專利名稱：基于運動目標跟蹤的融合算法的制作方法
技術(shù)領域：
本發(fā)明涉及圖像處理領域，尤其是涉及對單個運動目標特征或者多個運動目標特征的提取并進行運動目標建模、運動目標檢測的融合算法。
背景技術(shù)：
目標跟蹤中常用的目標特征表達主要包括圖像的紋理和形狀特征(如輪廓、區(qū)域、邊緣等)、變換系數(shù)特征(如傅里葉描述子)、統(tǒng)計特征(如直方圖、各種矩特征)等。為了達到更好的跟蹤效果，實際應用中也常常將多個特征結(jié)合起來考慮。跟蹤算法的準確度與運動目標的表達密切相關(guān)，大致可以分為四類基于主動輪廓模型的跟蹤、基于模型的跟蹤、基于特征的跟蹤和基于區(qū)域的跟蹤。在跟蹤過程中，采用一定的搜索算法預測運動目標在下一幀中可能出現(xiàn)的位置狀 態(tài)，只在相關(guān)區(qū)域中尋找最優(yōu)點。這樣就避免了直接對場景中所有內(nèi)容進行匹配估計，從而大大削減計算量。在很多基于交互的實時系統(tǒng)中，跟蹤常用的預測算法有卡爾曼濾波器(Kalman濾波器)、粒子濾波算法等。優(yōu)化搜索方向也可以達到縮小目標搜索范圍的目的，常用的包括均值漂移算法(Mean-shift算法)、連續(xù)自適應均值漂移算法(Camshift算法)等。其中 Camshift(continuously adaptive mean-shift)算法是由 Intel 公司的 Bradski 提出的以顏色概率分布圖為基礎來進行的目標跟蹤算法。其中的核心算法是Mean-shift算法。Camshift算法在最開始是為了對人臉進行跟蹤而設計的。Camshift算法基于單一顏色分布模型，由于對目標外觀先驗知識利用不夠充分，單一顏色分布模型對外觀先驗知識的描述不完備，當目標的外觀發(fā)生改變時，效果不理想。在復雜背景中當運動目標運動過快或出現(xiàn)遮擋，由于只利用顏色信息，對運動物體不做任何預測，抗干擾能力比較差，容易導致跟蹤失敗，弓I入濾波預測窗口中心來解決這個問題，但是粒子濾波(particle filter)算法主要是來自于模擬蒙特卡洛方法，通過蒙特卡洛算法來最終實現(xiàn)貝葉斯濾波。由于粒子濾波算法擁有“多峰”性這一特點，因此雖然粒子濾波算法有很強的抗干擾能力和多模態(tài)處理能力，但是粒子濾波過程中粒子數(shù)目對對象跟蹤有兩個方面的影響一是計算量；二是精度。當粒子傳播半徑確定以后，即確定了對象搜索區(qū)域。由于每個粒子即代表對象的一種可能運動狀態(tài)，所有粒子越能充分的覆蓋對象可能狀態(tài)，則估計的越準確。那么粒子越多，就更能充分的覆蓋搜索區(qū)域，跟蹤精度更大。但當N太大遠遠可以覆蓋搜索區(qū)域時，部分粒子所代表的狀態(tài)有可能完全一樣，那么這部分的運算量就是浪費的，且對精度提高也不會很大。就要找到搜索區(qū)域和粒子數(shù)目的最佳匹配點，即不浪費粒子也可以完全覆蓋搜索區(qū)域的平衡點。另外當粒子數(shù)目增大時，算法的計算量也會增大，則跟蹤的速度就會降低。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對上述存在的問題，提供一種基于運動目標跟蹤的融合算法，對運動目標跟蹤算法進行分析與比較，將基于HSV空間顏色特征和基于坐標系的運動信息表示相融合，改進Camshift算法,并且將改進的Camshift算法嵌入到粒子濾波中，用來重新分配粒子濾波樣本。由此得到的樣本集將收斂到靠近目標真實狀態(tài)的區(qū)域內(nèi)，最后用這些漂移的粒子來計算所估計的目標狀態(tài)，實現(xiàn)更好的跟蹤。本發(fā)明采用的技術(shù)方案如下一種基于運動目標跟蹤的融合算法，其特征在于包括步驟I :基于粒子濾波算法，通過狀態(tài)轉(zhuǎn)移模型，得到目標K時刻狀態(tài)附近隨機分
權(quán)利要求
1.一種基于運動目標跟蹤的融合算法，其特征在于包括 步驟I:基于粒子濾波算法，通過狀態(tài)轉(zhuǎn)移模型，得到目標K時刻狀態(tài)附近隨機分布粒子集
2.根據(jù)權(quán)利要求I所述的基于運動目標跟蹤的融合算法，其特征在于步驟2中所述判斷粒子集I#1 ,Hf I'粒子質(zhì)心坐標值是否滿足迭代條件具體過程是 步驟21 :在Camshift算法基礎上，設置粒子集
3.根據(jù)權(quán)利要求2所述的基于運動目標跟蹤的融合算法，其特征在于步驟23中所述IlC1-C0IKe指的是粒子集I二中粒子質(zhì)心坐標值與粒子集{(Of|二中粒子初始質(zhì)心坐標值平均移動位置(X1-Xtl) W(Y1Icl)2小于閾值ε ;當II1Wtl指的是迭代次數(shù)大于閾值η0，所述η0是6至IJ 15。
4.根據(jù)權(quán)利要求2所述的基于運動目標跟蹤的融合算法，其特征在于所述步驟23中所述ε是2。
5.根據(jù)權(quán)利要求3所述的基于運動目標跟蹤的融合算法，其特征在于所述步驟23中所述η0是10。
6.根據(jù)權(quán)利要求4所述的基于運動目標跟蹤的融合算法，其特征在于所述步驟21中融合零階矩β是O. 8。
7.根據(jù)權(quán)利要求I至6之一所述的基于運動目標跟蹤的融合算法，其特征在于步驟3中所述對迭代粒子集中的粒子與目標模板粒子進行相關(guān)度處理，具體過程是基于迭代粒子集粒子的目標和顏色的運動信息，通過觀測模型P建立@標模板，根據(jù)@標模板對迭代粒子集li.1.每個粒子進行觀測，計算迭代粒子集Ipf與目標模板粒子集的相關(guān)度觀測函數(shù)/)二 Ji:菩Λ 1 i -1'm
8.根據(jù)權(quán)利要求7所述的基于運動目標跟蹤的融合算法，其特征在于步驟3中所述通過觀測函數(shù)計算迭代粒子集粒子質(zhì)心坐標值加權(quán)值具體過程是通過觀測函數(shù)D = Jl計算迭代粒子集粒子質(zhì)心坐標值距離目標模板粒子質(zhì)心坐標值距離的加權(quán)值，其中Mo = 5芩1表示目標模版粒子的質(zhì)心坐標值;M表示迭代粒子集每個粒子的即時模版粒子質(zhì)心坐標值，D表示迭代粒子集粒子距離目標模板粒子距離的加權(quán)值。
9.根據(jù)權(quán)利要求4所述的基于運動目標跟蹤的融合算法，其特征在于步驟3中所述觀測函數(shù)計算粒子權(quán)值具體步驟是通過w fl)計算迭代粒子集中每個粒子的加權(quán)和，并對加權(quán)和進行歸一化處理ΣΜ =1 即可計算當前幀目標的狀態(tài)I1I' M .,= Ε{β、Γ|.λ—) = x'k. s 其 mi = l，....，N。-;
10.根據(jù)權(quán)利要求9所述的基于運動目標跟蹤的融合算法，其特征在于步驟I中所述狀態(tài)轉(zhuǎn)移模型是Sk-SH = ShUUh,N為粒子數(shù)，
全文摘要
本發(fā)明涉及圖像處理領域，尤其是涉及對單個運動目標特征或者多個運動目標特征的提取并進行運動目標建模、運動目標檢測的融合算法。本方法通過改進的Camshift算法與改進的粒子濾波算法結(jié)合對運動目標進行快速有效跟蹤跟。本方法通過步驟1基于粒子濾波算法，通過狀態(tài)轉(zhuǎn)移模型，得到目標初始狀態(tài)附近隨機分布粒子集，并通過改進的Camshift算法與改進的粒子濾波算法實現(xiàn)目標跟蹤。本方法主要應用于圖像處理領域。
文檔編號G06T7/20GK102903121SQ201210319469
公開日2013年1月30日 申請日期2012年8月31日 優(yōu)先權(quán)日2012年8月31日
發(fā)明者姚黎 申請人:四川九洲電器集團有限責任公司