一種基于壓縮傳感的粒子濾波視覺跟蹤方法
【專利摘要】本發(fā)明屬于計算機視覺領(lǐng)域，涉及一種基于壓縮傳感的粒子濾波視覺跟蹤方法，包括對采集的視頻進行預(yù)處理，利用重要性抽樣和基于壓縮傳感的峰值跟蹤獲取一組加權(quán)的隨機樣本對視覺目標(biāo)后驗概率進行近似表示，并通過分區(qū)遮擋判斷加以修正，得到狀態(tài)最小方差分布，從而以基于權(quán)值選擇的狀態(tài)估計輸出的方式獲得感興趣目標(biāo)的運動信息，實現(xiàn)對目標(biāo)的跟蹤，所述視覺跟蹤方法執(zhí)行以下步驟：視頻圖像采集；視頻圖像預(yù)處理；初始化；狀態(tài)空間劃分；重要性抽樣；峰值跟蹤；更新重要性權(quán)值；狀態(tài)估計和重采樣。本發(fā)明有效地降低了問題的復(fù)雜度；可以并行實現(xiàn)加快實現(xiàn)速度；保證收斂性并確定目標(biāo)的真實位置的問題；有效地緩解了誤差累計，增加了樣本的多樣性。
【專利說明】一種基于壓縮傳感的粒子濾波視覺跟蹤方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機視覺領(lǐng)域，具體涉及一種融合壓縮傳感的粒子濾波算法在視覺跟蹤中的應(yīng)用，實現(xiàn)對視頻中感興趣的運動目標(biāo)的跟蹤，從而獲得目標(biāo)的位置、速度以及運動軌跡等運動信息。

【背景技術(shù)】
[0002]視覺跟蹤是計算機視覺研究中的一項核心技術(shù)，也是智能監(jiān)控、人機交互、智能交通和精確制導(dǎo)等領(lǐng)域的關(guān)鍵應(yīng)用技術(shù)。雖然視覺跟蹤技術(shù)現(xiàn)在仍然面臨著許多的困難，包括圖像本身所帶的噪聲，跟蹤場景中存在光照變化，目標(biāo)被部分或全部遮擋等方面，但是實現(xiàn)一個具有魯棒、快速和準(zhǔn)確的視覺跟蹤系統(tǒng)仍然是視覺跟蹤技術(shù)努力的方向，而且其涉及圖像處理、模式識別、最優(yōu)化理論等學(xué)科，是一個兼具實際意義和理論價值的研究主題。
[0003]常見的視覺跟蹤算法包括基于區(qū)域的跟蹤、基于變形模板的跟蹤、基于特征的跟蹤和基于模型的跟蹤，而按照跟蹤方法設(shè)計的思路，現(xiàn)有的跟蹤方法可以分為確定性跟蹤和隨機跟蹤兩類。目前對于運動目標(biāo)的跟蹤算法研究熱點主要包括Mean-shift和粒子濾波算法兩種方法，它們也分別是確定性跟蹤和隨機跟蹤的典型代表。其中，Mean-shift算法是一種無參數(shù)核密度估計方法，具有實時性、魯棒性以及易于實現(xiàn)的特點，運算效率更高；粒子濾波算法能夠處理非高斯、非線性的問題，且能夠保持狀態(tài)的多模態(tài)假設(shè)，跟蹤性能更好。
[0004]粒子濾波跟蹤算法能將目標(biāo)的任何運動信息轉(zhuǎn)化為貝葉斯理論框架下的狀態(tài)估計問題，并且貝葉斯理論框架適合將目標(biāo)的多個測量信息融合到跟蹤算法中以適應(yīng)更加復(fù)雜的跟蹤環(huán)境，而面對目標(biāo)快速運動、遮擋等場景時，粒子濾波算法的跟蹤結(jié)果比均值漂移等確定性跟蹤方法更為魯棒，這些都是近年來基于粒子濾波的視覺跟蹤算法成為隨機跟蹤方法研究中的熱點問題的原因。而粒子濾波跟蹤算法的缺陷主要集中在計算機開銷、粒子退化、對運動目標(biāo)和觀測建模幾個方面，因此，對于以上幾點的處理將決定著基于粒子濾波的視覺跟蹤方法跟蹤性能。
[0005]基于粒子濾波視覺跟蹤的核心思想是利用一組加權(quán)的隨機樣本(也稱為粒子)近似地表示視覺目標(biāo)后驗概率，視覺跟蹤由貝葉斯迭代濾波過程實現(xiàn)。由粒子濾波原理可知，基于粒子濾波的視覺跟蹤算法應(yīng)該包含三個基本步驟:視覺目標(biāo)狀態(tài)采樣與轉(zhuǎn)移、狀態(tài)樣本加權(quán)和狀態(tài)估計輸出。在基于粒子濾波的視覺跟蹤理論框架中，狀態(tài)轉(zhuǎn)移模型的選擇和觀測概率分布計算是非常重要的，而視覺特征的統(tǒng)計描述又是計算觀測概率分布的關(guān)鍵。
[0006]壓縮傳感，也稱作壓縮感知，是一種利用稀疏的或可壓縮的信號進行信號重建的技術(shù)。壓縮傳感理論在獲取信號的同時就對數(shù)據(jù)進行適當(dāng)壓縮，即在信號獲取和處理過程中將傳統(tǒng)的數(shù)據(jù)采集和數(shù)據(jù)壓縮合二為一，從而有效地解決了奈奎斯特采樣定理計算資源浪費的問題。壓縮傳感的基本思想是如果一個未知的信號在已知的正交基或者過完備的正交基上是稀疏的，或者可壓縮的，那么采用非自適應(yīng)線性投影保持信號的原始結(jié)構(gòu)，通過數(shù)值最優(yōu)化問題就可以準(zhǔn)確重構(gòu)原始信號，這大大減少了重構(gòu)信號所需要的采樣值數(shù)目。壓縮感知能從少量的非相關(guān)觀測值中獲取可壓縮信號的信息決定了其在壓縮處理、數(shù)據(jù)重構(gòu)等領(lǐng)域有著廣闊的應(yīng)用前景。


【發(fā)明內(nèi)容】

[0007]本發(fā)明以視頻序列為研究對象，通過對采集的視頻進行預(yù)處理還原圖像原始信息，并在峰值跟蹤粒子濾波算法的基礎(chǔ)上，利用高維狀態(tài)向量稀疏模式變化緩慢的特點，融合壓縮傳感重構(gòu)算法代替重要性采樣進行粒子采樣，并根據(jù)分區(qū)方式判斷的目標(biāo)遮擋程度對重構(gòu)算法的優(yōu)化問題進行修正，同時采用權(quán)值選擇的方式獲得估計狀態(tài)，從而實現(xiàn)對運動目標(biāo)的跟蹤。
[0008]實現(xiàn)本發(fā)明目的的技術(shù)方案是:一種基于壓縮傳感的粒子濾波視覺跟蹤方法，包括對采集的視頻進行預(yù)處理，利用重要性抽樣和基于壓縮傳感的峰值跟蹤獲取一組加權(quán)的隨機樣本對視覺目標(biāo)后驗概率進行近似表示，并通過分區(qū)遮擋判斷加以修正，得到狀態(tài)最小方差分布，從而以基于權(quán)值選擇的狀態(tài)估計輸出的方式獲得感興趣目標(biāo)的運動信息，實現(xiàn)對目標(biāo)的跟蹤，所述視覺跟蹤方法執(zhí)行以下步驟:
[0009]步驟I視頻圖像采集:通過攝像機和圖像采集設(shè)備采集視頻圖像信息；
[0010]步驟2視頻圖像預(yù)處理:對從步驟I中獲得的視頻圖像進行光照校正、圖像降噪等預(yù)處理，還原視頻圖像原始信息；
[0011]步驟3初始化:對從步驟2中獲得的處理過后的視頻圖像的進行初始化，從初始分布中抽樣得到初始粒子集= 1，...，W ;
[0012]步驟4狀態(tài)空間劃分:將當(dāng)前幀的狀態(tài)空間劃分為維數(shù)很小的有效狀態(tài)St和剩余狀態(tài)Lt，其中剩余狀態(tài)Lt是離散空間信號，其稀疏模式隨時間變化緩慢，并利用壓縮傳感理論將剩余狀態(tài)Lt表示為稀疏向量Λ t和其支撐集Sup (A t)的集合；
[0013]步驟5重要性抽樣:對從步驟4中獲得的有效狀態(tài)St和稀疏向量At的支撐集Sup(At)分別進行重要性采樣；
[0014]步驟6峰值跟蹤:對從步驟4中獲得的剩余狀態(tài)Lt的稀疏向量At進行峰值跟蹤，根據(jù)分區(qū)方式判斷目標(biāo)遮擋程度調(diào)整重構(gòu)算法的優(yōu)化目標(biāo)，并求得符合優(yōu)化目標(biāo)的向量K，并對支撐集Sup (A t)進行更新；
[0015]步驟7更新重要性權(quán)值:對從步驟5和步驟6中采樣的粒子計算重要性權(quán)值，并將其歸一化處理得到歸一化重要性權(quán)值矛,(X[,)；
[0016]步驟8狀態(tài)估計:對從步驟7中得到權(quán)值加以選擇并以最小均方誤差估計的方式得到估計狀態(tài)；
[0017]步驟9重采樣:判斷是否需要重采樣，若需要則根據(jù)粒子的歸一化重要性權(quán)值從粒子集中重新抽取粒子，并形成新的粒子集；若不是最后一幀，t = t+Ι，重新回到步驟4。
[0018]其中，所述峰值跟蹤包括下列步驟:
[0019]步驟61對感興趣區(qū)域進行分區(qū)并判斷目標(biāo)遮擋的程度；
[0020]步驟62根據(jù)遮擋的程度判斷目標(biāo)是否存在遮擋，若存在遮擋執(zhí)行步驟63，否則執(zhí)行步驟64 ；
[0021]步驟63將遮擋產(chǎn)生的異常值Vs當(dāng)作觀測噪聲的一部分，確定優(yōu)化目標(biāo)對異常值的處理項Y ' I VsI 11； Y1表示補償參數(shù)；
[0022]步驟64確定合適的優(yōu)化目標(biāo)，即不存在遮擋時，優(yōu)化目標(biāo)為:

【權(quán)利要求】
1.一種基于壓縮傳感的粒子濾波視覺跟蹤方法，包括對采集的視頻進行預(yù)處理，利用重要性抽樣和基于壓縮傳感的峰值跟蹤獲取一組加權(quán)的隨機樣本對視覺目標(biāo)后驗概率進行近似表示，并通過分區(qū)遮擋判斷加以修正，得到狀態(tài)最小方差分布，從而以基于權(quán)值選擇的狀態(tài)估計輸出的方式獲得感興趣目標(biāo)的運動信息，實現(xiàn)對目標(biāo)的跟蹤，所述視覺跟蹤方法執(zhí)行以下步驟: 步驟I視頻圖像采集:通過攝像機和圖像采集設(shè)備采集視頻圖像信息； 步驟2視頻圖像預(yù)處理:對從步驟I中獲得的視頻圖像進行光照校正、圖像降噪等預(yù)處理，還原視頻圖像原始信息； 步驟3初始化:對從步驟2中獲得的處理過后的視頻圖像的進行初始化，從初始分布中抽樣得到初始粒子集丨義丨,/= 1,...，# ; 步驟4狀態(tài)空間劃分:將當(dāng)前幀的狀態(tài)空間劃分為維數(shù)很小的有效狀態(tài)St和剩余狀態(tài)Lt，其中剩余狀態(tài)Lt是離散空間信號，其稀疏模式隨時間變化緩慢，并利用壓縮傳感理論將剩余狀態(tài)Lt表示為稀疏向量Λ t和其支撐集Sup (A t)的集合； 步驟5重要性抽樣:對從步驟4中獲得的有效狀態(tài)St和稀疏向量AJA支撐集Sup(At)分別進行重要性采樣； 步驟6峰值跟蹤:對從步驟4中獲得的剩余狀態(tài)Lt的稀疏向量Λ t進行峰值跟蹤，根據(jù)分區(qū)方式判斷目標(biāo)遮擋程度調(diào)整重構(gòu)算法的優(yōu)化目標(biāo)，并求得符合優(yōu)化目標(biāo)的向量Y，并對支撐集Sup(At)進行更新； 步驟7更新重要性權(quán)值:對從步驟5和步驟6中采樣的粒子計算重要性權(quán)值，并將其歸一 化處理得到歸一化重要性權(quán)值.Wt {X\,)； 步驟8狀態(tài)估計:對從步驟7中得到權(quán)值加以選擇并以最小均方誤差估計的方式得到估計狀態(tài)； 步驟9重采樣:判斷是否需要重采樣，若需要則根據(jù)粒子的歸一化重要性權(quán)值從粒子集中重新抽取粒子，并形成新的粒子集；若不是最后一幀，t = t+Ι，重新回到步驟4 ; 其中，所述峰值跟蹤包括下列步驟: 步驟61對感興趣區(qū)域進行分區(qū)并判斷目標(biāo)遮擋的程度； 步驟62根據(jù)遮擋的程度判斷目標(biāo)是否存在遮擋，若存在遮擋執(zhí)行步驟63，否則執(zhí)行步驟64 ； 步驟63將遮擋產(chǎn)生的異常值Vs當(dāng)作觀測噪聲的一部分，確定優(yōu)化目標(biāo)對異常值的處理項Y ' I |vs| I1, Y '表示補償參數(shù)； 步驟64確定合適的優(yōu)化目標(biāo)，即不存在遮擋時，優(yōu)化目標(biāo)為:
其中Yt表示觀測向量，Φ為測量矩陣，O12表征信號變化的程度，β和Υ均表示補償參數(shù)；當(dāng)存在遮擋時對優(yōu)化目標(biāo)增加 步驟65利用重構(gòu)算法找到符合優(yōu)化目標(biāo)的向量< ;步驟66更新支撐集Sup (At) = U=I(At)jPah α為更新閾值； 所述狀態(tài)估計包括下列步驟: 步驟81對采樣粒子的權(quán)值加以選擇，確定合適的粒子個數(shù)N'； 步驟82根據(jù)確定的粒子個數(shù)，以最小均方誤差估計的方式得到估計狀態(tài):
2.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，步驟61中分區(qū)判斷目標(biāo)遮擋的程度，具體包括: 使用Bhattacharyya距離計算目標(biāo)與模板之間的相似度P，并根據(jù)光照情況下目標(biāo)運動時受遮擋影響的情況，將目標(biāo)區(qū)域劃分為九個區(qū)(R1, R2, , R9I，并計算各個子區(qū)的相似度{P U P 2，...，P 9},則遮擋因子ζ為:
其中，S = Onaxp,.-ηι?ηρ;>/Σ/),，閾值Θ th在不同場景可根據(jù)經(jīng)驗設(shè)定，ζ = I表示目



/=1標(biāo)受遮擋，ζ = O表示目標(biāo)受遮擋； 步驟81中根據(jù)權(quán)值選擇確定合適的粒子個數(shù)，具體包括: 對采樣粒子的權(quán)值按從大到小的方式進行排序，選擇的粒子數(shù)量N'規(guī)則如下:如果權(quán)值閾值Wth大于所有粒子的權(quán)值，則選擇權(quán)值最大的粒子進行狀態(tài)估計；如果權(quán)值閾值Wth在第I個到第Np個粒子之間，則選擇大于權(quán)值閾值Wth的所有粒子進行狀態(tài)估計；其他情況，則選擇Np個粒子進行狀態(tài)估計，Np表示一般情況下大權(quán)值的粒子個數(shù)。
3.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟I視頻圖像采集流程包括下列步驟: 步驟11觀測點選取，安置攝像設(shè)備； 步驟12打開攝像頭，獲取設(shè)備參數(shù)； 步驟13設(shè)置視頻的制式和幀格式； 步驟14開始視頻采集； 步驟15獲取視頻圖像。
4.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟2視頻圖像預(yù)處理的流程包括下列步驟: 步驟21對輸入的視頻圖像進行光照校正； 步驟22對輸入的視頻圖像進行降噪處理。
5.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟3初始化的流程包括下列步驟: 步驟31手動選擇處理過后的視頻圖像的第一幀的感興趣區(qū)域； 步驟32獲得當(dāng)前幀的先驗分布P(Xtl)； 步驟33從P (X。)中抽樣得到初始粒子集IAp = I,...,
6.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟4狀態(tài)空間劃分的流程包括下列步驟: 步驟41將當(dāng)前幀狀態(tài)空間劃分為有效狀態(tài)St和剩余狀態(tài)Lt ； 步驟42根據(jù)壓縮傳感利用測量矩陣Φ得到剩余狀態(tài)Lt的稀疏向量At ； 步驟43求得稀疏向量Λ t的支撐集Sup (At) = {j: (Λ t)」關(guān)0}。
7.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟5重要性抽樣的流程包括下列步驟: 步驟51對有效狀態(tài)St利用重要性函數(shù)進行重要性采樣； 步驟52對稀疏向量At的支撐集Sup(At)利用變化模型進行重要性采樣。
8.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟7更新重要性權(quán)值的流程包括下列步驟: 步驟71對從采樣的粒子計算重要性權(quán)值，重要性權(quán)值ff/的遞推公式為:
步驟72歸一化重要性權(quán)值，得到歸一化權(quán)值矛，歸一化公式為:
9.根據(jù)權(quán)利要求1所述的一種基于壓縮傳感的粒子濾波視覺跟蹤方法，其特征是，所述步驟9重采樣的流程包括下列步驟: 步驟91計算有效粒子數(shù)Neff，公式為:
步驟92根據(jù)有效粒子Nrff和閾值Nth判斷是否需要重采樣，即Neff小于Nth時，意味著存在著較嚴(yán)重的退化現(xiàn)象，需要進行重采樣；否則直接轉(zhuǎn)向步驟94 ； 步驟93根據(jù)粒子的歸一化重要性權(quán)值從粒子集中重新抽取粒子，并形成新的粒子集；步驟94判斷是否是視頻圖像的最后一幀，若不是，t = t+Ι，重新回到步驟4，否則結(jié)束跟蹤。
【文檔編號】G06T7/20GK104182989SQ201410337111
【公開日】2014年12月3日 申請日期:2014年7月15日 優(yōu)先權(quán)日:2014年7月15日
【發(fā)明者】宋雪樺, 萬根順, 于宗潔, 王維, 化瑞, 劉委, 卜曉曉 申請人:江蘇大學(xué)