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

技术编号:14684437 阅读:148 留言:0更新日期:2017-02-22 18:01
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...
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

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1