【技术实现步骤摘要】
本专利技术涉及视频目标跟踪，具体而言，涉及一种基于改进pid搜索算法优化粒子滤波的目标跟踪方法、基于改进pid搜索算法优化粒子滤波的目标跟踪装置、计算机可读存储介质和计算机程序产品。
技术介绍
1、视频目标跟踪是计算机视觉领域热门的研究内容，指根据视频或图像序列的上下文信息从而对目标运动状态进行检测并标定位置的技术。视频目标跟踪算法主要分为基于相关滤波的视频目标跟踪算法和基于深度学习的视频目标跟踪算法。滤波算法是常用的跟踪算法，其中的粒子滤波算法，不要求跟踪目标的运动模型必须为线性且噪声服从高斯分布，在线性和非线性的系统状态估计中都具有更好的表现，应用最为广泛。随着算法不断迭代，粒子退化问题逐渐严重，这将导致运算成本增加，估计精度大幅降低。近年来，群智能优化算法的发展为提高粒子多样性提供了新的思路。通过将粒子看做种群中的个体，通过模拟个体的运动规律使得粒子分布趋于最优。
2、近年来，随着智能优化算法的发展，基于群体智能优化思想成为了粒子滤波发展的一个新方向，通过群智能优化算法对粒子的分布进行迭代寻优，将粒子滤波中的粒子视为群体中的个体，通过模拟某一群体的运动规律使得粒子分布更合理。现有技术方法如下。专利号为cn 110264501a的专利公开了一种基于cnn的自适应粒子滤波视频目标跟踪方法及系统，构建卷积神经网络来学习图像的特征，使用粒子群优化粒子滤波进行特征跟踪。专利号为cn 118115537a的专利公开了一种基于改进量子粒子群优化粒子滤波的目标跟踪方法、系统和介质，在量子粒子群对低权值粒子集合进行迭代优化，在量
技术实现思路
1、本申请的主要目的在于提供一种基于改进pid搜索算法优化粒子滤波的目标跟踪方法、基于改进pid搜索算法优化粒子滤波的目标跟踪装置、计算机可读存储介质和计算机程序产品，以至少解决现有技术中现有的启发式优化算法存在结构负责、更新参数多易陷于局部最优的情况导致目标跟踪的准确性降低的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种基于改进pid搜索算法优化粒子滤波的目标跟踪方法，包括：读取步骤，读取当前视频帧并从所述当前视频帧中选取跟踪目标；初始化步骤，初始化粒子滤波算法和改进pid搜索算法的算法参数进行初始化，并采用混沌映射策略对种群进行初始化操作，生成混沌初始种群，所述算法参数至少包括采样周期、测量噪声方差、过程噪声、最大迭代次数和种群数量，所述改进pid搜索算法为在pid调节的输出调节值上增加零输出条件因子改进得到的pid搜索算法，所述混沌初始种群中的粒子表示所述跟踪目标的所有状态；第一计算步骤，采用所述粒子滤波算法计算所述混沌初始种群中粒子的重要性权值和适应度值，同时采用所述改进pid搜索算法计算pid调节的输出调节值；更新步骤，在满足调节条件的情况下，根据所述输出调节值和所述零输出条件因子更新所述混沌初始种群中所有粒子的位置，所述调节条件为所述零输出条件因子大于零的条件；第二计算步骤，根据重采样条件判断是否需要进入重采样阶段，在不需要进入所述重采样阶段的情况下，基于所述重要性权值计算状态估计值和方差估计值，所述重采样条件为有效粒子的数量大于或等于有效粒子数下限值，所述重采样阶段为对所述粒子进行重新采样的阶段，所述有效粒子为所述适应度值大于设定适应度值的粒子；跟踪步骤，根据所述状态估计值和所述方差估计值估计所述跟踪目标的目标状态以对所述跟踪目标进行实时跟踪，所述目标状态至少包括所述跟踪目标的位置信息和速度信息。
3、可选地，采用混沌映射策略对种群进行初始化操作，生成混沌初始种群，包括：确定所述混沌映射策略，所述混沌映射策略至少为以下之一：logistic混沌映射策略、circle混沌映射策略、sing混沌映射策略和singer混沌映射策略；根据所述混沌映射策略对所述种群进行所述初始化操作，生成所述混沌初始种群的粒子位置，所述粒子位置的表达式为xij＝li(uj-lj)+lj，xij为所述混沌初始化种群中的粒子i在维度j上的当前位置，uj为决策变量在所述维度j的上界，lj为所述决策变量在所述维度j的下界，li为经过所述混沌映射策略映射后的种群，i＝1，2，…，n，n表示所述粒子的总数量，j＝1，2，…，d，d表示所述决策变量的总数，所述决策变量为粒子滤波算法和改进pid搜索算法中需进行优化的参数，所述种群的表达式为xij＝(uj-lj)·r1+lj，r1为从0到1的随机数；确定所述跟踪目标的目标状态转移模型，所述目标状态转移模型的表达式为sxk表示所述跟踪目标k时刻在x轴位置信息，syk表示所述跟踪目标k时刻在y轴上的信息，表示所述跟踪目标在k时刻x轴速度信息，表示所述跟踪目标k时刻在y轴速度信息，t为所述采样周期；根据所述状态转移模型生成所述种群的粒子状态集；基于重要性密度函数对所述粒子状态集进行采样，形成初始时刻的所述混沌初始种群，所述重要性密度函数为zk表示在k时刻所有所述粒子的量测值。
4、可选地，采用所述粒子滤波算法计算所述混沌初始种群中粒子的重要性权值和适应度值，包括：根据权值计算公式计算每个所述粒子的重要性权值，所述权值计算公式为表示在k时刻第i个粒子的所述重要性权值，表示在k-1时刻第i个粒子的所述重要性权值，rk表示所述测量噪声方差，zk表示k时刻采样粒子的量测值，为后验概率密度，表示预测的量测值；根据适应度公式计算每个所述粒子的适应度值，所述适应度公式为表示在k时刻第i个粒子的所述适应度值，φ为自适应参数，表示有效粒子的预测位置。
5、可选地，采用所述改进pid搜索算法计算pid调节的输出调节值，包括：根据第一公式计算当前系统偏差，所述第一公式为ek(t)＝xb(t-1)-x(t-1)，ek(t)表示所述当前系统偏差，xb表示种群历史最优值个体，x表示当前迭代过程中个体的位置；根据第二公式计算pid调节的输出调节值，所述第二公式为δu(t)＝kp·r2[ek(t)-ek-1(t)]+ki·r3·ek(t)+kd·r4·[ek(t)-2ek-1(t)+ek-2(t)]，其中，r2、r3、r4均为矩阵rand(n，1)中的随机数，kp为pid调节过程中的比例因子的系数，ki为所述pid调节过程中的积分因子的系数，kd为pid调节过程中的微分因子的系数，δu(t)本文档来自技高网...
【技术保护点】
1.一种基于改进PID搜索算法优化粒子滤波的目标跟踪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用混沌映射策略对种群进行初始化操作，生成混沌初始种群，包括：
3.根据权利要求1所述的方法，其特征在于，采用所述粒子滤波算法计算所述混沌初始种群中粒子的重要性权值和适应度值，包括：
4.根据权利要求1所述的方法，其特征在于，采用所述改进PID搜索算法计算PID调节的输出调节值，包括：
5.根据权利要求1所述的方法，其特征在于，在满足调节条件的情况下，根据所述输出调节值和所述零输出条件因子更新所述混沌初始种群中所有粒子的位置，包括：
6.根据权利要求1所述的方法，其特征在于，在满足调节条件的情况下，根据所述输出调节值更新所述混沌初始种群中所有粒子的位置之后，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，在基于所述重要性权值计算状态估计值和方差估计值之后，所述方法还包括：
8.一种基于改进PID搜索算法优化粒子滤波的目标跟踪装置，其特征在于，所述装置包括：
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。