基于量子粒子群優(yōu)化的視覺跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視覺跟蹤技術(shù)，具體涉及基于量子粒子群優(yōu)化的視覺跟蹤方法。
【背景技術(shù)】
[0002] 視覺跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域中一項(xiàng)重要并且極具挑戰(zhàn)的研宄。這是因?yàn)橐曈X 跟蹤技術(shù)已經(jīng)被廣泛地應(yīng)用于智能監(jiān)控、人機(jī)交互、智能交通、運(yùn)動捕捉等領(lǐng)域。在視頻序 列中給定目標(biāo)的初始狀態(tài)，視覺跟蹤的目標(biāo)是在隨后的圖像中估計(jì)目標(biāo)的狀態(tài)。盡管魯棒 的視覺跟蹤技術(shù)依舊存在較大的困難（例如：光照變化、遮擋、外觀以及形狀的變化、劇烈 的隨機(jī)性運(yùn)動等），近些年來，大量的研宄為視覺跟蹤技術(shù)提供了大量的思路，許多性能良 好的跟蹤算法已經(jīng)被用到實(shí)際應(yīng)用中。
[0003] 當(dāng)前大多數(shù)的跟蹤算法可以被視為一個(gè)優(yōu)化過程：在新的一幀圖像中，搜尋目標(biāo) 的最優(yōu)狀態(tài)。這樣的話，可以將大多數(shù)跟蹤算法分成兩類：確定性方法（deterministic methods)和隨機(jī)性方法（stochasticmethods)。確定性方法通常包含一個(gè)用來求解成本 函數(shù)（costfunction)的最優(yōu)化算法。典型的確定性方法有meanshift算法和基于主輪 廓線模型（蛇模型）的跟蹤算法。確定性方法的優(yōu)點(diǎn)在于計(jì)算復(fù)雜度低，缺點(diǎn)是容易陷入 局部最優(yōu)，這會導(dǎo)致跟蹤結(jié)果不夠精確并且容易丟失目標(biāo)從而使得跟蹤失敗。與確定性方 法不同，隨機(jī)性方法中目標(biāo)的狀態(tài)是隨機(jī)性的，而新的一幀圖像中目標(biāo)狀態(tài)的確定是根據(jù) 概率的方法。典型的隨機(jī)性跟蹤方法是粒子濾波（particlefilter)，也被稱為時(shí)序蒙特卡 洛方法。相較于確定性跟蹤方法，隨機(jī)性跟蹤方法不會陷入局部最優(yōu)，具有較強(qiáng)的穩(wěn)定性。 然而這種方法通常計(jì)算復(fù)雜度較大，尤其在高維模型中，計(jì)算量很大。
[0004] 近年來，粒子群優(yōu)化算法（PS0)在視覺跟蹤領(lǐng)域得到了廣泛的應(yīng)用，這是由于粒 子群優(yōu)化算法能夠很好地解決非線性、多峰優(yōu)化問題。與其他群體智能算法不同，粒子群優(yōu) 化算法的粒子之間是相互作用并且是受整體環(huán)境影響的，類似于群鳥捕食。粒子群優(yōu)化算 法以其簡單高效的特性，被應(yīng)用到視覺跟蹤算法中，取得了不錯(cuò)的效果。然而粒子群優(yōu)化算 法是局部收斂的算法，同樣會陷入局部最優(yōu)，這是因?yàn)榱Ｗ尤簝?yōu)化算法中，每個(gè)粒子的運(yùn)動 軌跡是有限制的，這導(dǎo)致了迭代過程中搜索空間局限性。因此，基于粒子群優(yōu)化算法的跟蹤 方法并不能很好的解決跟蹤過程中的存在的難題。

【發(fā)明內(nèi)容】

[0005] 為了解決基于粒子群優(yōu)化算法的跟蹤方法所存在的問題，本發(fā)明的目的是提出一 種魯棒性較好的跟蹤方法，能夠完成多種復(fù)雜場景（光照和外觀變化、劇烈運(yùn)動、遮擋、背 景干擾等）下的跟蹤任務(wù)。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明提出一種基于量子粒子群優(yōu)化（QPS0)的視覺跟蹤方法， 包括如下步驟：
[0007] 步驟1、對前一幀圖像中粒子的個(gè)體最優(yōu)狀態(tài)集合進(jìn)行隨機(jī)傳播并產(chǎn)生新的粒 子；
[0008] 步驟2、對新的粒子進(jìn)行量子粒子群優(yōu)化迭代：
[0009] 步驟21、更新粒子狀態(tài)；
[0010] 步驟22、根據(jù)粒子狀態(tài)得到每個(gè)粒子對應(yīng)的觀測值，計(jì)算粒子的適應(yīng)度值；
[0011] 步驟23、根據(jù)適應(yīng)度值更新粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)；
[0012] 步驟24、根據(jù)適應(yīng)度值、粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)進(jìn)行收斂性判斷： 若滿足收斂條件則輸出群體最優(yōu)狀態(tài)粒子對應(yīng)的觀測值作為當(dāng)前幀圖像的跟蹤結(jié)果，否則 跳轉(zhuǎn)到步驟21。
[0013] 其中對前一幀圖像中粒子的個(gè)體最優(yōu)狀態(tài)集合進(jìn)行隨機(jī)傳播的具體步驟為：給 定前一幀圖像中粒子集合的最優(yōu)狀態(tài)，根據(jù)高斯分布對個(gè)體最優(yōu)狀態(tài)粒子集合進(jìn)行隨機(jī)傳 播。
[0014] 對新的粒子進(jìn)行量子粒子群優(yōu)化迭代，包括以下步驟：
[0015]S211、給定上一次迭代后的粒子最優(yōu)狀態(tài)、群體最優(yōu)狀態(tài)，對于新的一幀的初始狀 態(tài)，則使用前一幀跟蹤結(jié)果所對應(yīng)的粒子最優(yōu)狀態(tài)、群體最優(yōu)狀態(tài)；
[0016] S212、計(jì)算粒子的平均最優(yōu)狀態(tài)
【主權(quán)項(xiàng)】
1. 基于量子粒子群優(yōu)化的視覺跟蹤方法，其特征在于，包括w下步驟： 步驟1、對前一帖圖像中粒子的個(gè)體最優(yōu)狀態(tài)集合進(jìn)行隨機(jī)傳播并產(chǎn)生新的粒子； 步驟2、對新的粒子進(jìn)行量子粒子群優(yōu)化迭代： 步驟21、更新粒子狀態(tài)； 步驟22、根據(jù)粒子狀態(tài)得到每個(gè)粒子對應(yīng)的觀測值，計(jì)算粒子的適應(yīng)度值； 步驟23、根據(jù)適應(yīng)度值更新粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)； 步驟24、根據(jù)適應(yīng)度值、粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)進(jìn)行收斂性判斷：若滿 足收斂條件則輸出群體最優(yōu)狀態(tài)粒子對應(yīng)的觀測值作為當(dāng)前帖圖像的跟蹤結(jié)果，否則跳轉(zhuǎn) 到步驟21。
2. 按照權(quán)利要求1所述的基于量子粒子群優(yōu)化的視覺跟蹤方法，其特征在于，對前一 帖圖像中粒子的個(gè)體最優(yōu)狀態(tài)集合進(jìn)行隨機(jī)傳播的具體步驟為：給定前一帖圖像中粒子集 合的最優(yōu)狀態(tài)，根據(jù)高斯分布對個(gè)體最優(yōu)狀態(tài)粒子集合進(jìn)行隨機(jī)傳播。
3. 按照權(quán)利要求1所述的基于量子粒子群優(yōu)化的視覺跟蹤方法，其特征在于，更新粒 子狀態(tài)包括W下步驟： 5211、 給定上一次迭代后的粒子最優(yōu)狀態(tài)、群體最優(yōu)狀態(tài)，對于新的一帖的初始狀態(tài)， 則使用前一帖跟蹤結(jié)果所對應(yīng)的粒子最優(yōu)狀態(tài)、群體最優(yōu)狀態(tài)； 5212、 計(jì)算粒子的平均最優(yōu)狀態(tài)
其中N表示該 粒子集合中的粒子數(shù)量，Pi表示當(dāng)前圖像中第i個(gè)粒子的個(gè)體最優(yōu)狀態(tài)，d表示粒子狀態(tài)的 維度； 5213、 計(jì)算吸引子的狀態(tài)，巧=(〇^7，,+(1-口其中Pg是當(dāng)前帖圖像中粒子群體最 優(yōu)狀態(tài)是介于0到1之間的隨機(jī)數(shù)； 5214、 對粒子狀態(tài)進(jìn)行迭代：
U為介于0到1之間的隨機(jī) 數(shù)，Xi為粒子狀態(tài)。
4. 按照權(quán)利要求1所述的基于量子粒子群優(yōu)化的視覺跟蹤方法，其特征在于，更新粒 子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)的步驟有： 5231 ;基于當(dāng)前粒子的適應(yīng)度值，更新粒子的個(gè)體最優(yōu)狀態(tài)：對每個(gè)粒子，如果粒子當(dāng) 前狀態(tài)對應(yīng)的適應(yīng)度值大于其個(gè)體最優(yōu)狀態(tài)對應(yīng)的適應(yīng)度值，則將粒子的個(gè)體最優(yōu)狀態(tài)更 新為粒子的當(dāng)前狀態(tài)；否則保持其個(gè)體最優(yōu)狀態(tài)不變； 5232 ;基于當(dāng)前粒子的適應(yīng)度值，更新粒子的群體最優(yōu)狀態(tài)：更新完粒子的個(gè)體最優(yōu) 狀態(tài)后，在所有粒子的個(gè)體最優(yōu)狀態(tài)對應(yīng)的適應(yīng)度值中，選擇適應(yīng)度值最大的粒子的個(gè)體 最優(yōu)狀態(tài)，作為群體最優(yōu)狀態(tài)。
5. 按照權(quán)利要求1所述的基于量子粒子群優(yōu)化的視覺跟蹤方法，其特征在于，收斂性 判斷具體為； S241 ;對群體最優(yōu)狀態(tài)粒子的適應(yīng)度值進(jìn)行收斂性判斷，如果群體最優(yōu)狀態(tài)粒子的適 應(yīng)度值大于預(yù)設(shè)的闊值th，并且所有粒子的個(gè)體最優(yōu)狀態(tài)與群體最優(yōu)狀態(tài)的誤差小于預(yù)設(shè) 的闊值T，則認(rèn)為滿足收斂條件； 5242 ;如果S241的條件不滿足，則繼續(xù)判斷是否達(dá)到最大迭代次數(shù)，如果達(dá)到最大迭 代次數(shù)，則認(rèn)為滿足收斂條件，否則認(rèn)為還未收斂； 5243 ;如果收斂性判斷為已經(jīng)收斂，則停止迭代并輸出群體最優(yōu)狀態(tài)對應(yīng)的觀測值作 為當(dāng)前圖像的跟蹤結(jié)果，如果收斂性判斷為未收斂，則跳轉(zhuǎn)到步驟21。
【專利摘要】本發(fā)明公開了一種基于量子粒子群優(yōu)化的視覺跟蹤方法，其實(shí)現(xiàn)步驟為：(1)在當(dāng)前圖像中，利用狀態(tài)轉(zhuǎn)移分布對上一幀圖像中粒子的個(gè)體最優(yōu)狀態(tài)進(jìn)行隨機(jī)傳播；(2)對隨機(jī)傳播后的粒子進(jìn)行量子粒子群優(yōu)化迭代；(3)利用基于混合高斯的外觀模型計(jì)算每個(gè)粒子的適應(yīng)度值；(4)根據(jù)適應(yīng)度值更新粒子的個(gè)體最優(yōu)狀態(tài)和群體最優(yōu)狀態(tài)；(5)收斂判斷：若滿足收斂條件則以群體最優(yōu)狀態(tài)對應(yīng)的觀測值作為當(dāng)前圖像的跟蹤結(jié)果，若不滿足收斂條件，則繼續(xù)進(jìn)行量子粒子群優(yōu)化迭代。本發(fā)明實(shí)現(xiàn)了有效的視覺跟蹤，具有良好的魯棒性。
【IPC分類】G06T7-20
【公開號】CN104851110
【申請?zhí)枴緾N201510192189
【發(fā)明人】王保云, 孫波, 高 浩, 師玉嬌
【申請人】南京郵電大學(xué)
【公開日】2015年8月19日
【申請日】2015年4月21日