CN113470072B - 一种基于运动粒子的粒子群目标跟踪算法 - Google Patents

Abstract

一种基于运动粒子的粒子群目标跟踪计算方法，涉及目标跟踪技术领域，为了解决现有技术由于采用先验知识导致计算量增加，易产生局部最优解甚至丢失目标问题，该方法包括：步骤一，框选跟踪目标区域；步骤二，对目标区域提取HSV颜色特征建立目标特征向量；步骤三，粒子群初始化；步骤四，模板匹配相似因子的计算；步骤五，基于梯度收敛确定当前帧目标跟踪坐标；步骤六，判断跟踪是否结束；如果有后续帧图像输入，则回到步骤三继续跟踪，否则跟踪结束。该方法极大地降低了算法复杂度，与传统模板匹配的跟踪算法相比鲁棒性更好，可以获得更高的准确度和速度的跟踪效果。本发明克服了现有技术在目标跟踪时计算复杂度高，局部最优解甚至丢失目标问题。

Description

一种基于运动粒子的粒子群目标跟踪算法

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种基于运动粒子的粒子群目标跟踪计算方法。

背景技术

目标跟踪是机器视觉领域中比较重要和热门的研究方向，也是各种视频应用中的一个基本任务。目标跟踪广泛应用于智能交通、无人驾驶、无人机监测、水上智能监控等领域，存在很高的应用价值和广阔的应用前景。如何提高跟踪技术的准确性、实时性，以适应实际应用领域的各种需求是目前的视频目标跟踪技术领域关注的关键问题。

中国专利公开号为“CN104915969B”，名称为“一种基于粒子群优化的模版匹配跟踪方法”，该方法首先根据目标以往的运动情况预测目标在当前帧中可能的位置，每一种预测用粒子群优化算法中的一个粒子进行表示，建立搜索空间；通过迭代法寻找最大相关匹配值的目标状态值作为目标跟踪的结果。该方法随着迭代次数的增加粒子移动越慢，当迭代次数较大时，计算复杂度仍然很高；当目标运动方向改变时，由于采用先验知识，反而会增加计算量，易产生局部最优解甚至丢失目标。

发明内容

本发明为了解决现有技术由于采用先验知识导致计算量增加，易产生局部最优解甚至丢失目标问题，提出一种基于运动粒子的粒子群目标跟踪计算方法。

一种基于运动粒子的粒子群目标跟踪计算方法，其包括如下步骤：

步骤一，框选跟踪目标区域；

取图像序列第一帧图像，用矩形框(x,y,w,h)对其进行目标区域的框选，其中(x,y)为矩形框中心点，w为矩形框宽度，h为矩形框高度；

步骤二，对目标区域提取HSV颜色特征建立目标特征向量；

首先，对H(色调)和S(饱和度)两通道取值范围进行量化处理，将取值区间由[0,360]和[0,1]，分别拉伸或者压缩至区间[0,255]，对H通道和S通道建立直方图模型；

其次，假设目标区域中共有N个像素，第i个像素点的坐标为(x_i,y_i)，则第i个像素点的H通道信息为H(x_i,y_i)，S通道信息为S(x_i,y_i)；由于经过量化处理后H和S通道数据的取值范围均为0～255，将直方图组数(Bins)设置为n(0<n<255)，H直方图模型H＝{H_u}如公式(1)。

S直方图模型S＝{S_u}如公式(2)。

公式(1)和公式(2)中：u＝0,1,…,n，w为目标矩形区域宽度，h为目标矩形区域高度，δ为克罗内克函数(Kronecker delta)，如公式(3)。

最后，对H直方图模型和S直方图模型进行串联处理，便可得到目标特征向量C_u＝(C₀,C₁,...,C₁₂₇)如公式(4)，同理，匹配区域的特征向量为C_S＝(C₀,C₁,...,C₁₂₇)。

C_u＝H_u+S_u (4)

公式(4)中，C₀～C₆₃为H通道统计信息，C₆₄～C₁₂₇为S通道统计信息。

步骤三，粒子群初始化；

根据式(5)以上帧目标跟踪结果Z(x_z,y_z)为中心点撒下n个粒子形成粒子群：

其中：x为自变量，μ为x方向的均值，σ为x方向的标准差。

通过公式(6)建立相似因子ε和σ的函数关系来控制粒子群分布区域的大小。

步骤四，模板匹配相似因子的计算；

假设粒子L为粒子群中某一粒子，m行n列的矩形区域为粒子的窗口区域，在某一帧图像中粒子L除了停止运动外，有8个运动方向，对当前匹配位置窗口区域和邻近的八个匹配区域提取特征向量，通过式(7)对当前位置窗口区域和邻近的八个区域进行相关性计算，得到当前位置窗口区域的相似因子和邻近八个区域的相似因子；

步骤五，基于梯度收敛确定当前帧目标跟踪坐标；

首先，假设粒子L像素坐标为(x₀,y₀)，通过公式(7)得到粒子L相似因子ε₀以及其周围八邻域相似因子ε_i(1≤i≤8)，通过公式(8)计算梯度信息，与像素坐标信息构成三元组(x,y,g)，得到信息集合A＝{a_i|a_i＝(x_i,y_i,g_i),0≤i≤8}；

g_i＝ε_i-ε₀ (8)

其中：g_max为梯度最大值，(x_max,y_max)为g_max位置的像素坐标。

其次，利用公式(9)计算得出g最大的三元组信息，并利用其中的像素坐标信息更新粒子L的像素坐标，则粒子L向g最大的位置运动，若当前位置的g最大，即g＝0为最大值，则粒子L收敛，收敛粒子位置记为g_s(x,y)，其中s为不同收敛位置的数量，0<s<n；否则粒子继续运动，直到收敛运动结束；

最后，当所有粒子完成收敛运动后，比较所有收敛位置的相似因子，将最大的相似因子所在的像素坐标作为当前帧目标跟踪坐标Z(x_z,y_z)，并将Z(x_z,y_z)作为下一帧跟踪的跟踪点；

步骤六，判断跟踪是否结束；

如果有后续帧图像输入，则回到步骤三继续跟踪，否则跟踪结束。

本发明的有益效果在于：本发明提供一种基于运动粒子的粒子群目标跟踪计算方法，该方法首先对目标跟踪区域提取颜色特征得到目标特征向量；然后以高斯分布的形式构成粒子群，通过梯度收敛算法搜索到最佳的目标位置，并以此位置作为跟踪点，进行下一帧跟踪。该方法极大地降低了算法复杂度，与传统模板匹配的跟踪算法相比鲁棒性更好，可以获得更高的准确度和速度的跟踪效果。本发明克服了现有技术在目标跟踪时计算复杂度高，局部最优解甚至丢失目标问题。

附图说明

图1为本发明一种基于运动粒子的粒子群目标跟踪方法的流程图；

图2为本发明所述提取HSV颜色特征建立目标特征向量示意图；

图3为本发明所述粒子群初始化示意图；

图4为本发明所述所有粒子运动轨迹示意图。

具体实施方式

以下将结合附图对本发明的具体实施方式做进一步的详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，一种基于运动粒子的粒子群目标跟踪方法，包括如下步骤：

步骤一，框选跟踪目标区域。

取图像序列第一帧图像，用矩形框(x,y,w,h)对其进行目标区域的框选，其中(x,y)为矩形框中心点，w为矩形框宽度，h为矩形框高度。

步骤二，如图2所示，对目标区域提取HSV颜色特征建立目标特征向量。

首先，对H(色调)和S(饱和度)两通道取值范围进行量化处理，将取值区间由[0,360]和[0,1]，分别拉伸或者压缩至区间[0,255]，对H通道和S通道建立直方图模型。

其次，假设目标区域中共有N个像素，第i个像素点的坐标为(x_i,y_i)，则第i个像素点的H通道信息为H(x_i,y_i)，S通道信息为S(x_i,y_i)。由于经过量化处理后H和S通道数据的取值范围均为0～255，将直方图组数(Bins)设置为128，H直方图模型H＝{H_u}如公式(1)。

S直方图模型S＝{S_u}如公式(2)。

公式(1)和公式(2)中：u＝0,1,…,127，w为目标矩形区域宽度，h为目标矩形区域高度，δ为克罗内克函数(Kronecker delta)，如公式(3)。

最后，对H直方图模型和S直方图模型进行串联处理，便可得到目标特征向量C_u＝(C₀,C₁,...,C₁₂₇)如公式(4)，同理，匹配区域的特征向量为C_S＝(C₀,C₁,...,C₁₂₇)。

C_u＝H_u+S_u (4)

公式(4)中，C₀～C₆₃为H通道统计信息，C₆₄～C₁₂₇为S通道统计信息。

步骤三，粒子群初始化。

粒子群初始化如图3所示，图中每个黑点代表一个粒子，小圆为上帧跟踪结果点Z(x_z,y_z)，根据式(5)以跟踪点Z(x_z,y_z)为中心点撒下n个粒子形成粒子群。

其中：x为自变量，μ为x方向的均值，σ为x方向的标准差。

并通过公式(6)建立相似因子ε和σ的函数关系来控制粒子群分布区域的大小。

步骤四，模板匹配相似因子的计算。

假设粒子L为粒子群中某一粒子、5行5列的正方形区域为粒子的窗口区域，在某一帧图像中粒子L除了停止运动外，有8个运动方向分别为：M₁、M₂、M₃、M₄、M₅、M₆、M₇、M₈，对当前位置窗口区域和邻近的八个区域进行特征向量提取，可以得到当前位置窗口区域的特征向量C_s0和邻近的八个区域的特征向量C_s1、C_s2、C_s3、C_s4、C_s5、C_s6、C_s7、C_s8。通过式(7)对当前位置窗口区域和邻近的八个区域进行相关性计算，得到当前位置窗口区域的相似因子ε₀和邻近的八个区域的相似因子ε₁、ε₂、ε₃、ε₄、ε₅、ε₆、ε₇、ε₈。

步骤五，基于梯度收敛确定当前帧目标跟踪坐标；

首先，假设粒子L像素坐标为(x₀,y₀)，通过公式(7)得到粒子L相似因子ε₀以及其周围八邻域相似因子ε_i(1≤i≤8)，通过公式(8)计算梯度信息，与像素坐标信息构成三元组(x,y,g)，得到信息集合A＝{a_i|a_i＝(x_i,y_i,g_i),0≤i≤8}。

g_i＝ε_i-ε₀ (8)

其中：g_max为梯度最大值，(x_max,y_max)为g_max位置的像素坐标。

其次，利用公式(9)计算得出g最大的三元组信息，并利用其中的像素坐标信息更新粒子L的像素坐标，则粒子L向g最大的位置运动。若当前位置的g最大，即g＝0为最大值，则P粒子收敛，否则粒子继续运动，直到收敛运动结束。

最后，当所有粒子完成收敛运动后，比较所有收敛位置的相似因子，将最大的相似因子所在的像素坐标作为当前帧目标跟踪坐标Z(x_z,y_z)，并将Z(x_z,y_z)作为下一帧跟踪的跟踪点；

所有粒子的总体运动轨迹及结果如图4所示，图中小圆是当前帧图像的跟踪点Z(x_z,y_z)，每个黑点代表一个粒子，黑色线是粒子进行收敛运动的轨迹，三角形是粒子收敛后的位置，记为g₁(x,y)，g₂(x,y)，g₃(x,y)；g₁(x,y)的相似因子为0.971751，g₂(x,y)的相似因子为0.963912，g₃(x,y)的相似因子为0.964676，比较这三个位置的相似因子，将相似因子最大的位置作为下帧跟踪的跟踪点。

步骤六，判断跟踪是否结束；

如果有后续帧图像输入，则回到步骤三继续跟踪，否则跟踪结束。

Claims (1)

1.一种基于运动粒子的粒子群目标跟踪计算方法，其特征是，其包括如下步骤：

步骤一，框选跟踪目标区域；

取图像序列第一帧图像，用矩形框(x,y,w,h)对其进行目标区域的框选，其中(x,y)为矩形框中心点，w为矩形框宽度，h为矩形框高度；

步骤二，对目标区域提取HSV颜色特征建立目标特征向量；

首先，对H(色调)和S(饱和度)两通道取值范围进行量化处理，将取值区间由[0,360]和[0,1]，分别拉伸或者压缩至区间[0,255]，对H通道和S通道建立直方图模型；

其次，假设目标区域中共有N个像素，第i个像素点的坐标为(x_i,y_i)，则第i个像素点的H通道信息为H(x_i,y_i)，S通道信息为S(x_i,y_i)；由于经过量化处理后H和S通道数据的取值范围均为0～255，将直方图组数(Bins)设置为n(0<n<255)，H直方图模型H＝{H_u}如公式(1)；

S直方图模型S＝{S_u}如公式(2)；

公式(1)和公式(2)中：u＝0,1,…,n，w为目标矩形区域宽度，h为目标矩形区域高度，δ为克罗内克函数(Kronecker delta)，如公式(3)；

最后，对H直方图模型和S直方图模型进行串联处理，便可得到目标特征向量C_u＝(C₀,C₁,...,C₁₂₇)如公式(4)，同理，匹配区域的特征向量为C_S＝(C₀,C₁,...,C₁₂₇)；

C_u＝H_u+S_u (4)

公式(4)中，C₀～C₆₃为H通道统计信息，C₆₄～C₁₂₇为S通道统计信息；

步骤三，粒子群初始化；

根据式(5)以上帧目标跟踪结果Z(x_z,y_z)为中心点撒下n个粒子形成粒子群：

其中：x为自变量，μ为x方向的均值，σ为x方向的标准差；

通过公式(6)建立相似因子ε和σ的函数关系来控制粒子群分布区域的大小；

步骤四，模板匹配相似因子的计算；

假设粒子L为粒子群中某一粒子，m行n列的矩形区域为粒子的窗口区域，在某一帧图像中粒子L除了停止运动外，有8个运动方向，对当前匹配位置窗口区域和邻近的八个匹配区域提取特征向量，通过式(7)对当前位置窗口区域和邻近的八个区域进行相关性计算，得到当前位置窗口区域的相似因子和邻近八个区域的相似因子；

步骤五，基于梯度收敛确定当前帧目标跟踪坐标；

首先，假设粒子L像素坐标为(x₀,y₀)，通过公式(7)得到粒子L相似因子ε₀以及其周围八邻域相似因子ε_i(1≤i≤8)，通过公式(8)计算梯度信息，与像素坐标信息构成三元组(x,y,g)，得到信息集合A＝{a_i|a_i＝(x_i,y_i,g_i),0≤i≤8}；

g_i＝ε_i-ε₀ (8)

其中：g_max为梯度最大值，(x_max,y_max)为g_max位置的像素坐标；

其次，利用公式(9)计算得出g最大的三元组信息，并利用其中的像素坐标信息更新粒子L的像素坐标，则粒子L向g最大的位置运动，若当前位置的g最大，即g＝0为最大值，则粒子L收敛，收敛粒子位置记为g_s(x,y)，其中s为不同收敛位置的数量，0<s<n；否则粒子继续运动，直到收敛运动结束；

最后，当所有粒子完成收敛运动后，比较所有收敛位置的相似因子，将最大的相似因子所在的像素坐标作为当前帧目标跟踪坐标Z(x_z,y_z)，并将Z(x_z,y_z)作为下一帧跟踪的跟踪点；

步骤六，判断跟踪是否结束；

如果有后续帧图像输入，则回到步骤三继续跟踪，否则跟踪结束。

Images