一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法技术

一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法,首先采用各向异性微分算法对待处理图像进行背景预测，并将预测的背景图与原图做差分处理，获取差分图，以自动捕获跟踪目标及提高后续目标跟踪效率；然后以上述捕获的目标为中心在其邻域内进行随机采样，获取粒子集，同时计算相应的粒子权值并归一化权值；其次根据粒子权值估算有效粒子数，若有效粒子数小于阈值，则进入免疫遗传粒子集优化过程，若有效粒子数大于阈值，则直接进入自适应重采样过程；最后对粒子状态进行最优估计，输出跟踪结果，并进行下一时刻的循环，直至结束。本发明专利技术有效增加粒子的多样性，尤其是在目标受背景干扰时，减少了样本缺失的现象，同时自适应修改每次迭代所需的粒子数，在保证跟踪精度的同时提高了运算效率。

【技术实现步骤摘要】

本专利技术涉及一种弱小目标跟踪方法，特点是样本自适应的免疫遗传粒子滤波弱小目标跟踪方法，用于图像处理、计算机视觉和目标跟踪定位。属于光电捕获跟踪系统中目标跟踪

技术介绍
弱小目标的跟踪是光电捕获跟踪系统中的核心技术之一，其利用图像处理算法对于复杂场景下跟踪目标，算法的性能对光电捕获跟踪系统的稳健性和鲁棒性十分关键。由于远距离下的目标成像面积小，特别是在非平稳的起伏背景干扰下，目标易受背景干扰和背景杂波淹没，缺乏有效的结构、形状和纹理等信息，致使难以正确跟踪目标，成为当前亟待解决的问题。目前，常用的目标跟踪算法有MeanShift算法、卡尔曼滤波、粒子滤波等。MeanShift计算量相对较小，实时性高，但对于目标较小且运动较快时，易出现跟踪丢失。对于高斯噪声的线性系统时，卡尔曼滤波取得较好的跟踪效果。而对于非线性系统后来又提出了扩展卡尔曼滤波和无味卡尔曼滤波，扩展卡尔曼滤波仅适用于滤波误差和预测误差较小的情况下，否则会导致跟踪不稳定甚至发散，而无味卡尔曼虽能跟好地逼近状态方程的非线性特征，比扩展卡尔曼滤波获得更好的估计精度，但其不适应非高斯分布系统。针对更为复杂的非线性非高斯环境，粒子滤波具有明显的优势，但由于目标在成像系统上仅占几个像元且能量弱，同时又受系统噪声和背景杂波干扰，当前面临的是一个低信噪比弱小目标跟踪的问题，采用标准粒子滤波跟踪此类目标往往导致粒子退化，极大降低跟踪的准确度，同时在每次迭代中采样固定的粒子数进行重要性采样，存在计算量大、实时性差的问题。因此需要研究新的方法以适应跟踪与定位的工程应用需求。
技术实现思路
本专利技术要解决的技术问题为：针对现有技术的不足，提供一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法，该方法在目标被云层或地物遮挡和噪声干扰时，由于加入免疫遗传优化算法，有效提高粒子的多样性，确保了跟踪精度，同时采用自适应重采样算法，降低了算法的复杂度和运算量，提高了跟踪效率。本专利技术解决上述技术问题采用的技术方案为：一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法，包括如下步骤：步骤一、背景预测：采用各向异性微分算法对待处理图像进行背景预测，并将预测的背景图与原图做差分处理，获取差分图，自动捕获初始帧的目标，进行跟踪初始化；步骤二、对步骤一中捕获的目标，在其邻域内进行随机采样，获取粒子集{xki,wki本文档来自技高网...

【技术保护点】
一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法，其特征在于：包括如下步骤：步骤一、背景预测：采用各向异性微分算法对待处理图像进行背景预测，并将预测的背景图与原图做差分处理，获取差分图，自动捕获初始帧的目标，进行跟踪初始化；步骤二、对步骤一中捕获的目标，在其邻域内进行随机采样，获取粒子集{xki,wki}，xki为k时刻第i个粒子的状态，wki为k时刻第i个粒子对应的权值，同时计算相应的粒子权值并归一化权值，具体公式如下：(21)计算粒子权值wki＝wk‑1ip(zk|xki)   (2‑1)其中k为时刻数，i为粒子数(i＝1,2,3,…N)，wk‑1i为k‑1时刻第i个粒子对应的权值，wki为k时刻第i个粒子对应的权值，xki为k时刻第i个粒子的状态，zk为k时刻随机变量，p(zk|xki)为每个粒子的似然概率；(22)归一化权值wki=wki/Σi=1Nwki---(2-2)]]>其中wki为k时刻第i个粒子对应的权值，N为粒子数；步骤三、将步骤二中获取的粒子权值用以估算有效粒子数，并判断有效粒子数是否小于预设阈值，计算有效粒子数如下：(31)估算有效粒子数Neff=1/Σi=1Nwki<Threshold---(3-1)]]>其中k为时刻数，i为粒子数(i＝1,2,3,…N)，Threshold代表预设阈值大小，N为粒子数，Neff为有效粒子数；步骤四、若步骤三中计算得到的有效粒子数小于预设阈值，则说明粒子集退化严重，需要加入免疫遗传算法，对粒子集进行优化，保持样本多样性；步骤五、若步骤三中计算得到的有效粒子数大于预设阈值，则说明当前粒子集还能有效表征目标观测状态，直接进入自适应重采样过程；步骤六、输出跟踪结果，并进行下一时刻的循环，直到结束，对步骤四或步骤五获取的粒子集{xki,wki}进行最优估计，计算k时刻目标状态和方差，输出跟踪结果，其中状态估计和方差估计采样如下定义：(61)状态估计X^k=E(Xk)=Σi=1Nxkiwki---(6-1)]]>其中xki为k时刻第i个粒子的状态，wki为k时刻第i个粒子对应的权值，N为粒子数，Xk为k时刻的样本集合，E(Xk)为k时刻样本集合Xk对应的状态估计均值；(62)方差估计Pk=Σi=1Nwki(xki-X^k)(xki-X^k)T---(6-2)]]>其中，k为时刻数，i为粒子数(i＝1,2,3,…N)，xki为k时刻第i个粒子的状态，wki为k时刻第i个粒子对应的权值，N为粒子数，为k时刻样本集合Xk对应的状态估计均值，Pk为k时刻对应的状态方差。...

【技术特征摘要】
1.一种样本自适应的免疫遗传粒子滤波弱小目标跟踪方法，其特征在于：包括如下步骤：步骤一、背景预测：采用各向异性微分算法对待处理图像进行背景预测，并将预测的...

【专利技术属性】
技术研发人员：徐智勇，樊香所，贺先辉，张建林，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：四川;51