本發(fā)明涉及一種弱小目標(biāo)跟蹤方法，特點(diǎn)是樣本自適應(yīng)的免疫遺傳粒子濾波弱小目標(biāo)跟蹤方法，用于圖像處理、計(jì)算機(jī)視覺和目標(biāo)跟蹤定位。屬于光電捕獲跟蹤系統(tǒng)中目標(biāo)跟蹤技術(shù)領(lǐng)域。

背景技術(shù)：

弱小目標(biāo)的跟蹤是光電捕獲跟蹤系統(tǒng)中的核心技術(shù)之一，其利用圖像處理算法對于復(fù)雜場景下跟蹤目標(biāo)，算法的性能對光電捕獲跟蹤系統(tǒng)的穩(wěn)健性和魯棒性十分關(guān)鍵。由于遠(yuǎn)距離下的目標(biāo)成像面積小，特別是在非平穩(wěn)的起伏背景干擾下，目標(biāo)易受背景干擾和背景雜波淹沒，缺乏有效的結(jié)構(gòu)、形狀和紋理等信息，致使難以正確跟蹤目標(biāo)，成為當(dāng)前亟待解決的問題。

目前，常用的目標(biāo)跟蹤算法有Mean Shift算法、卡爾曼濾波、粒子濾波等。Mean Shift計(jì)算量相對較小，實(shí)時(shí)性高，但對于目標(biāo)較小且運(yùn)動較快時(shí)，易出現(xiàn)跟蹤丟失。對于高斯噪聲的線性系統(tǒng)時(shí)，卡爾曼濾波取得較好的跟蹤效果。而對于非線性系統(tǒng)后來又提出了擴(kuò)展卡爾曼濾波和無味卡爾曼濾波，擴(kuò)展卡爾曼濾波僅適用于濾波誤差和預(yù)測誤差較小的情況下，否則會導(dǎo)致跟蹤不穩(wěn)定甚至發(fā)散，而無味卡爾曼雖能跟好地逼近狀態(tài)方程的非線性特征，比擴(kuò)展卡爾曼濾波獲得更好的估計(jì)精度，但其不適應(yīng)非高斯分布系統(tǒng)。針對更為復(fù)雜的非線性非高斯環(huán)境，粒子濾波具有明顯的優(yōu)勢，但由于目標(biāo)在成像系統(tǒng)上僅占幾個(gè)像元且能量弱，同時(shí)又受系統(tǒng)噪聲和背景雜波干擾，當(dāng)前面臨的是一個(gè)低信噪比弱小目標(biāo)跟蹤的問題，采用標(biāo)準(zhǔn)粒子濾波跟蹤此類目標(biāo)往往導(dǎo)致粒子退化，極大降低跟蹤的準(zhǔn)確度，同時(shí)在每次迭代中采樣固定的粒子數(shù)進(jìn)行重要性采樣，存在計(jì)算量大、實(shí)時(shí)性差的問題。因此需要研究新的方法以適應(yīng)跟蹤與定位的工程應(yīng)用需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題為：針對現(xiàn)有技術(shù)的不足，提供一種樣本自適應(yīng)的免疫遺傳粒子濾波弱小目標(biāo)跟蹤方法，該方法在目標(biāo)被云層或地物遮擋和噪聲干擾時(shí)，由于加入免疫遺傳優(yōu)化算法，有效提高粒子的多樣性，確保了跟蹤精度，同時(shí)采用自適應(yīng)重采樣算法，降低了算法的復(fù)雜度和運(yùn)算量，提高了跟蹤效率。

本發(fā)明解決上述技術(shù)問題采用的技術(shù)方案為：一種樣本自適應(yīng)的免疫遺傳粒子濾波弱小目標(biāo)跟蹤方法，包括如下步驟：

步驟一、背景預(yù)測：采用各向異性微分算法對待處理圖像進(jìn)行背景預(yù)測，并將預(yù)測的背景圖與原圖做差分處理，獲取差分圖，自動捕獲初始幀的目標(biāo)，進(jìn)行跟蹤初始化；

步驟二、對步驟一中捕獲的目標(biāo)，在其鄰域內(nèi)進(jìn)行隨機(jī)采樣，獲取粒子集{x_kⁱ,w_kⁱ}，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，同時(shí)計(jì)算相應(yīng)的粒子權(quán)值并歸一化權(quán)值，具體公式如下：

(21)計(jì)算粒子權(quán)值

w_kⁱ＝w_k-1ⁱp(z_k|x_kⁱ) (2-1)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，w_k-1ⁱ為k-1時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，z_k為k時(shí)刻隨機(jī)變量，p(z_k|x_kⁱ)為每個(gè)粒子的似然概率；

(22)歸一化權(quán)值

其中w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)。

步驟三、將步驟二中獲取的粒子權(quán)值用以估算有效粒子數(shù)，并判斷有效粒子數(shù)是否小于預(yù)設(shè)閾值，計(jì)算有效粒子數(shù)如下：

(31)估算有效粒子數(shù)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，Threshold代表預(yù)設(shè)閾值大小，N為粒子數(shù)，N_eff為有效粒子數(shù)；

步驟四、若步驟三中計(jì)算得到的有效粒子數(shù)小于預(yù)設(shè)閾值，則說明粒子集退化嚴(yán)重，需要加入免疫遺傳算法，對粒子集進(jìn)行優(yōu)化，保持樣本多樣性；

步驟五、若步驟三中計(jì)算得到的有效粒子數(shù)大于預(yù)設(shè)閾值，則說明當(dāng)前粒子集還能有效表征目標(biāo)觀測狀態(tài)，直接進(jìn)入自適應(yīng)重采樣過程；

步驟六、輸出跟蹤結(jié)果，并進(jìn)行下一時(shí)刻的循環(huán)，直到結(jié)束，對步驟四或步驟五獲取的粒子集{x_kⁱ,w_kⁱ}進(jìn)行最優(yōu)估計(jì)，計(jì)算k時(shí)刻目標(biāo)狀態(tài)和方差，輸出跟蹤結(jié)果，其中狀態(tài)估計(jì)和方差估計(jì)采樣如下定義：

(61)狀態(tài)估計(jì)

其中x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)，X_k為k時(shí)刻的樣本集合，E(X_k)為k時(shí)刻樣本集合X_k對應(yīng)的狀態(tài)估計(jì)均值。

(62)方差估計(jì)

其中，k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)，為k時(shí)刻樣本集合X_k對應(yīng)的狀態(tài)估計(jì)均值，P_k為k時(shí)刻對應(yīng)的狀態(tài)方差。

本發(fā)明與現(xiàn)有技術(shù)相比的有益效果在于：

(1)本發(fā)明采用各向異性的微分原理對背景進(jìn)行預(yù)測，與傳統(tǒng)的目標(biāo)跟蹤方法相比，自動捕獲跟蹤目標(biāo)。

(2)本發(fā)明采用免疫遺傳算法對粒子集進(jìn)行優(yōu)化，與標(biāo)準(zhǔn)粒子濾波方法相比，有效地解決樣貧的問題，得到更穩(wěn)健的跟蹤結(jié)果。

(3)本發(fā)明采用樣本自適應(yīng)的采樣算法，與以往采用固定的粒子數(shù)進(jìn)行重要性采樣粒子濾波方法相比，本發(fā)明有效地解決跟蹤計(jì)算量大、實(shí)時(shí)性差的問題。

附圖說明

圖1為本發(fā)明方法實(shí)現(xiàn)流程圖；

圖2為本發(fā)明對真實(shí)場景序列1的第2幀圖像跟蹤結(jié)果圖；

圖3為本發(fā)明對真實(shí)場景序列1的第60幀圖像跟蹤結(jié)果圖；

圖4為本發(fā)明對真實(shí)場景序列1的第100幀圖像跟蹤結(jié)果圖；

圖5為本發(fā)明對真實(shí)場景序列2的第2幀圖像跟蹤結(jié)果圖；

圖6為本發(fā)明對真實(shí)場景序列2的第60幀圖像跟蹤結(jié)果圖；

圖7為本發(fā)明對真實(shí)場景序列2的第100幀圖像跟蹤結(jié)果圖；

圖8為本發(fā)明對真實(shí)場景序列1采用免疫遺傳粒子優(yōu)化算法與標(biāo)準(zhǔn)粒子濾波跟蹤中心坐標(biāo)對比結(jié)果圖；

圖9為本發(fā)明對真實(shí)場景序列2采用免疫遺傳粒子優(yōu)化算法與標(biāo)準(zhǔn)粒子濾波跟蹤中心坐標(biāo)對比結(jié)果圖；

圖10為本發(fā)明采用KLD自適應(yīng)采樣與標(biāo)準(zhǔn)粒子濾波選擇粒子數(shù)目對比結(jié)果圖。

具體實(shí)施方式

本發(fā)明提供一種樣本自適應(yīng)的免疫遺傳粒子濾波弱小目標(biāo)跟蹤方法，基本包含以下步驟：

步驟一、背景預(yù)測。采用各向異性微分算法對待處理圖像進(jìn)行背景預(yù)測，并將預(yù)測的背景圖與原圖做差分處理，獲取差分圖，自動捕獲初始幀的目標(biāo)，進(jìn)行跟蹤初始化。

步驟二、對步驟一中捕獲的目標(biāo)，在其鄰域內(nèi)進(jìn)行隨機(jī)采樣，獲取粒子集{x_kⁱ,w_kⁱ}，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，同時(shí)計(jì)算相應(yīng)的粒子權(quán)值并歸一化權(quán)值，包括以下兩個(gè)步驟：

(2.1)計(jì)算粒子權(quán)值

(2.1.1)w_kⁱ＝w_k-1ⁱp(z_k|x_kⁱ)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，w_k-1ⁱ為k-1時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，x_ki為k時(shí)刻第i個(gè)粒子的狀態(tài)，z_k為k時(shí)刻隨機(jī)變量，p(z_k|x_kⁱ)為每個(gè)粒子的似然概率。

(2.2)歸一化權(quán)值

(2.2.1)

其中w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)。

步驟三、將步驟二中獲取的粒子權(quán)值用以估算有效粒子數(shù)，并判斷有效粒子數(shù)是否小于預(yù)設(shè)閾值，計(jì)算有效粒子數(shù)如下：

(3.1)估算有效粒子數(shù)

(3.1.1)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，Threshold代表預(yù)設(shè)閾值大小，N為粒子數(shù)，N_eff為有效粒子數(shù)。

步驟四、若步驟三中計(jì)算得到的有效粒子數(shù)小于預(yù)設(shè)閾值，則說明粒子集退化嚴(yán)重，需要加入免疫遺傳算法，對粒子集進(jìn)行優(yōu)化，保持樣本多樣性。免疫遺傳粒子濾波算法包括以下六個(gè)步驟：

(4.1)定義抗原，本發(fā)明采用捕獲目標(biāo)鄰域的灰度直方圖分布作為抗原，根據(jù)目標(biāo)模板的中心坐標(biāo)，由如下公式定義抗原。

(4.1.1)

其中p_y^(u)為在位置y處的灰度分布p_y＝{p_y^(u)}_u＝1,2,…m中的一個(gè)向量，N為鄰域內(nèi)像素點(diǎn)的個(gè)數(shù)，x_i為像素點(diǎn)的位置，為選用的核函數(shù)Epanechnikov Kernel，b(x_i-u)為x_i-u處的直方圖條柱編號，δ[b(x_i-u)]是Kronecker delta函數(shù)，參數(shù)H_x和H_y分別為目標(biāo)鄰域的寬和高，歸一化常數(shù)保證

(4.2)初始化抗體庫，以目標(biāo)鄰域中心為原點(diǎn)，通過高斯分布隨機(jī)采樣N個(gè)粒子，并分別計(jì)算每個(gè)粒子對應(yīng)的灰度直方圖分布q_y＝{q_y^(u)}_u＝1,2,…m。

(4.3)計(jì)算抗原與抗體間的親和力，采用Bhattacharyya系數(shù)來表示目標(biāo)模板灰度分布直方圖p_y與當(dāng)前區(qū)域灰度分布直方圖q_y間的親和力，那么k時(shí)刻第i個(gè)抗原與抗體的親和力如下：

(4.3.1)

其中fit_kⁱ為k時(shí)刻第i個(gè)抗原與抗體的親和力，σ是高斯分布的方差，ρ[p_y,q_y]為目標(biāo)模板灰度分布直方圖p_y與當(dāng)前區(qū)域灰度分布直方圖q_y間Bhattacharyya系數(shù)，代表抗原與抗體間的親和力。

(4.4)計(jì)算克隆抗體的數(shù)目，k時(shí)刻第i個(gè)抗體克隆數(shù)定義為：

(4.4.1)

其中num_kⁱ為k時(shí)刻第i個(gè)抗體克隆數(shù)目，round()為取整函數(shù)，N為粒子數(shù)，fit_kⁱ為k時(shí)刻第i個(gè)抗原與抗體的親和力。

(4.5)抗體變異，k時(shí)刻第i個(gè)抗體的狀態(tài)s_kⁱ變異表示為：

(4.5.1)s_kⁱ＝s_kⁱ+fit_kⁱ×randn()

其中k時(shí)刻第i個(gè)抗體的狀態(tài)s_kⁱ＝{x,y,v_x,v_y,H_x,H_y}，x,y分別為目標(biāo)區(qū)域中心坐標(biāo)，v_x,v_y分別為橫軸坐標(biāo)方向上的速度，H_x和H_y分別為目標(biāo)鄰域的寬和高，fit_kⁱ為k時(shí)刻第i個(gè)抗原與抗體的親和力，randn()為滿足N(0,1)的隨機(jī)分布。

(4.6)優(yōu)化所有的抗體，計(jì)算變異后所有抗體的親和力fit_kⁱ，并對親和力由大到小進(jìn)行排序，選取前N個(gè)抗體作為新的粒子集{x_kⁱ,w_kⁱ}，其中x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值。

通過以上六個(gè)步驟，就可獲取免疫遺傳優(yōu)化后的粒子集，免疫遺傳粒子濾波充分利用克隆、變異等機(jī)制對粒子進(jìn)行選擇，既將高權(quán)值的粒子保留到記憶單元中，同時(shí)利用克隆和變異促使原有的粒子集發(fā)散，更新粒子，確保粒子集的多樣性。

步驟五、若步驟三種計(jì)算得到的有效粒子數(shù)大于預(yù)設(shè)閾值，則說明當(dāng)前粒子集還能有效表征目標(biāo)觀測狀態(tài)，直接進(jìn)入自適應(yīng)重采樣過程。

本發(fā)明采用基于KLD(Kullback Leibler Divergence)采樣原理，自適應(yīng)選擇每次循環(huán)的粒子數(shù)，KLD用于表征兩個(gè)概率分布p和q之間的逼近誤差根據(jù)概率原理，當(dāng)跟蹤所需粒子數(shù)n_χ滿足時(shí)，估計(jì)概率密度與真實(shí)概率密度誤差最小，記為p(K(p,q)≤ε)≈1-δ，其中x_k-1,1-δ為分位數(shù)為1-δ對應(yīng)k-1時(shí)刻的粒子狀態(tài)，ε為誤差界限，δ為置信度。對于跟蹤粒子數(shù)n_χ，可采用Wilson-Hilferty變換法對其進(jìn)行近似估計(jì)其中z_1-δ為標(biāo)準(zhǔn)正態(tài)分布N(0，1)的1-δ分位數(shù)的上界，k為先驗(yàn)采樣點(diǎn)數(shù)。自適應(yīng)重采樣算法包括以下五個(gè)步驟：

(5.1)輸入k-1時(shí)刻的粒子集合{(x_k-1ⁱ,w_k-1ⁱ)|i＝1,2,…,N_k-1}，同時(shí)給定ε為誤差界限，δ為置信度。

(5.2)初始化參數(shù)，設(shè)n＝0，n_χ＝0，k＝0，α＝0，其中S_k為k時(shí)刻預(yù)測粒子集，n為跟蹤過程的粒子數(shù)，n_χ為跟蹤所需粒子數(shù)，k為先驗(yàn)采樣點(diǎn)數(shù)，α為未歸一化采樣粒子權(quán)值和。

(5.3)進(jìn)行自適應(yīng)采樣循環(huán)體，進(jìn)行目標(biāo)跟蹤。

(5.3.1)對粒子x_k-1ⁱ進(jìn)行重要性采樣獲取預(yù)測粒子x_kⁱ，并計(jì)算相應(yīng)的權(quán)值w_kⁱ。

(5.3.2)將新產(chǎn)生的粒子存入S_k中，S_k＝S_k∪{(x_kⁱ,w_kⁱ)}。

(5.3.3)當(dāng)x_kⁱ落入一個(gè)空的小鄰域b_k內(nèi)，則將b_k標(biāo)識為非空，同時(shí)讓先驗(yàn)采樣點(diǎn)自加1，即k＝k+1。

(5.3.4)根據(jù)當(dāng)前先驗(yàn)采樣點(diǎn)k計(jì)算跟蹤所需粒子數(shù)，其中ε為誤差界限，k為采樣點(diǎn)數(shù)，z_1-δ為標(biāo)準(zhǔn)正態(tài)分布N(0，1)的1-δ分位數(shù)的上界，n_χ為跟蹤所需粒子數(shù)。

(5.3.5)計(jì)算累積權(quán)值α＝α+w_kⁱ，其中α為累積權(quán)值之和，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值。

(5.3.6)讓粒子數(shù)n自加1，即n＝n+1，并判斷n與n_χ間的大小，若n<n_χ則繼續(xù)循環(huán)，否則跳出循環(huán)體。

(5.4)歸一化權(quán)值，w_kⁱ＝w_kⁱ/α，其中α為累積權(quán)值之和，w_kⁱ為歸一化后k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值。

(5.5)輸出k時(shí)刻的粒子集合S_k＝{(x_kⁱ,w_kⁱ)|i＝1,2,…,N_k}，其中N_k為k時(shí)刻的粒子數(shù)，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，S_k為k時(shí)刻的粒子集合。

通過以上五個(gè)步驟，在每次重要性采樣時(shí)可自適應(yīng)選擇粒子的數(shù)目，提高系統(tǒng)跟蹤的效率。

步驟六、輸出跟蹤結(jié)果，并進(jìn)行下一時(shí)刻的循環(huán)，直到結(jié)束。對步驟四或步驟五獲取的粒子集{x_kⁱ,w_kⁱ}進(jìn)行最優(yōu)估計(jì)，計(jì)算k時(shí)刻目標(biāo)狀態(tài)和方差，輸出跟蹤結(jié)果。計(jì)算狀態(tài)估計(jì)和方差估計(jì)步驟如下：

(6.1)狀態(tài)估計(jì)

(6.1.1)

其中x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)，X_k為k時(shí)刻的樣本集合，E(X_k)為k時(shí)刻樣本集合X_k對應(yīng)的狀態(tài)估計(jì)均值。

(6.2)方差估計(jì)

(6.2.1)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)，為k時(shí)刻樣本集合X_k對應(yīng)的狀態(tài)估計(jì)均值，P_k為k時(shí)刻對應(yīng)的狀態(tài)方差。

下面結(jié)合附圖對本發(fā)明的實(shí)施例作詳細(xì)說明。本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)實(shí)施方式和具體操作過程，但本發(fā)明的保護(hù)范圍不限于以下的實(shí)施例。

自從粒子濾波問世以來，已成為解決非線性、非高斯動態(tài)系統(tǒng)的參數(shù)估計(jì)和狀態(tài)濾波問題的主流方法，當(dāng)前粒子濾波還有許多亟待解決的關(guān)鍵問題，如當(dāng)面臨一個(gè)低信噪比弱小目標(biāo)跟蹤的問題時(shí)，由于目標(biāo)在成像面積小且信號弱，且易受背景雜波和強(qiáng)噪聲干擾，跟蹤過程往往導(dǎo)致權(quán)值退化及樣本枯竭，極大降低了跟蹤精度；以及粒子濾波高效、實(shí)時(shí)實(shí)現(xiàn)問題，由于標(biāo)準(zhǔn)粒子濾波在每次循環(huán)中都進(jìn)行重要性采樣，給系統(tǒng)帶來繁重的計(jì)算量，嚴(yán)重影響算法的實(shí)時(shí)性。因此，本發(fā)明針對以上問題，引入了免疫遺傳優(yōu)化算法，確保跟蹤過程粒子的多樣性，有效解決了樣本缺失的問題，同時(shí)將KLD采樣原理應(yīng)用到系統(tǒng)中，實(shí)現(xiàn)了粒子個(gè)數(shù)在線自適應(yīng)調(diào)整，減少了計(jì)算量。

本發(fā)明基于弱小目標(biāo)跟蹤的實(shí)現(xiàn)，輸入圖像為實(shí)際場景空天背景下的弱小目標(biāo)系列圖像。

如圖1所示，本發(fā)明提供了一種樣本自適應(yīng)的免疫遺傳粒子濾波弱小目標(biāo)跟蹤方法，包括如下步驟：

步驟一、背景預(yù)測。采用各向異性微分算法對待處理圖像進(jìn)行背景預(yù)測，并將預(yù)測的背景圖與原圖做差分處理，獲取差分圖，自動捕獲初始幀的目標(biāo)，進(jìn)行跟蹤初始化。各向異性背景預(yù)測包括以下三個(gè)步驟：

(1.1)定義邊緣停止函數(shù)：

(1.1.1)

其中u為灰度圖像，為梯度，k為大于0的常數(shù)，為邊緣停止函數(shù)值。

(1.2)分別求取某個(gè)像素點(diǎn)四個(gè)方向的邊緣停止函數(shù)值，并選擇最小的兩個(gè)作為平滑系數(shù)：

(1.2.1)

其中min₁和min₂分別為當(dāng)前像素點(diǎn)四個(gè)方向的邊緣停止函數(shù)值中最小的兩個(gè)值，c(f(i,j))為中心像素點(diǎn)灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i-step,j))為中心像素點(diǎn)往縱軸負(fù)向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i+step,j))為中心像素點(diǎn)往縱軸正向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i,j-step))為中心像素點(diǎn)往橫軸負(fù)向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i,j+step))為中心像素點(diǎn)往橫軸正向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值。

(1.3)根據(jù)濾波模板獲取差分圖：

(1.3.1)

其中，c(f(i-step,j))為中心像素點(diǎn)(i,j)往縱軸負(fù)向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i+step,j))為中心像素點(diǎn)(i,j)往縱軸正向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i,j-step))為中心像素點(diǎn)(i,j)往橫軸負(fù)向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，c(f(i,j+step))為中心像素點(diǎn)(i,j)往橫軸正向移動步長為k的灰度值對應(yīng)的邊緣停止函數(shù)值，min1和min2分別為中心像素點(diǎn)(i,j)四個(gè)方向中最小的兩個(gè)邊緣停止函數(shù)值。

通過以上三步操作，就可獲取每幅圖像的差分圖，可對初始幀差分圖進(jìn)行分割處理，自動捕獲待跟蹤目標(biāo)。

步驟二、對步驟一中捕獲的目標(biāo)，在其鄰域內(nèi)進(jìn)行隨機(jī)采樣，獲取粒子集{x_kⁱ,w_kⁱ}，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，同時(shí)計(jì)算相應(yīng)的粒子權(quán)值并歸一化權(quán)值，包括以下兩個(gè)步驟：

(2.1)計(jì)算粒子權(quán)值

(2.1.1)w_kⁱ＝w_k-1ⁱp(z_k|x_kⁱ)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，w_k-1ⁱ為k-1時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，z_k為k時(shí)刻隨機(jī)變量，p(z_k|x_kⁱ)為每個(gè)粒子的似然概率。

(2.2)歸一化權(quán)值

(2.2.1)

其中w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)。

步驟三、將步驟二中獲取的粒子權(quán)值用以估算有效粒子數(shù)，并判斷有效粒子數(shù)是否小于預(yù)設(shè)閾值，計(jì)算有效粒子數(shù)如下：

(3.1)估算有效粒子數(shù)

(3.1.1)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，Threshold代表預(yù)設(shè)閾值大小，N為粒子數(shù)，N_eff為有效粒子數(shù)。

步驟四、若步驟三中計(jì)算得到的有效粒子數(shù)小于預(yù)設(shè)閾值，則說明粒子集退化嚴(yán)重，需要加入免疫遺傳算法，對粒子集進(jìn)行優(yōu)化，保持樣本多樣性。免疫遺傳粒子濾波算法包括以下六個(gè)步驟：

(4.1)定義抗原，本發(fā)明采用捕獲目標(biāo)鄰域的灰度直方圖分布作為抗原，根據(jù)目標(biāo)模板的中心坐標(biāo)，由如下公式定義抗原。

(4.1.1)

其中p_y^(u)為在位置y處的灰度分布p_y＝{p_y^(u)}_u＝1,2,…m中的一個(gè)向量，N為鄰域內(nèi)像素點(diǎn)的個(gè)數(shù)，x_i為像素點(diǎn)的位置，為選用的核函數(shù)Epanechnikov Kernel，b(x_i-u)為x_i-u處的直方圖條柱編號，δ[b(x_i-u)]是Kronecker delta函數(shù)，參數(shù)H_x和H_y分別為目標(biāo)鄰域的寬和高，歸一化常數(shù)保證

(4.2)初始化抗體庫，以目標(biāo)鄰域中心為原點(diǎn)，通過高斯分布隨機(jī)采樣N個(gè)粒子，并分別計(jì)算每個(gè)粒子對應(yīng)的灰度直方圖分布q_y＝{q_y^(u)}_u＝1,2,…m。

(4.3)計(jì)算抗原與抗體間的親和力，采用Bhattacharyya系數(shù)來表示目標(biāo)模板灰度分布直方圖p_y與當(dāng)前區(qū)域灰度分布直方圖q_y間的親和力，那么k時(shí)刻第i個(gè)抗原與抗體的親和力如下：

(4.3.1)

其中fit_kⁱ為k時(shí)刻第i個(gè)抗原與抗體的親和力，σ是高斯分布的方差，ρ[p_y,q_y]為目標(biāo)模板灰度分布直方圖p_y與當(dāng)前區(qū)域灰度分布直方圖q_y間Bhattacharyya系數(shù)，代表抗原與抗體間的親和力。

(4.4)計(jì)算克隆抗體的數(shù)目，k時(shí)刻第i個(gè)抗體克隆數(shù)定義為：

(4.4.1)

其中num_kⁱ為k時(shí)刻第i個(gè)抗體克隆數(shù)目，round()為取整函數(shù)，N為粒子數(shù)，fit_kⁱ為k時(shí)刻第i個(gè)抗原與抗體的親和力。

(4.5)抗體變異，k時(shí)刻第i個(gè)抗體的狀態(tài)s_kⁱ變異表示為：

(4.5.1)s_kⁱ＝s_kⁱ+fit_kⁱ×randn()

其中k時(shí)刻第i個(gè)抗體的狀態(tài)s_kⁱ＝{x,y,v_x,v_y,H_x,H_y}，x,y分別為目標(biāo)區(qū)域中心坐標(biāo)，v_x,v_y分別為橫軸坐標(biāo)方向上的速度，H_x和H_y分別為目標(biāo)鄰域的寬和高，fit_kⁱ為k時(shí)刻第i個(gè)抗原與抗體的親和力，randn()為滿足N(0,1)的隨機(jī)分布。

(4.6)優(yōu)化所有的抗體，計(jì)算變異后所有抗體的親和力fit_kⁱ，并對親和力由大到小進(jìn)行排序，選取前N個(gè)抗體作為新的粒子集{x_kⁱ,w_kⁱ}，其中x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值。

通過以上六個(gè)步驟，就可獲取免疫遺傳優(yōu)化后的粒子集，免疫遺傳粒子濾波充分利用克隆、變異等機(jī)制對粒子進(jìn)行選擇，既將高權(quán)值的粒子保留到記憶單元中，同時(shí)利用克隆和變異促使原有的粒子集發(fā)散，更新粒子，確保粒子集的多樣性。

步驟五、若步驟三中計(jì)算得到的有效粒子數(shù)大于預(yù)設(shè)閾值，則說明當(dāng)前粒子集還能有效表征目標(biāo)觀測狀態(tài)，直接進(jìn)入自適應(yīng)重采樣過程。

本發(fā)明采用基于KLD采樣原理，自適應(yīng)選擇每次循環(huán)的粒子數(shù)，KLD用于表征兩個(gè)概率分布p和q之間的逼近誤差根據(jù)概率原理，當(dāng)跟蹤所需粒子數(shù)n_χ滿足時(shí)，估計(jì)概率密度與真實(shí)概率密度誤差最小，記為p(K(p,q)≤ε)≈1-δ，其中x_k-1,1-δ為分位數(shù)為1-δ對應(yīng)k-1時(shí)刻的粒子狀態(tài)，ε為誤差界限，δ為置信度。對于跟蹤粒子數(shù)n_χ，可采用Wilson-Hilferty變換法對其進(jìn)行近似估計(jì)其中z_1-δ為標(biāo)準(zhǔn)正態(tài)分布N(0，1)的1-δ分位數(shù)的上界，k為先驗(yàn)采樣點(diǎn)數(shù)。自適應(yīng)重采樣算法包括以下五個(gè)步驟：

(5.1)輸入k-1時(shí)刻的粒子集合{(x_k-1ⁱ,w_k-1ⁱ)|i＝1,2,…,N_k-1}，同時(shí)給定ε為誤差界限，δ為置信度。

(5.2)初始化參數(shù)，設(shè)n＝0，n_χ＝0，k＝0，α＝0，其中S_k為k時(shí)刻預(yù)測粒子集，n為跟蹤過程的粒子數(shù)，n_χ為跟蹤所需粒子數(shù)，k為先驗(yàn)采樣點(diǎn)數(shù)，α為未歸一化采樣粒子權(quán)值和。

(5.3)進(jìn)行自適應(yīng)采樣循環(huán)體，進(jìn)行目標(biāo)跟蹤。

(5.3.1)對粒子x_k-1ⁱ進(jìn)行重要性采樣獲取預(yù)測粒子x_kⁱ，并計(jì)算相應(yīng)的權(quán)值w_kⁱ。

(5.3.2)將新產(chǎn)生的粒子存入S_k中，S_k＝S_k∪{(x_kⁱ,w_kⁱ)}。

(5.3.3)當(dāng)x_kⁱ落入一個(gè)空的小鄰域b_k內(nèi)，則將b_k標(biāo)識為非空，同時(shí)讓先驗(yàn)采樣點(diǎn)自加1，即k＝k+1。

(5.3.4)根據(jù)當(dāng)前先驗(yàn)采樣點(diǎn)k計(jì)算跟蹤所需粒子數(shù)，其中ε為誤差界限，k為采樣點(diǎn)數(shù)，z_1-δ為標(biāo)準(zhǔn)正態(tài)分布N(0，1)的1-δ分位數(shù)的上界，n_χ為跟蹤所需粒子數(shù)。

(5.3.5)計(jì)算累積權(quán)值α＝α+w_kⁱ，其中α為累積權(quán)值之和，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值。

(5.3.6)讓粒子數(shù)n自加1，即n＝n+1，并判斷n與n_χ間的大小，若n<n_χ則繼續(xù)循環(huán)，否則跳出循環(huán)體。

(5.4)歸一化權(quán)值，w_kⁱ＝w_kⁱ/α，其中α為累積權(quán)值之和，w_kⁱ為歸一化后k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值。

(5.5)輸出k時(shí)刻的粒子集合S_k＝{(x_kⁱ,w_kⁱ)|i＝1,2,…,N_k}，其中N_k為k時(shí)刻的粒子數(shù)，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，S_k為k時(shí)刻的粒子集合。

通過以上五個(gè)步驟，在每次重要性采樣時(shí)可自適應(yīng)選擇粒子的數(shù)目，提高系統(tǒng)跟蹤的效率。

步驟六、輸出跟蹤結(jié)果，并進(jìn)行下一時(shí)刻的循環(huán)，直到結(jié)束。對步驟四或步驟五獲取的粒子集{x_kⁱ,w_kⁱ}進(jìn)行最優(yōu)估計(jì)，計(jì)算k時(shí)刻目標(biāo)狀態(tài)和方差，輸出跟蹤結(jié)果。計(jì)算狀態(tài)估計(jì)和方差估計(jì)步驟如下：

(6.1)狀態(tài)估計(jì)

(6.1.1)

其中x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)，X_k為k時(shí)刻的樣本集合，E(X_k)為k時(shí)刻樣本集合X_k對應(yīng)的狀態(tài)估計(jì)均值。

(6.2)方差估計(jì)

(6.2.1)

其中k為時(shí)刻數(shù)，i為粒子數(shù)(i＝1,2,3,…N)，x_kⁱ為k時(shí)刻第i個(gè)粒子的狀態(tài)，w_kⁱ為k時(shí)刻第i個(gè)粒子對應(yīng)的權(quán)值，N為粒子數(shù)，為k時(shí)刻樣本集合X_k對應(yīng)的狀態(tài)估計(jì)均值，P_k為k時(shí)刻對應(yīng)的狀態(tài)方差。

為了驗(yàn)證算法的有效性，選用2個(gè)真實(shí)場景對其進(jìn)行實(shí)驗(yàn)，其中截取真實(shí)場景序列1的第2幀、第60幀、第100幀得到的跟蹤結(jié)果如圖2、3、4所示。截取真實(shí)場景序列2的第2幀、第60幀、第100幀得到的跟蹤結(jié)果如圖5、6、7所示。圖中矩形框?yàn)楦櫩?，黑線為跟蹤軌跡，可以看到，當(dāng)目標(biāo)被背景遮擋(第60幀)和與強(qiáng)噪聲干擾(第100幀)時(shí)，仍能準(zhǔn)確地跟蹤目標(biāo)。

為了定量評估本算法的性能，將本算法與標(biāo)準(zhǔn)粒子濾波(PF)進(jìn)行比較分析，分別計(jì)算2個(gè)系列圖像中目標(biāo)中心點(diǎn)位置與真實(shí)位置的絕對誤差如表1和表2所示，并畫出相應(yīng)的跟蹤坐標(biāo)位置，如圖8、9所示，從圖表中可看出，PF獲取的跟蹤目標(biāo)中心點(diǎn)位置與真實(shí)位置的絕對誤差較大；而本算法跟蹤誤差保持在了較小值，即使受背景遮擋和與強(qiáng)噪聲干擾仍可實(shí)現(xiàn)有效跟蹤。

表1系列1均方根誤差比較

表2系列2均方根誤差比較

為了驗(yàn)證本算法的實(shí)時(shí)性，采用KLD采樣原理自適應(yīng)的調(diào)整樣本個(gè)數(shù)，自適應(yīng)調(diào)整的粒子數(shù)隨初始粒子數(shù)的變化情況，并與標(biāo)準(zhǔn)粒子濾波進(jìn)行比較如圖10所示。從圖中看出，由于采用KLD采樣，系統(tǒng)根據(jù)初始化的粒子數(shù)自適應(yīng)的調(diào)整所需的粒子數(shù)目，當(dāng)初始粒子數(shù)大于150時(shí)，KLD重采樣所需粒子數(shù)處于穩(wěn)定狀態(tài)，相比于標(biāo)準(zhǔn)粒子濾波計(jì)算量明顯減少，由此可知，KLD采樣的計(jì)算時(shí)間是相當(dāng)穩(wěn)定的，不會隨著粒子數(shù)的增多而影響算法實(shí)時(shí)性。

本發(fā)明未詳細(xì)闡述部分屬于本領(lǐng)域技術(shù)人員的公知技術(shù)。

本技術(shù)領(lǐng)域中的普通技術(shù)人員應(yīng)當(dāng)認(rèn)識到，以上的實(shí)施例僅是用來說明本發(fā)明，而并非用作為對本發(fā)明的限定，只要在本發(fā)明的實(shí)質(zhì)精神范圍內(nèi)，對以上所述實(shí)施例變化,變型都將落在本發(fā)明權(quán)利要求書的范圍內(nèi)。