基于粒子濾波和加權(quán)Surf的抗遮擋目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于視頻目標(biāo)跟蹤技術(shù)領(lǐng)域，具體涉及一種基于粒子濾波和加權(quán)Surf的 抗遮擋目標(biāo)跟蹤方法，即通過粒子濾波來初步預(yù)測(cè)目標(biāo)，結(jié)合擴(kuò)展卡爾曼實(shí)現(xiàn)目標(biāo)部分遮 擋或短暫全遮擋后的再次預(yù)測(cè)目標(biāo)，并提出加權(quán)Surf來進(jìn)一步精確定位目標(biāo)，從而實(shí)現(xiàn)由 粗到細(xì)的二級(jí)跟蹤。
【背景技術(shù)】
[0002] 視頻目標(biāo)跟蹤是當(dāng)今計(jì)算機(jī)視覺領(lǐng)域的前沿研究課題，同時(shí)也是熱點(diǎn)問題。它的 主要任務(wù)就是跟蹤序列圖像中的運(yùn)動(dòng)目標(biāo)，對(duì)目標(biāo)的行為進(jìn)行理解和描述，進(jìn)而進(jìn)行其它 處理。視頻目標(biāo)跟蹤已經(jīng)應(yīng)用于眾多領(lǐng)域：智能交通、安防監(jiān)控、軍事應(yīng)用、人機(jī)交互、醫(yī)學(xué) 診斷等，因此研究視頻目標(biāo)跟蹤技術(shù)具有重要的學(xué)術(shù)意義和實(shí)用價(jià)值。
[0003] 目前最經(jīng)典的目標(biāo)跟蹤算法是Meanshift算法，無需進(jìn)行參數(shù)預(yù)測(cè)可以進(jìn)行 快速模式匹配，如中國專利文獻(xiàn)中公開的一種抗遮擋目標(biāo)軌跡預(yù)測(cè)跟蹤方法（公告號(hào)： CN101853511B，2012年7月11日授權(quán)），其采用對(duì)應(yīng)模板配準(zhǔn)來確定目標(biāo)的下一個(gè)位置，通 過迭代找到新的中心點(diǎn)，但是其跟蹤的準(zhǔn)確性略遜于粒子濾波器。而粒子濾波算法能夠有 效地解決跟蹤中的非線性、非高斯系統(tǒng)的濾波問題，因而得到了國內(nèi)外學(xué)者的深入研究和 高度關(guān)注。
[0004]現(xiàn)有處理遮擋問題的粒子濾波目標(biāo)跟蹤算法主要有兩種：（1)基于分塊模板匹配 的算法：該算法解決了常用的單一模板匹配易受異物或背景等的影響，通過對(duì)目標(biāo)模板進(jìn) 行分塊，利用多個(gè)子塊對(duì)目標(biāo)進(jìn)行聯(lián)合判決，使得對(duì)目標(biāo)位置的判決更為準(zhǔn)確，這類算法也 適用于多目標(biāo)跟蹤；（2)基于多特征的目標(biāo)跟蹤算法，也稱多線索跟蹤，如中國專利文獻(xiàn)中 公開的一種多特征融合的粒子濾波視頻目標(biāo)跟蹤方法（公告號(hào)：CN102722702B，2015年1 月28日授權(quán)），該技術(shù)方案利用多個(gè)具有互補(bǔ)性的目標(biāo)特征同時(shí)對(duì)目標(biāo)狀態(tài)進(jìn)行觀測(cè)，并 在一個(gè)合理框架內(nèi)進(jìn)行融合，從而可靠地得到目標(biāo)的精確狀態(tài)。此外，多特征融合避免了單 一特征的不穩(wěn)定，對(duì)背景干擾（包括相似顏色、干擾邊緣）、部分遮擋、光照變化等均具有較 高的魯棒性。
[0005]然而，目前處理遮擋問題的上述粒子濾波目標(biāo)跟蹤的兩種算法盡管具有一定的抗 遮擋效果，但是也存在一些不足：對(duì)于模板分塊跟蹤算法來說，因?yàn)閷⒏櫮繕?biāo)簡(jiǎn)單分割成 了幾個(gè)子塊，各子塊跟蹤框并不能完全包含目標(biāo)的特征信息，且同時(shí)存在的一些背景信息， 會(huì)對(duì)塊匹配造成干擾；另一方面它需要利用未被遮擋的子塊的信息來判斷遮擋的程度，所 以不能處理全遮擋的情況。而多特征融合的目標(biāo)跟蹤算法也是利用目標(biāo)未被遮擋的部分特 征，可跟蹤部分遮擋的目標(biāo)，但無法處理全遮擋的情況。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的是克服現(xiàn)有的視頻跟蹤應(yīng)用環(huán)境中存在遮擋的問題，進(jìn)而引入遮擋 評(píng)價(jià)機(jī)制，并提出粒子濾波預(yù)測(cè)和加權(quán)Surf精確定位的二級(jí)目標(biāo)跟蹤框架。
[0007] 為此，本發(fā)明提供了一種基于粒子濾波和加權(quán)Surf的抗遮擋目標(biāo)跟蹤方法，具體 包括如下步驟：
[0008] 步驟一、目標(biāo)模板初始化；
[0009] 步驟二、建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型，采用粒子濾波預(yù)測(cè)目標(biāo)候選區(qū)域；
[0010] 步驟三、計(jì)算遮擋因子并通過遮擋因子判斷目標(biāo)是否發(fā)生遮擋；
[0011] 步驟四、若遮擋，利用擴(kuò)展卡爾曼重新預(yù)測(cè)目標(biāo)位置；
[0012] 步驟五、若未遮擋，對(duì)粒子濾波所確定的目標(biāo)候選區(qū)域，提取Surf特征點(diǎn)并與目 標(biāo)模板匹配，通過加權(quán)匹配特征點(diǎn)的位置信息和尺度信息，精確定位目標(biāo)的位置和區(qū)域；
[0013] 步驟六、根據(jù)配準(zhǔn)特征點(diǎn)對(duì)的數(shù)量，決定是否采用遺忘因子的方式來動(dòng)態(tài)更新模 板。
[0014] 上述步驟一、目標(biāo)模板初始化，包括如下步驟：
[0015] (1. 1)將第一幀目標(biāo)所在區(qū)域作為初始目標(biāo)模板，提取目標(biāo)模板的Surf特征點(diǎn)， 并建立目標(biāo)模板的顏色加權(quán)直方圖P(x) = {pu(x)}u= 1u;
[0017] 其中nh為目標(biāo)區(qū)域的總像素?cái)?shù);m為顏色直方圖中直方格的量化階數(shù)；k為高斯核 函數(shù)；Ch用于歸一化：
表示核函數(shù)窗寬，氏，民表示目標(biāo)矩形區(qū) 域長(zhǎng)寬大??；S為沖激函數(shù)，和顏色量化函數(shù)b(Xl):R2- {1Lm} -起，用于判斷目標(biāo)區(qū)域 內(nèi)像素Xl是否屬于顏色直方圖的第u個(gè)直方格。
[0018] 上述步驟二、建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型，采用粒子濾波預(yù)測(cè)目標(biāo)候選區(qū)域，包 括如下步驟：
[0019] (2. 1)對(duì)目標(biāo)模板的傳播粒子進(jìn)行初始化定位，定義粒子的初始狀態(tài)為< :
[0020] (2. 2)同時(shí)采用如下一階隨機(jī)游走模型對(duì)粒子狀態(tài)進(jìn)行傳播；
[0021] x!= +v； (2)
[0022] 式中x;表示t時(shí)刻的新粒子，v;是均值為零的高斯白噪聲，A為系數(shù)矩陣；參照?qǐng)D3 的粒子傳播示意圖，t-i時(shí)刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播，虛線框代表粒子傳播后狀態(tài)；
[0023] (2. 3)計(jì)算各粒子對(duì)應(yīng)候選目標(biāo)區(qū)域的核直方圖分布，記為q(x) = {qu(x)}u =ani;
[0024] (2. 4)計(jì)算目標(biāo)模板和第j個(gè)粒子候選區(qū)域的相似度，采用如下Bhattacharyya距 離作為相似度函數(shù)：
[0026] (2. 5)更新粒子的權(quán)值，假定粒子數(shù)為N，初始權(quán)值均為1/N:
[0028]式中，〇為高斯似然模型方差常數(shù)，<i和《)/分別表示t-Ι時(shí)刻和t時(shí)刻的第j個(gè)粒子的權(quán)值；
[0029] (2. 6)利用最小方差估計(jì)來計(jì)算候選目標(biāo)的位置：
[0031] 式中，x_表示計(jì)算的當(dāng)前幀的候選目標(biāo)的位置，X/表示t時(shí)刻第j個(gè)粒子對(duì)應(yīng)狀 態(tài)值；
[0032] (2. 7)引入隨機(jī)重采樣方法，刪除權(quán)值過小的粒子，保證重采樣后的粒子的可靠 性，有效緩解粒子退化現(xiàn)象。
[0033] 上述步驟三、計(jì)算遮擋因子并通過遮擋因子判斷目標(biāo)是否發(fā)生遮擋，具體包括如 下步驟：
[0034] (3. 1)若X。為當(dāng)前目標(biāo)位置，令qu(x。）為當(dāng)前候選區(qū)域的顏色直方圖，pu(x)為目 標(biāo)模板的顏色直方圖，判定目標(biāo)特征u是否被遮擋：
[0035]
[0036] 當(dāng)cu> 1時(shí)，目標(biāo)特征u被部分遮擋；當(dāng)cu=-1時(shí)，目標(biāo)特征u被全部遮擋；
[0037] (3. 2)計(jì)算遮擋因子occl:
[0038]
[0039] 其中λe[1，m)，為遮擋程度參量；當(dāng)occl >ξ(ξe(0,D)，則認(rèn)為目標(biāo)發(fā) 生遮擋；
[0040] (3. 3)判斷出現(xiàn)遮擋時(shí)，轉(zhuǎn)步驟四，啟動(dòng)擴(kuò)展卡爾曼濾波來重新預(yù)測(cè)目標(biāo)區(qū)域；判 斷未出現(xiàn)遮擋時(shí)則直接轉(zhuǎn)步驟五，對(duì)目標(biāo)位置進(jìn)行精準(zhǔn)定位。
[0041] 上述步驟四、若遮擋，利用擴(kuò)展卡爾曼重新預(yù)測(cè)目標(biāo)位置，具體包括如下步驟：
[0042] (4. 1)構(gòu)造擴(kuò)展卡爾曼濾波估計(jì)模型，建立如下的狀態(tài)方程和觀測(cè)方程，
[0043]S(k)=F·S(k-l)+ff
[0044]Z(k)=Η·S(k)+V (8)
[0045]
[0046] 式中，S(k)和Z(k)分別為系統(tǒng)的狀態(tài)向量和觀測(cè)向量，F(xiàn)是狀態(tài)轉(zhuǎn)移矩陣，H是非 線性觀測(cè)矩陣，W和V分別為過程噪聲觀測(cè)噪聲，其方差分別為Q和R;
[0047] (4. 2)建立系統(tǒng)狀態(tài)預(yù)測(cè)方程，
[0048]S(k|k-1)=F·S(k-1 |k-l) (9)
[0049] 式中S(k|k-1)是利用上一幀預(yù)測(cè)的結(jié)果，S(k-l|k-l)為上一幀狀態(tài)的最佳預(yù)測(cè) 值；
[0050] (4· 3)對(duì)S(kIk-1)的協(xié)方差矩陣P(kIk-1)進(jìn)行預(yù)測(cè)；
[0051]P(kIk_l) =F·P(k_lIk_l) ·FT+Q(10)