘阈值尽可能提取完整的边缘，这里下边缘阈值取20，上边缘阈值取60。

对边缘特征c^g进行形态学膨胀，是求局部最大值的操作，通过核D^g与二值化后的边缘图像进行卷积，所述核D^g可以是任何形状，所述卷积是计算核D^g所覆盖区域的像素点的最大值，并把这个最大值赋给参考点指定的像素。形态学膨胀的数学表达式如下：

其中dst(x，y)表示膨胀后像素坐标(x，y)处的像素值，(x′，y′)表示核D^g的像素坐标，(x′，y′)：element(x′，y′)≠0表示对核D^g进行遍历，src(x+x′，y+y′)表示二值化后的边缘图像的像素坐标(x+x′，y+y′)处的像素值，max表示求最大值。

(2)初始图像I⁰处理：从需要进行目标跟踪的图像序列中获取下一帧图像作为初始图像I⁰；然后提取初始图像I⁰的特征点K⁰，该特征点K⁰是与目标图像I^g的特征点K^g同一类型的SHIF或SURF等图像特征点；接着对特征点K^g和特征点K⁰进行最近邻匹配，若匹配的特征点个数N1小于设定的阈值L1，则重复步骤2)直到图像最后一帧或者匹配的特征点个数N1不小于阈值L1；若匹配的特征点个数N1大于等于设定的阈值L1则进一步用随机抽样一致(RANSAC)对匹配的特征点对进行筛选，去除误匹配的特征点对得到正确匹配的特征点对K^g0，若K^g0的数量N2小于设定的阈值L2，则重复步骤2)直到图像最后一帧或者N2不小于设定的阈值L2；若N2大于等于设定的阈值L2，则利用正确匹配的特征点对K^g0求取目标图像I^g到初始图像I⁰的单应性矩阵H^g0；将目标图像I^g的四个顶点像素坐标M^g乘以单应性矩阵H^g0得到初始图像I⁰中目标物包围盒的四个顶点像素坐标M⁰；同样的将特征像素C^g所对应的像素坐标P^g乘以单应性矩阵H^g0得到初始图像I⁰中特征像素所在的像素坐标P⁰，记录P⁰所对应的像素值

所述对阈值L2和阈值L1的设定方法如下：所述阈值L2理论最低值为4，这里取L2＝16。阈值L1应当大于阈值L2，这里取L1＝20。

所述特征像素所在的位置P⁰的求取方法如下：

(21)步骤(1)记录的目标图像特征像素C^g所对应的像素位置P^g，为3×m的矩阵，如下所示：

其中，ug₁，ug₂，ug₃，...，ug_m为特征像素C^g所在位置的横坐标，vg₁，vg₂，vg₃，...，vg_m为特征像素C^g所在位置的纵坐标，m为特征像素C^g的个数。

(22)单应性矩阵H^g0为3×3矩阵，可以通过OpenCV中cvFindHomography函数获取。

(23)初始图像I⁰中特征像素所在的位置P⁰为3×m的矩阵，其计算方法如下：

P⁰＝P^gH^g0

(3)几何粒子滤波估计：首先进行重要性采样，从需要进行目标跟踪的图像序列中获取下一帧图像作为当前图像I^c，按高斯分布随机生成n个2D仿射变换E1，E，2，E3，...，En作为粒子，将目标物包围盒的四个顶点像素坐标M⁰与仿射变换E1，E，2，E3，...，En相乘得到n个候选目标区域，同样将特征像素所在的位置P⁰乘以E1，E，2，E3，...，En得到当前图像I^c中n个候选目标区域所对应的特征像素所在位置P¹，P²，P³，...，Pⁿ，记录P¹，P²，P³，...，Pⁿ对应的特征像素值

然后计算各粒子权重，将特征像素值

与特征像素值

分别进行像素匹配，得到各粒子出现的概率，并归一化后获得各粒子对应的权重w₁，w₂，w₃，...，w_n；接着进行重采样，用轮盘赌算法去除E1，E，2，E3，...，En中a个粒子，，其中，a为整数；且同时复制权重最大的前a个粒子，并维持粒子总数仍然为n个，令重采样后各粒子权重

最后对2D仿射变换E1，E，2，E3，...，En求加权平均，得到估计的仿射变换E，将目标物包围盒的四个顶点像素坐标M⁰与仿射变换E相乘得到当前图像I^c中目标物包围盒的四个顶点像素坐标M^c；

所述按高斯分布随机生成n个2D仿射变换E1E2E3...En的方法如下：

(311)2D仿射变换群e₁e₂...e₆如下，分别表示图像的缩放、拉伸、旋转、切磋、纵向平移和横向平移：

(312)生成2D仿射变换群e₁e₂...e₆的系数，该系数服从方差为P均值为0的高斯分布：

ε_i＝(ε_i1，...，ε_i6)^T～N(O，P)

其中，ε_i表示第i个粒子的2D仿射变换系数，i＝1，2，3，...，n，ε_i1，...，ε_i6表示第i个粒子的2D仿射变换群系数，T表示矩阵转置，N(O，P)表示方差为P均值为0的高斯分布；

(313)各粒子的2D仿射变换生成方法如下：

其中，j＝1，2，3，...，6。

所述粒子权重w₁，w₂，w₃，...，w_n的计算方法为：

(321)分别计算特征像素值

与特征像素值

之间的距离d_i：

其中，sqrt表示取平方根，i＝1，2，3，...，n，

均为m×1的矩阵，m为特征像素C^g的个数；

(322)各粒子权重为w_i：

w_i＝(2πσ)^-1/2exp{-d_i/2}

其中，π为圆周率，σ为预测粒子分布的方差，exp表示以自然常数为底的指数函数运算。

(4)循环跟踪：若图像目标跟踪尚未完成，则将当前图像I^c作为目标图像I^g，并更新相应信息：I^g＝I^c，M^g＝M^c，P⁰＝EP⁰；然后重复步骤(3)几何粒子滤波估计直到图像最后一张。

以上内容本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于改进几何粒子滤波的动态目标实时跟踪方法，其特征在于，所述方法包括以下步骤：

(1)获取要跟踪的目标物的目标图像I^g，提取目标图像I^g的图像特征点K^g，接着提取目标图像I^g的边缘特征c^g，最后对边缘特征c^g进行形态学膨胀，得到特征像素C^g，记录特征像素C^g所对应的像素位置P^g；对边缘特征c^g进行形态学膨胀具体为：

其中，dst(x,y)表示膨胀后像素坐标(x,y)处的像素值，(x',y')表示核D^g的像素坐标，(x',y'):element(x',y')≠0表示对核D^g进行遍历，所述核D^g为预设核，src(x+x',y+y')表示二值化后的边缘图像的像素坐标(x+x',y+y')处的像素值，max表示求最大值；

(2)从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰，利用目标图像I^g和初始图像I⁰匹配的特征点对K^g0求取目标图像I^g到初始图像I⁰的单应性矩阵H^g0；将目标图像I^g的四个顶点像素坐标M^g乘以单应性矩阵H^g0得到初始图像I⁰中目标物包围盒的四个顶点像素坐标M⁰；将像素位置P^g乘以单应性矩阵H^g0得到初始图像I⁰中特征像素所在的像素位置P⁰，记录P⁰所对应的像素值

(3)从待跟踪图像序列中获取下一帧图像作为当前图像I^c，随机生成n个粒子E1,E2,E3,...,En，将顶点像素坐标M⁰与E1,E2,E3,...,En相乘得到I^c中n个候选目标区域，将特征像素所在的位置P⁰乘以E1,E2,E3,...,En得到I^c中n个候选目标区域所对应的特征像素所在位置P¹,P²,P³,...,Pⁿ，记录P¹,P²,P³,...,Pⁿ对应的特征像素值

对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重，接着用轮盘赌算法去除a个粒子，同时复制权重最大的前a个粒子，维持粒子总数仍然为n个，其中，a为整数，且0＜a＜n；再令重采样后各粒子权重

最后对所有粒子求加权平均，得到估计的仿射变换E，将四个顶点像素坐标M⁰与仿射变换E相乘得到当前图像I^c中目标物包围盒的四个顶点像素坐标M^c，即目标位置；

(4)若图像目标跟踪尚未完成，则将当前图像I^c作为目标图像I^g，并更新I^g＝I^c，M^g＝M^c，P⁰＝EP⁰；返回步骤(3)，直到待跟踪图像序列中最后一帧图像。

2.根据权利要求1所述的一种基于改进几何粒子滤波的动态目标实时跟踪方法，其特征在于，所述步骤(2)中从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰具体为：

(21)从待跟踪图像序列中获取下一帧图像作为初始图像I⁰，提取初始图像I⁰的特征点K⁰，特征点K⁰和特征点K^g为同一类型的图像特征点；

(22)对特征点K⁰和特征点K^g进行最近邻匹配，若匹配的特征点个数N1小于设定的阈值L1，则返回步骤(21)；否则进入步骤(23)；

(23)用随机抽样一致算法对匹配的特征点对进行筛选，去除误匹配的特征点对得到正确匹配的特征点对K^g0，若K^g0的数量N2小于设定的阈值L2，则返回步骤(21)；否则找到初始图像I⁰，结束。

3.根据权利要求1所述的一种基于改进几何粒子滤波的动态目标实时跟踪方法，其特征在于，所述步骤(3)中随机生成n个粒子E1,E,2,E3,...,En具体为按高斯分布随机生成n个2D仿射变换E1,E,2,E3,...,En作为粒子：

(311)2D仿射变换群e₁,e₂,...,e₆如下，分别表示图像的缩放、拉伸、旋转、切磋、纵向平移和横向平移：

(312)生成2D仿射变换群e₁,e₂,...,e₆的系数，该系数服从方差为P均值为0的高斯分布：

ε_i＝(ε_i1,...,ε_i6)^T～N(0,P)

其中，ε_i表示第i个粒子的2D仿射变换系数，i＝1,2,3,...,n；ε_i1,...,ε_i6表示第i个粒子的2D仿射变换群系数，T表示矩阵转置，N(0,P)表示方差为P均值为0的高斯分布；

(313)各粒子的2D仿射变换生成方法如下：

其中，j＝1,2,3,...,6。

4.根据权利要求1所述的一种基于改进几何粒子滤波的动态目标实时跟踪方法，其特征在于，所述步骤(3)中对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重具体为：

(321)分别计算特征像素值

与特征像素值

之间的距离d_i：

其中，sqrt表示取平方根，i＝1,2,3,...,n，

均为m×1的矩阵，m为特征像素C^g的个数；

(322)各粒子权重为w_i：

w_i＝(2πσ)^-1/2exp{-d_i/2}

其中，π为圆周率，σ为预测粒子分布的方差，exp表示以自然常数为底的指数函数运算。

5.一种基于改进几何粒子滤波的动态目标实时跟踪系统，其特征在于，所述系统包括依次执行的以下模块：

目标图像处理模块，用于获取要跟踪的目标物的目标图像I^g，提取目标图像I^g的图像特征点K^g，接着提取目标图像I^g的边缘特征c^g，最后对边缘特征c^g进行形态学膨胀，得到特征像素C^g，记录特征像素C^g所对应的像素位置P^g；对边缘特征c^g进行形态学膨胀具体为：

其中，dst(x,y)表示膨胀后像素坐标(x,y)处的像素值，(x',y')表示核D^g的像素坐标，(x',y'):element(x',y')≠0表示对核D^g进行遍历，所述核D^g为预设核，src(x+x',y+y')表示二值化后的边缘图像的像素坐标(x+x',y+y')处的像素值，max表示求最大值；

初始图像处理模块，用于从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰，利用目标图像I^g和初始图像I⁰匹配的特征点对K^g0求取目标图像I^g到初始图像I⁰的单应性矩阵H^g0；将目标图像I^g的四个顶点像素坐标M^g乘以单应性矩阵H^g0得到初始图像I⁰中目标物包围盒的四个顶点像素坐标M⁰；将像素位置P^g乘以单应性矩阵H^g0得到初始图像I⁰中特征像素所在的像素位置P⁰，记录P⁰所对应的像素值

目标跟踪模块，用于从待跟踪图像序列中获取下一帧图像作为当前图像I^c，随机生成n个粒子E1,E,2,E3,...,En，将顶点像素坐标M⁰与E1,E,2,E3,...,En相乘得到I^c中n个候选目标区域，将特征像素所在的位置P⁰乘以E1,E,2,E3,...,En得到I^c中n个候选目标区域所对应的特征像素所在位置P¹,P²,P³,...,Pⁿ，记录P¹,P²,P³,...,Pⁿ对应的特征像素值

对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重，接着用轮盘赌算法去除a个粒子，同时复制权重最大的前a个粒子，维持粒子总数仍然为n个，其中，a为整数，且0＜a＜n；再令重采样后各粒子权重

最后对所有粒子求加权平均，得到估计的仿射变换E，将四个顶点像素坐标M⁰与仿射变换E相乘得到当前图像I^c中目标物包围盒的四个顶点像素坐标M^c，即目标位置；

循环处理模块，用于若图像目标跟踪尚未完成，则将当前图像I^c作为目标图像I^g，并更新I^g＝I^c，M^g＝M^c，P⁰＝EP⁰；返回目标跟踪模块，直到待跟踪图像序列中最后一帧图像。

6.根据权利要求5所述的一种基于改进几何粒子滤波的动态目标实时跟踪系统，其特征在于，所述初始图像处理模块中还包括初始图像选择单元，初始图像选择单元用于从待跟踪图像序列中寻找首个与目标图像I^g满足特征点匹配要求的图像作为初始图像I⁰，具体包括依次执行的以下子单元：

第一子单元，用于从待跟踪图像序列中获取下一帧图像作为初始图像I⁰，提取初始图像I⁰的特征点K⁰，特征点K⁰和特征点K^g为同一类型的图像特征点；

第二子单元，用于对特征点K⁰和特征点K^g进行最近邻匹配，若匹配的特征点个数N1小于设定的阈值L1，则返回第一子单元；否则进入第三子单元；

第三子单元，用于用随机抽样一致算法对匹配的特征点对进行筛选，去除误匹配的特征点对得到正确匹配的特征点对K^g0，若K^g0的数量N2小于设定的阈值L2，则返回第一子单元；否则找到初始图像I⁰，结束。

7.根据权利要求5所述的一种基于改进几何粒子滤波的动态目标实时跟踪系统，其特征在于，所述目标跟踪模块中包括粒子生成单元，用于随机生成n个粒子E1,E,2,E3,...,En，具体包括依次执行的以下子单元：

第一粒子生成子单元，用于生成2D仿射变换群e₁,e₂,...,e₆，2D仿射变换群e₁,e₂,...,e₆ 如下，分别表示图像的缩放、拉伸、旋转、切磋、纵向平移和横向平移：

第二粒子生成子单元，用于生成2D仿射变换群e₁,e₂,...,e₆的系数，该系数服从方差为P均值为0的高斯分布：

ε_i＝(ε_i1,...,ε_i6)^T～N(0,P)

其中，ε_i表示第i个粒子的2D仿射变换系数，i＝1,2,3,...,n；ε_i1,...,ε_i6表示第i个粒子的2D仿射变换群系数，T表示矩阵转置，N(0,P)表示方差为P均值为0的高斯分布；

第三粒子生成子单元，用于生成各粒子的2D仿射变换：

其中，j＝1,2,3,...,6。

8.根据权利要求5所述的一种基于改进几何粒子滤波的动态目标实时跟踪系统，其特征在于，所述目标跟踪模块还包括粒子权重生成单元，用于对特征像素值

与特征像素值

分别进行像素匹配，得到各个粒子出现的概率，并归一化后获得各个粒子对应的权重，具体包括依次执行的以下子单元：

第一权重生成子单元，用于分别计算特征像素值

与特征像素值

之间的距离d_i：

其中，sqrt表示取平方根，i＝1,2,3,...,n，

均为m×1的矩阵，m为特征像素C^g的个数；

第二权重生成子单元，用于计算各粒子权重w_i：

w_i＝(2πσ)^-1/2exp{-d_i/2}

其中，π为圆周率，σ为预测粒子分布的方差，exp表示以自然常数为底的指数函数运算。

Images