一种视频序列图像中的运动目标跟踪方法技术

本发明专利技术公开一种视频序列图像中的运动目标跟踪方法，属于图像处理技术领域，针对现有技术Kalman滤波跟踪成功率较差，粒子滤波实时性方面的不足，对粒子滤波算法的实时性进行研究，根据运动目标图像与颜色模板进行特征匹配，采用结合前景目标检测改进粒子滤波跟踪，改进基于前景检测的粒子滤波算法，引入了交叉遮挡判断，建立状态转移方程，完成运动目标跟踪，保证了粒子的可靠性和多样性，很好的描述目标的运动状态，在减少计算量的同时也提高了算法的实时性，在交叉时停止重采样，使得在目标周围的粒子不会受到干扰。

【技术实现步骤摘要】
一种视频序列图像中的运动目标跟踪方法
本专利技术涉及计算机图像处理技术，具体涉及对运动目标的跟踪。
技术介绍
随着科技进步和社会发展，智能视频监控技术已经在工农业生产、国防建设、商业、交通以及家庭安防等领域得到了广泛的应用，作为传输与存储的载体。智能视频监控序列图像中的运动目标的视觉分析主要是对含有运动目标的视频序列进行分析，包含运动目标检测、运动目标跟踪以及行为分析与判断三个过程。检测与跟踪的难点在于图像是从三维空间到二维平面的投影，本身存在信息损失，而且运动目标并不是一个确定不变的信号，它在跟踪的过程中会发生旋转、放缩、位移等多种复杂的变化，同时背景图像的嘈杂、目标自身的频繁出现和消失、目标之间具有相似的外表、多目标的相互遮挡以及光照的突然变化等。这些是视频目标跟踪中经常遇到的难点，也是学者一直努力研究的热点。目前对视频序列图像中运动目标跟踪的研究方法有很多种，比较有效的方法是Kalman滤波和粒子滤波跟踪算法。Kalman滤波理论是Kalman在1960年提出的一个滤波理论，该理论突破了经典的Wiener滤波理论所表现出来的局限性，将处理的信息当作状态分量，通过把状态模型引入最优滤波理论，用状态方程描述系统的动态模型，利用观测方程来提供系统的状态测量信息，利用Hilbert空间中的映射理论解决最优状态估计问题，Kalman滤波理论对具有高斯分布噪声的线性特征系统可以得到系统状态的递归最小均方估计，可以用来处理服从高斯分布的运动情况。基于视频序列图像重要性采样的蒙特卡洛方法早在20世纪50年代就被学者提出来应用于统计学里面，粒子滤波是一种基于蒙特卡洛方法和递推贝叶斯估计的统计滤波方法，算法的基本思想是根据系统状态向量的经验条件分布在状态空间利用一群带权重的随机样本，及样本粒子来表示系统的随机后验概率分布，根据测量不断调整粒子的权重和位置，通过调整后的粒子信息修正最初的经验条件分布。其实质使用由粒子及其权重组成的离散随机测度近似相关的概率分布，并且根据算法递推更新离散随机测度。当样本容量很大时，这种蒙特卡洛描述就近似于状态变量真实的后验概率密度函数。该技术适用于任何能用状态空间模型表示的非高斯背景的非线性随机系统，是一种很有效的非线性滤波技术，已经开始广泛的应用于金融数据分析，运动目标跟踪，计算机视觉等领域。对于运动目标的跟踪，现有技术通常采用如下技术方案实施。(1)Kalman滤波Kalman滤波的前提是系统为线性，噪声呈高斯分布，后验概率也是高斯型的。该算法是通过反馈来进行估计，首先滤波器要做出一个反应，然后接收一个带有噪声的反馈值。所以，Kalman滤波算法主要分为两个主要阶段，一个为时间更新(预测)，另一个为量测更新(修正)，整个算法的进程为这两个过程的不断迭代，预测即为通过当前状态信息对下一个可能状态进行估计，修正是对反馈的结果做处理，通过对观测值和先验估计进行合并得到后验估计。假设前一时刻k-1的后验概率分布p(xk-1|zk-1)是高斯型的，则动态系统可以表示为：其中，Xk-1为k-1时刻的状态矢量，Φk,k-1为k-1到k时刻的一步状态转移矩阵，Bk-1是k-1时刻系统控制的作用矩阵，Uk-1是k-1时刻系统的确定性输入，Wk-1是k-1时刻的系统噪声矢量且为高斯型，其协方差为Qk，Γk-1为系统噪声作用矩阵，Yk是k时刻的状态观测向量，Hk是k时刻的观测矩阵，Vk是k时刻的观测噪声，其协方差为Rk。Kalman滤波方法要求Wk和Vk是互不相关的零均值白噪声序列。(2)粒子滤波基于蒙特卡洛方法(MonteCarlomethods)的粒子滤波(ParticleFilter)算法利用粒子集来表示概率，可用于任何形式的状态空间模型。粒子滤波算法为顺序重要性采样算法(SequentialImportanceSampling)，该算法的基本思想是在系统状态空间内生成大量的随机采样的样本集合(称之为样本粒子)，当采样粒子的数量达到一定程度，这时蒙特卡罗方法就可以近似的描述系统的后验概率密度分布。1)贝叶斯估计理论为了描述动态系统的状态估计问题，建立公式(2)所示状态空间方程，其中xt为运动方程，yt为观测方程。在系统状态空间中假设p(x0)作为预知的初始概率密度，则系统的条件概率密度函数p(xt|y1:t-1)作为预测方程如式(3)所示，式(4)为贝叶斯估计理论的更新方程。p(xt|y1:t-1)＝∫p(xt|xt-1)p(xt-1|y1:t-1)dxt-1(3)2)蒙特卡罗方法蒙特卡罗方法作为粒子滤波算法的基础，其基本过程是从系统的后验概率p(x0:t|y1:t)中对样本进行采样，通过式(5)则可以近似的得到系统的后验概率密度分布。对于任何关于g(x0:t)的期望E[g(x0:t)]可以通过式(6)来逼近。3)重要性采样通常情况下从系统的后验概率密度分布p(x0:t|y1:t)中进行粒子采样并不简单。所以为了对粒子进行有效的采样，一般是在采样的过程中引入能够简单有效进行采样的概率密度分布对初始的粒子进行采样，如式(7)所示。从q(x0:t|y1:t)采样得到粒子样本期望可近似表示为公式(8)。其中为归一化重要性权值。4)序列重要性采样引入序列重要性采样的目的是为了解决重新计算整个状态序列的重要性权值时计算量不断增大的问题，序列重要性采样并不关注于系统的观测值，仅对系统进行滤波处理，该方法对粒子的采样并不会改变已采样的粒子状态，则重要性函数可表述为如式(9)所示。假设系统的状态过程符合马尔可夫过程，可以得到(10)和(11)式。带入未归一化的重要性权值ωt(x0:t)可得到式(12)。由已知的重要性函数分布q(xt|x0:t-1,y1:t)，通过式(12)就可以对粒子的重要性权值进行计算。5)粒子匮乏与重采样粒子匮乏是粒子滤波算法中出现的最大问题，因为粒子匮乏现象的出现，在经过一段时间的预测之后，权值较大的粒子数量会骤减，这时如果再依靠这些粒子对系统的后验概率进行描述就会出现效果上的偏差。所以，为了对粒子退化现象得到有效地解决方法，研究者又提出了重采样这种方法，正是该方法的引入使得困惑已久的粒子匮乏问题得到解决。文献(SherrahJ.,RisticB.,ReddingN.J.Particlefiltertotrackmultiplepeopleforvisualsurveillance[J].ComputerVision,IET,2011,5(4):192-200.，JingL.,ChongZhaoH.,VadakkepatP.,Processnoiseidentificationbasedparticlefilter:anefficientmethodtotrackhighlymanoeuvringtargets[J].SignalProcessing,IET,2011,5(6):538-546.)公开粒子滤波的重采样算法是对粒子的权值进行统计，然后对系统的概率密度进行重采样，为了能够实现对系统的有效描述，重采样算法所采用的方法是对权值较小的粒子进行忽略，增加权值较大且能够有效描述系统状态的粒子数量。Kalman滤波很好的解决了线性、高斯系统的状态估计问题，然而Kalman滤波本文档来自技高网...

【技术保护点】
一种视频序列图像中的运动目标跟踪方法，其特征在于，获取运动目标图像帧，对目标图像每帧中出现的目标与颜色模板进行特征匹配，根据粒子集的HSV颜色空间直方图和观测目标HSV颜色空间直方图由Bhattacharyya系数确定跟踪目标与样本的相似度，根据相似度判断两个离散颜色直方图是否为同一目标，建立运动目标的观测概率分布：建立粒子的运动模型的状态转移方程：Xk+1＝Xk+Gk，其中，Xk为样本在空间中的位置坐标向量，Gk为随机扰动噪声；求解状态转移方程，完成运动目标跟踪。

【技术特征摘要】
1.一种视频序列图像中的运动目标跟踪方法，其特征在于，获取运动目标图像帧，对目标图像每帧中出现的目标与颜色模板进行特征匹配，根据粒子集的HSV颜色空间直方图和观测目标的HSV颜色空间直方图由Bhattacharyya系数确定跟踪目标与样本的相似度，根据相似度判断两个离散颜色直方图是否为同一目标，建立运动目标的观测概率分布：建立粒子的运动模型的状态转移方程：Xk+1＝Xk+Gk，结合HSV颜色特征，Bhattacharyya距离以及状态转移方程建立随机运动模型作为粒子的运动模型，其中，Xk为样本在空间中的位置坐标向量，Gk为随机扰动噪声，d为Bhattacharyya距离，σ表示HSV颜色空间下的样本颜色方差；求解状态转移方程，完成运动目标跟踪；根据公式：计算跟踪目标与样本两个离散颜色直方图的相似度，其中pu为粒子的模型，qu为目标模型，m为系统参数；根据公式计算Bhattacharyya距离，当相似度低于系数阈值，Bhattacharyya距离d高于距离阈值时，两个颜色直方图描述的物体为不同目标；采用改进的粒子滤波跟踪算法完成运动目标跟踪，具体包括：消除阴影得到跟踪目标范围，确定跟踪目标范围的HSV颜色模型直方图，通过顺序重要性采样算法采样建立初始样本集；根据状态转移方程对ROI区域内的每个粒子进行状态转移，计算第k个粒子样本的颜色模板值，计算第k个粒子的权值对粒子权值作归一化处理；选取权值最大的粒子表示目标当前的状...

【专利技术属性】
技术研发人员：瞿中，辛宁，文倩云，赵栋梁，乔高元，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85