国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種進(jìn)化重采樣粒子濾波方法以及視覺目標(biāo)跟蹤方法

      文檔序號:10625263閱讀:627來源:國知局
      一種進(jìn)化重采樣粒子濾波方法以及視覺目標(biāo)跟蹤方法
      【專利摘要】本發(fā)明公開了一種進(jìn)化重采樣粒子濾波方法以及視覺目標(biāo)跟蹤方法,本發(fā)明采用歸一化區(qū)域累計(jì)特征似然作為粒子權(quán)重估計(jì),并采用具有加權(quán)記憶能力的增量式更新的方法。本發(fā)明在實(shí)際應(yīng)用中取得了很好的效果。
      【專利說明】
      -種進(jìn)化重采樣粒子濾波方法從及視覺目標(biāo)跟蹤方法
      技術(shù)領(lǐng)域
      [0001] 本發(fā)明屬于計(jì)算機(jī)人工智能領(lǐng)域,具體設(shè)及計(jì)算機(jī)視覺中目標(biāo)跟蹤的技術(shù)。
      【背景技術(shù)】
      [0002] 利用計(jì)算機(jī)視覺和圖像處理技術(shù),對視頻圖像進(jìn)行實(shí)時(shí)處理,對需要關(guān)注的目標(biāo) 實(shí)現(xiàn)檢測和跟蹤。
      [0003] 視覺跟蹤需要從序列圖像中捜尋指定目標(biāo),目標(biāo)跟蹤很常用的方法之一是貝葉斯 方法。目標(biāo)運(yùn)動狀態(tài)可采用粒子濾波加 W估計(jì),它是一種貝葉斯序貫重要性采樣技術(shù),通過 對樣本加權(quán)來逼近后驗(yàn)概率分布,包括預(yù)測與更新兩個(gè)步驟。然而,基于序貫重要性采樣僅 能保留極少的高權(quán)重粒子,狀態(tài)估計(jì)的方差會隨時(shí)間增長不斷增大,最終導(dǎo)致估計(jì)失效,運(yùn) 稱為粒子退化。
      [0004] 因此,為保留更多相異粒子,通常要根據(jù)其權(quán)重作重采樣處理,如累積分布重采 樣、殘差重采樣等,并經(jīng)歸一化處理W獲得權(quán)重相同的新粒子,但如此操作會導(dǎo)致高權(quán)重粒 子被多次采樣,在粒子數(shù)有限的情況下,一定程度上會造成粒子多樣性喪失,致使估計(jì)精度 下降,尤其是當(dāng)觀測似然分布極窄或較偏時(shí),由先驗(yàn)分布產(chǎn)生的粒子僅有很少一部分位于 高似然區(qū),經(jīng)重采樣處理后,后驗(yàn)分布僅由很少的相異粒子表示,嚴(yán)重貧化了粒子集,運(yùn)會 極大影響估計(jì)精度。
      [0005] 為解決上述問題,目前已提出多種方案,如增加粒子數(shù)、修正先驗(yàn)分布、無跡粒子 濾波、輔助粒子濾波、核粒子濾波、正則化粒子濾波等,但是運(yùn)些方案在實(shí)際的應(yīng)用過程中 仍然存在效率低、精度不高等問題。

      【發(fā)明內(nèi)容】

      [0006] 針對現(xiàn)有計(jì)算機(jī)視覺中目標(biāo)跟蹤技術(shù)所存在效率低W及精度差等問題,本發(fā)明的 目的之一在于提供一種進(jìn)化重采樣粒子濾波方法。
      [0007] 本發(fā)明的目的之二在于基于上述粒子濾波方法,提供一種能夠有效提高目標(biāo)跟蹤 效率和精度的視覺目標(biāo)跟蹤方法。
      [000引為了達(dá)到上述目的,本發(fā)明采用如下的方案:
      [0009] 針對目的1 :一種進(jìn)化重采樣粒子濾波方法,該方法采用歸一化區(qū)域累計(jì)特征似 然作為粒子權(quán)重估計(jì),并采用具有加權(quán)記憶能力的增量式更新的方法。
      [0010] 具體的,該方法對粒子進(jìn)行進(jìn)化重采樣包括如下操作:
      [0011] (1)復(fù)制:完全保留前一時(shí)刻N(yùn)個(gè)粒子,生成新粒子Xk",操作如下式所示:
      [001引 尤'二尤.
      [001引 似交叉:從前一時(shí)刻N(yùn)個(gè)粒子中隨機(jī)選出N個(gè)Χ,ι與ΧΛ選中概率分別為 p(YklXi/)與l-p(YklXk-i),生成新粒子Xk化,χΓ,操作如式下所示:
      [0016] 式中μ為服從均勻分布U(0,1)的隨機(jī)變量;
      [0017] (3)變異:對前一時(shí)刻N(yùn)個(gè)粒子施加隨機(jī)擾動,生成新粒子Xk",操作如下式所示,
      [0018] 鮮=馬呼.1,";
      [0019] 式中V為服從標(biāo)準(zhǔn)正態(tài)分布N(0,1)的隨機(jī)變量,λ為給定常數(shù),直接控制隨機(jī) 擾動幅度;
      [0020] (4)選擇:從經(jīng)(1)似(3)處理后生成的3Ν個(gè)粒子找k",Xk"a,Xk"b,Xk"}中根據(jù) 粒子權(quán)重隨機(jī)選出N個(gè),生成用于狀態(tài)估計(jì)的有效粒子集。
      [0021] 針對目的2 :-種視覺目標(biāo)跟蹤方法,該方法執(zhí)行跟蹤時(shí),目標(biāo)候選狀態(tài)對應(yīng)每個(gè) 粒子,觀測似然為候選目標(biāo)區(qū)域累計(jì)加權(quán)特征似然,為候選目標(biāo)區(qū)域內(nèi)所有像素的特征似 然的加權(quán)和,其包括如下步驟:
      [0022] 1)估計(jì)粒子權(quán)重
      [0023] 步驟(11):對捜索區(qū)內(nèi)所有候選目標(biāo)區(qū)域i,計(jì)算區(qū)域累計(jì)加權(quán)特征似然Si = Zwf · Lf ;
      [0024] 其中,特征權(quán)重w由下式求得,wf為w的分量,若SKO,令Si = 0。 陽0巧]
      .
      [0026] 步驟(。):歸一化Si,使l〉Si〉0, XSi = 1,令Si為粒子權(quán)重vi ;
      [0027] 2)進(jìn)化重采樣粒子濾波 陽02引步驟(21)對初始帖,計(jì)算特征似然Li/,生成粒子找Λ 1/N},令k = 0 ;
      [0029] 步驟倘)對新來帖,據(jù)特征似然Li/,由下式求特征權(quán)重wf,令k = k+1 ;
      [0030]
      [00川步驟似):由下式據(jù)轉(zhuǎn)移概率p0(k|Xk 1)生成預(yù)測粒子找ιΛ?/Ν};
      [0的2] Xk二 X k 1+ 5 k;
      [003引式中,Xk與Xki分別為目標(biāo)在k時(shí)刻與k-1時(shí)刻的位置,δ k為服從概率分布P的 隨機(jī)噪聲,進(jìn)而可知,目標(biāo)的狀態(tài)轉(zhuǎn)移概率為pOCklXk 1) = P ;
      [0034] 步驟(24):由1)來估計(jì)預(yù)測粒子Xi;權(quán)重V ιΛ生成新粒子找Λ vj ;
      [00對步驟燭):由下式估計(jì)有效粒子數(shù)Neff,
      [0036]
      [0037] 若化ff或迭代次數(shù)小于指定值,重復(fù)W下操作對粒子進(jìn)行進(jìn)化重采樣:
      [0038] (a)進(jìn)行復(fù)制,生成N個(gè)新粒子Xk",由1)來估計(jì)粒子權(quán)重;
      [0039] 化)進(jìn)行交義生成N個(gè)新粒子Xk"a,Xi/zb,并由1)來估計(jì)粒子權(quán)重; W40] (C)由進(jìn)行變異,生成N個(gè)新粒子Xk",并由1)來估計(jì)粒子權(quán)重;
      [00川 (d)從找k",Xk"a,ΧΓ,Xk"}中據(jù)粒子權(quán)重隨機(jī)選N個(gè),生成有效粒子集;
      [0042] (e)估計(jì)有效粒子數(shù)化ff,增加迭代次數(shù);
      [00創(chuàng)步驟(26)對第k帖,估計(jì)特征似然1Λ由下式更新特征似然Li/;
      [0044]
      W45]式中,1/為k時(shí)刻估計(jì)的當(dāng)前帖特征似然,L kf與L k if分別為k時(shí)刻與k-1時(shí)刻特 征似然,α為更新率
      [0046] 步驟(27):在有效粒子集上計(jì)算粒子均值,輸出目標(biāo)狀態(tài),返回步驟(22)。
      [0047] 本發(fā)明提供的方案能夠有效提局目標(biāo)跟蹤效率和精度,有效解決現(xiàn)有技術(shù)所存在 的問題。同時(shí),本發(fā)明方案適應(yīng)能力強(qiáng),且在實(shí)際應(yīng)用中取得了很好的效果。
      【附圖說明】
      [0048] W下結(jié)合附圖和【具體實(shí)施方式】來進(jìn)一步說明本發(fā)明。
      [0049] 圖1為本實(shí)例方案跟蹤目標(biāo)時(shí)有效粒子數(shù)的變化示意圖;
      [0050] 圖2為本實(shí)例方案跟蹤目標(biāo)時(shí)有效粒子數(shù)的分布情況示意圖。
      【具體實(shí)施方式】
      [0051] 為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解,下面結(jié) 合具體圖示,進(jìn)一步闡述本發(fā)明。
      [0052] 本實(shí)例提供的進(jìn)化重采樣粒子濾波方案采用歸一化區(qū)域累計(jì)特征似然作為粒子 權(quán)重估計(jì),并采用具有加權(quán)記憶能力的增量式更新的方法,W此來提高整個(gè)方案的適應(yīng)能 力。
      [0053] 據(jù)此,本實(shí)例方案具體如下:
      [0054] 采用灰度特征描述目標(biāo)外觀,定義目標(biāo)或背景灰度直方圖為: 陽化5]
      (1)
      [0056] 其中,i為像素編號,R為目標(biāo)或背景區(qū)域,f為灰度取值,δ為狄拉克函數(shù)。
      [0057] 方向梯度特征描述目標(biāo)圖像梯度在各方向上的強(qiáng)度分布,定義目標(biāo)或背景方向梯 度直方圖為:
      [0058]
      (2)
      [0059] 其中,i為像素編號,R為目標(biāo)或背景區(qū)域,f為梯度方向取值,A為梯度幅度取值, δ為狄拉克函數(shù)。
      [0060] 紋理特征描述目標(biāo)圖像模式分布的均勻性,本文采用局部二值模式特征LBP8,1 表示紋理,定義為:
      [0061]
      (3)
      [0062] 其中,i為像素編號,在W像素 c為中屯、的8鄰域內(nèi)由左至右逆時(shí)針取值,gi與 gc為像素 i與C的灰度取值,I為單位指示函數(shù)。
      [0063] 定義目標(biāo)或背景紋理直方圖為:
      [0064]
      (4) 陽0化]其中,i為像素編號,R為目標(biāo)或背景區(qū)域,f為紋理特征LBP8,1的取值,δ為狄 拉克函數(shù)。
      [0066] 給定特征f,假設(shè)目標(biāo)的特征分布直方圖為化f (η),背景的特征分布直方圖為 化f (η),其中η為特征取值。通過歸一化處理,得到目標(biāo)與背景的類條件概率密度分布,分 別為pof (η)和pbf (η),進(jìn)而定義特征似然為:
      [0067]
      (5)
      [0068] 式中ε任取很小的正實(shí)數(shù),W避免對零取對數(shù)。
      [0069] 假設(shè)樣本XI,-"iXn來自目標(biāo)和背景,若能構(gòu)造 X的各分量的線性組合y = wTX, 即可由y 1,…,yn對樣本X分類,如是Xi沿方向W向某直線上的投影,若兩類樣本可分的 話,即可找到最優(yōu)投影方向W使運(yùn)兩類盡可能分開,最優(yōu)投影方向W由式(6)求得:
      [0070] M = 扣 J 巧);
      [0071] 采用如式(7)所示的動態(tài)方程描述目標(biāo)運(yùn)動, 陽 07引 Xk=Xki+Sk (7)
      [007引式中,Xk與X k 1分別為目標(biāo)在k時(shí)刻與k-1時(shí)刻的位置,δ k為服從概率分布P的 隨機(jī)噪聲,進(jìn)而可知,目標(biāo)的狀態(tài)轉(zhuǎn)移概率為pOCklXk 1) = P。
      [0074] 目標(biāo)運(yùn)動狀態(tài)可采用粒子濾波加 W估計(jì),它是一種貝葉斯序貫重要性采樣技術(shù), 通過對樣本加權(quán)來逼近后驗(yàn)概率分布,包括預(yù)測與更新兩個(gè)步驟。若設(shè)k-1時(shí)刻累積樣本 為Yi:k 1=陽1,…,Yk J,根據(jù)狀態(tài)轉(zhuǎn)移概率P狂k I Xk 1)可得k時(shí)刻目標(biāo)狀態(tài)的預(yù)測后驗(yàn)概率 分布(亦稱先驗(yàn)分布)為:
      [0075] P 化 I Yi :k 1) = / P 狂J Xk 1) P 化 11 Yi :k 1)化 1 做
      [0076] k時(shí)刻觀測Yk可用,據(jù)貝葉斯定理更新后驗(yàn)概率分布,
      [0077]
      貸)
      [0078] 式中P燈k I Xk)為觀測似然分布。若用N個(gè)粒子Xi;逼近后驗(yàn)概率分布P狂k I Yi:k), 則可由式(4)根據(jù)重要性函數(shù)q〇(k|Xi:ki,Yi:k)計(jì)算其權(quán)重Vi;為:
      [0079]
      (10)
      [0080] 若令q 〇(J Xi:k 1,Yi:k) = P狂J Xk 1),粒子權(quán)重則簡化為觀測似然P燈J Xk)。
      [0081] 然而,基于序貫重要性采樣僅能保留極少的高權(quán)重粒子,狀態(tài)估計(jì)的方差會隨時(shí) 間增長不斷增大,最終導(dǎo)致估計(jì)失效,運(yùn)稱為粒子退化。
      [0082] 因此,為保留更多相異粒子,通常要根據(jù)其權(quán)重作重采樣處理,如累積分布重采 樣、殘差重采樣等,并經(jīng)歸一化處理W獲得權(quán)重相同的新粒子,但如此操作會導(dǎo)致高權(quán)重粒 子被多次采樣,在粒子數(shù)有限的情況下,一定程度上會造成粒子多樣性喪失,致使估計(jì)精度 下降,尤其是當(dāng)觀測似然分布極窄或較偏(即P(YjXk)位于P狂jYi:ki)尾部)時(shí),由先驗(yàn) 分布產(chǎn)生的粒子僅有很少一部分位于高似然區(qū),經(jīng)重采樣處理后,后驗(yàn)分布僅由很少的相 異粒子表示,嚴(yán)重貧化了粒子集,運(yùn)會極大影響估計(jì)精度。
      [0083] 為解決上述問題,目前已提出多種方案,如增加粒子數(shù)、修正先驗(yàn)分布、無跡粒子 濾波、輔助粒子濾波、核粒子濾波、正則化粒子濾波等。
      [0084] 事實(shí)上,重采樣時(shí)粒子的多樣性可借助于進(jìn)化算子加 W改善,如通過"交叉"與"變 異"增加多樣性,并通過"復(fù)制"與"選擇"保留最好粒子。k時(shí)刻重采樣的有效性則可用有 效粒子數(shù)化ff來衡量, 陽0化]
      (11)
      [0086] 其中,歸一化粒子權(quán)重:
      [0087]
      (巧)
      [0088] 若化ff太小且小于指定闊值,說明粒子的多樣性不足,此時(shí)應(yīng)進(jìn)行重采樣。鑒于此, 本實(shí)例方案中對粒子進(jìn)行進(jìn)化重要性重采樣,主要包括"復(fù)制"、"交叉"、"變異"與"選擇"四 類操作。
      [0089] (1)復(fù)制:完全保留前一時(shí)刻N(yùn)個(gè)粒子,生成新粒子Xk",操作如式(13)所示,
      [0090] * A (13)
      [00川 似交叉:從前一時(shí)刻N(yùn)個(gè)粒子中隨機(jī)選出N個(gè)χ,ι與;Χ]Λ選中概率分別為 p(YklXi/)與l-p(YklXkJ),生成新粒子Xk化,ΧιΛ操作如式(14)(巧)所示,
      [0092]
      [0094] 式中μ為服從均勻分布υ(0,1)的隨機(jī)變量。
      [0095] (3)變異:對前一時(shí)刻Ν個(gè)粒子施加隨機(jī)擾動,生成新粒子Xk",操作如式(16)所 示,
      [0096]
      (16)
      [0097] 式中V為服從標(biāo)準(zhǔn)正態(tài)分布N(0,1)的隨機(jī)變量,λ為給定常數(shù),直接控制隨機(jī) 擾動幅度。
      [009引 (4)選擇:從經(jīng)(1)似(3)處理后生成的3Ν個(gè)粒子找k",Xk"a,Xk"b,Xk"}中根據(jù) 粒子權(quán)重隨機(jī)選出N個(gè),生成用于狀態(tài)估計(jì)的有效粒子集。
      [0099] 基于上述的進(jìn)化重采樣粒子濾波方案,來實(shí)現(xiàn)視覺跟蹤時(shí),將上述的進(jìn)化重采樣 粒子濾波方案形成相應(yīng)的算子程序,并存在的相應(yīng)的寄存器中,由用于具體計(jì)算的CPU進(jìn) 行調(diào)用,CPU在其控制下進(jìn)行視覺目標(biāo)跟蹤,從序列圖像中捜尋指定目標(biāo)。
      [0100] 具體的,在執(zhí)行視覺目標(biāo)跟蹤時(shí),目標(biāo)候選狀態(tài)對應(yīng)每個(gè)粒子,觀測似然即為粒子 權(quán)重,定義為區(qū)域累計(jì)加權(quán)特征似然S,若假設(shè)候選目標(biāo)區(qū)域?yàn)镽,則S為R內(nèi)所有像素的特 征似然的加權(quán)和,具體過程分為如下兩部分: 陽101] 1、估計(jì)粒子權(quán)重
      [0102] 步驟1 :對捜索區(qū)內(nèi)所有候選目標(biāo)區(qū)域i,計(jì)算區(qū)域累計(jì)加權(quán)特征似然Si = Xwf · Lf,特征權(quán)重W由式(6)求得,wf為W的分量。若Si<0,令Si = 0。
      [0103] 步驟2 :歸一化Si,使l〉Si〉0, XSi = 1,令Si為粒子權(quán)重vi。
      [0104] 由于單次重采樣未必能完全避免粒子退化現(xiàn)象,因此k時(shí)刻需對粒子按權(quán)重作多 次重采樣,直到有效粒子數(shù)足夠大或迭代次數(shù)足夠多,具體過程如下:
      [01化]2、進(jìn)化重采樣粒子濾波 陽106] 步驟1 :對初始帖,計(jì)算特征似然Li/,生成粒子找Λ 1/N},令k = 0 ; 陽107] 步驟2對新來帖,據(jù)特征似然Li/,由式(6)求特征權(quán)重gf,令k = k+1 ; 陽108] 步驟3 :由式(7)據(jù)轉(zhuǎn)移概率p化I Xk 1)生成預(yù)測粒子找ιΛ 1/N}; 陽109] 步驟4 :由表1估計(jì)預(yù)測粒子Χ,ι權(quán)重V ιΛ生成新粒子找Λ vj ;
      [0110] 步驟5 :由式(11)估計(jì)有效粒子數(shù)化ff,若化ff或迭代次數(shù)小于指定值,重復(fù)w下 操作: 陽111] (1)由式(13)進(jìn)行復(fù)制,生成N個(gè)新粒子Xk",由表1估計(jì)粒子權(quán)重; 陽11引 似由式(14)(巧)進(jìn)行交義生成N個(gè)新粒子Xk"a,Xki2b,由表1估計(jì)粒子權(quán)重;
      [0113] (3)由式(16)進(jìn)行變異,生成N個(gè)新粒子Xk",由表1估計(jì)粒子權(quán)重;
      [0114] (4)從找k",Xk"a,ΧΓ,Xk"}中據(jù)粒子權(quán)重隨機(jī)選N個(gè),生成有效粒子集;
      [0115] (5)估計(jì)有效粒子數(shù)化ff,增加迭代次數(shù);
      [0116] 步驟6 :對第k帖,估計(jì)特征似然Lf,由式(17)更新特征似然化f ;
      [0117] 步驟7 :在有效粒子集上計(jì)算粒子均值,輸出目標(biāo)狀態(tài),返回步驟2。
      [0118] 在第2部分中,"交叉"與"變異"算子能增加相異粒子的數(shù)量,而"復(fù)制"與"選擇" 算子則可使高權(quán)重粒子得W保存,綜合作用下使得粒子向高似然區(qū)移動,從而有效地克服 了粒子貧化問題。
      [0119] 粒子權(quán)重估計(jì)是影響跟蹤穩(wěn)定性的重要因素,本實(shí)例采用歸一化區(qū)域累計(jì)特征似 然作為粒子權(quán)重的估計(jì),因此特征似然的估計(jì)極為關(guān)鍵。若采用固定的特征似然(如由第 一帖估計(jì)的特征似然),則可能會使算法喪失場景適應(yīng)能力;若采用由當(dāng)前帖估計(jì)的特征 似然,則可能會使算法過度適應(yīng)而造成漂移,因此需要適度更新特征似然。為此,本實(shí)例采 用如式(17)所示具有加權(quán)記憶能力的增量式更新, 陽 120]
      (17) 陽121] 式中,1/為k時(shí)刻由式(5)估計(jì)的當(dāng)前帖特征似然,Li/與Lk/分別為k時(shí)刻與k-1 時(shí)刻特征似然,α為更新率。因目標(biāo)與背景特征的變化速率存在差異,為提高算法適應(yīng)能 力,需采用不同的更新率。
      [0122] W下通過一具體實(shí)驗(yàn)來進(jìn)一步的說明本實(shí)例方案:
      [0123] 參見圖1和2,其所示為跟蹤目標(biāo)時(shí)有效粒子數(shù)的變化及粒子的分布情況。
      [0124] 其中,圖1中下部曲線為采用累積分布重采樣粒子濾波時(shí)有效粒子數(shù)的變化,上 部曲線為采用本文進(jìn)化重采樣粒子濾波時(shí)有效粒子數(shù)的變化,由圖可見,有效粒子數(shù)明顯 提高且很穩(wěn)定,說明采樣效率有效提高。 陽1巧]圖2為目標(biāo)跟蹤第210帖時(shí)粒子在候選目標(biāo)區(qū)內(nèi)的分布情況,有效粒子數(shù)從左至 右分別為62、163、209、236、258,由圖可見,隨著進(jìn)化過程,粒子不斷向高似然區(qū)移動,使采 樣效率不斷提高,因而獲得了更高的狀態(tài)估計(jì)精度。
      [0126] W上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解,本發(fā)明不受上述實(shí)施例的限制,上述實(shí)施例和說明書中描述的只是說明本 發(fā)明的原理,在不脫離本發(fā)明精神和范圍的前提下,本發(fā)明還會有各種變化和改進(jìn),運(yùn)些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其 等效物界定。
      【主權(quán)項(xiàng)】
      1. 一種進(jìn)化重采樣粒子濾波方法,其特征在于,所述方法采用歸一化區(qū)域累計(jì)特征似 然作為粒子權(quán)重估計(jì),并采用具有加權(quán)記憶能力的增量式更新的方法。2. 根據(jù)權(quán)利要求1所述的一種進(jìn)化重采樣粒子濾波方法,其特征在于,該方法對粒子 進(jìn)行進(jìn)化重采樣包括如下操作: (1)復(fù)制:完全保留前一時(shí)刻N(yùn)個(gè)粒子,生成新粒子Xk",操作如下式所示:似交叉:從前一時(shí)刻N(yùn)個(gè)粒子中隨機(jī)選出N個(gè)Xi/與X ki,選中概率分別為P化權(quán)1)與 I-P化I XkO,生成新粒子Xk"a,Xk"b,操作如式下所示:式中y為服從均勻分布u(〇,l)的隨機(jī)變量; (3) 變異:對前一時(shí)刻N(yùn)個(gè)粒子施加隨機(jī)擾動,生成新粒子Xk",操作如下式所示, X; ' 二義I + \ 式中V為服從標(biāo)準(zhǔn)正態(tài)分布N(0,1)的隨機(jī)變量,A為給定常數(shù),直接控制隨機(jī)擾動 幅度; (4) 選擇:從經(jīng)(1)似(3)處理后生成的3N個(gè)粒子找k",Xk"a,Xi/zb,Xk"}中根據(jù)粒子 權(quán)重隨機(jī)選出N個(gè),生成用于狀態(tài)估計(jì)的有效粒子集。3. -種視覺目標(biāo)跟蹤方法,其特征在于,所述方法執(zhí)行跟蹤時(shí),目標(biāo)候選狀態(tài)對應(yīng)每個(gè) 粒子,觀測似然為候選目標(biāo)區(qū)域累計(jì)加權(quán)特征似然,為候選目標(biāo)區(qū)域內(nèi)所有像素的特征似 然的加權(quán)和,其包括如下步驟: 1) 估計(jì)粒子權(quán)重 步驟(11):對捜索區(qū)內(nèi)所有候選目標(biāo)區(qū)域i,計(jì)算區(qū)域累計(jì)加權(quán)特征似然Si = Xwf ? Lf ; 其中,特征權(quán)重W由下式求得,Wf為W的分量,若SKO,令Si = 0。步驟(。):歸一化Si,使l〉Si〉0, XSi = 1,令Si為粒子權(quán)重Vi ; 2) 進(jìn)化重采樣粒子濾波 步驟(21):對初始帖,計(jì)算特征似然Li/,生成粒子{Xk\ 1/N},令k = 0 ; 步驟倘):對新來帖,據(jù)特征似然Li/,由下式求特征權(quán)重wf,令k = k+1 ;I. 步驟(23):由下式據(jù)轉(zhuǎn)移概率P OCkI Xki)生成預(yù)測粒子找ki,l/N}; Xk=Xki+Sk; 式中,Xk與Xk汾別為目標(biāo)在k時(shí)刻與k-1時(shí)刻的位置,5 k為服從概率分布P的隨機(jī) 噪聲,進(jìn)而可知,目標(biāo)的狀態(tài)轉(zhuǎn)移概率為P OCk I Xk 1) = P ; 步驟(24):由I)來估計(jì)預(yù)測粒子Xi/權(quán)重V k\生成新粒子找; 步驟(25):由下式估計(jì)有效粒子數(shù)化ff,若化ff或迭代次數(shù)小于指定值,重復(fù)W下操作對粒子進(jìn)行進(jìn)化重采樣: (a)進(jìn)行復(fù)制,生成N個(gè)新粒子Xk",由1)來估計(jì)粒子權(quán)重; 化)進(jìn)行交義生成N個(gè)新粒子Xki% Xk"b,并由1)來估計(jì)粒子權(quán)重; (C)由進(jìn)行變異,生成N個(gè)新粒子Xk",并由1)來估計(jì)粒子權(quán)重; (d) 從找kll,Xkl2a,Xkl2b,Xkl3}中據(jù)粒子權(quán)重隨機(jī)選N個(gè),生成有效粒子集; (e) 估計(jì)有效粒子數(shù)化ff,增加迭代次數(shù); 步驟(26):對第k帖,估計(jì)特征似然!/,由下式更新特征似然Lkf;式中,1/為k時(shí)刻估計(jì)的當(dāng)前帖特征似然,L ,f與L k if分別為k時(shí)刻與k-1時(shí)刻特征似 然,a為更新率; 步驟(27):在有效粒子集上計(jì)算粒子均值,輸出目標(biāo)狀態(tài),返回步驟(22)。
      【文檔編號】G06T7/20GK105989609SQ201510041640
      【公開日】2016年10月5日
      【申請日】2015年1月27日
      【發(fā)明人】時(shí)文東, 蔡亞平, 安英海, 錢二剛, 杜書天
      【申請人】國網(wǎng)吉林省電力有限公司延邊供電公司, 上海申瑞電網(wǎng)控制系統(tǒng)有限公司
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1