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