基于回归分析的粒子滤波目标跟踪方法

摘要

本发明公开了一种基于回归分析的粒子滤波目标跟踪方法，主要解决现有技术在粒子滤波中，由于粒子匮乏导致跟踪失败和计算效率低的问题。其实现步骤是：1.在粒子滤波框架下，根据前一时刻回归分析的结果预测目标状态得到候选目标，提取候选目标特征；2.通过计算候选目标特征与模板之间的距离，得到对应粒子的权值；3.根据粒子的权值对粒子进行重采样，然后估计目标状态；4.计算回归分析的预测状态和目标状态的偏差，进一步更新粒子集，实现对目标的可靠跟踪。本发明对目标遮挡问题具有较好的鲁棒性，同时计算效率较高，可用于智能视频监控、机器人导航、道路交通管制等系统。

主权项

一种基于回归分析的粒子滤波目标跟踪方法，包括：(1)初始化步骤：(1a)读入k‑1时刻的图像I_k‑1，根据k‑1时刻的目标状态X_k‑1，初始粒子数为N₀，初始化k‑1时刻的粒子集其中，表示k‑1时刻第i个粒子的状态区间，i为粒子序号，取值为1,2,…,N，N表示粒子总数，k表示时刻；(1b)初始化目标跟踪窗：B_k‑1＝(r_k‑1,c_k‑1)^T，其中r_k‑1和c_k‑1分别表示k‑1时刻目标跟踪窗的长度和宽度值，T表示向量转置运算；(1c)根据目标初始状态与目标跟踪窗B_k‑1，初始化目标的特征模板M；(2)目标状态预测步骤：(2a)读入k时刻的图像I_k，根据前n个时刻的速度，通过最小二乘法预测k‑1时刻的速度并按照该速度对k‑1时刻粒子集进行预测，得到k时刻预测粒子集其中为k时刻第i个粒子的状态预测值；(2b)根据k时刻预测粒子集和目标跟踪窗B_k‑1，确定k时刻候选目标集并求解候选目标集中与候选目标对应的特征集其中为k时刻第i个候选目标，表示以为中心、B_k‑1为长宽所界定出的矩形区域；(3)计算权值集步骤：(3a)求取特征集与特征模板M之间的距离集其中d_i表示第i个候选目标特征V_i与特征模板M之间的距离；(3b)根据距离集计算候选目标的权值集其中ω_i表示第i个候选目标的权值；(4)重采样步骤：(4a)对权值集归一化得到(4b)根据归一化后的权值集利用系统重采样算法对k‑1时刻粒子集进行重采样，得到k时刻的重采样粒子集其中表示k时刻第i个重采样粒子的状态区间；(5)估计目标状态步骤：(5a)根据k时刻的更新粒子集估计k时刻的目标状态X_k；(5b)根据k时刻的目标状态X_k和目标跟踪窗B_k‑1，确定k时刻的目标估计范围T：其中，x和y分别表示的横、纵坐标，m_k和n_k分别表示k时刻目标状态X_k的横坐标和纵坐标，r_k和c_k分别表示k时刻目标跟踪窗的长度和宽度值；(6)判断是否迭代：检查下一时刻的信息是否到达，若没有信息到达，则目标跟踪过程结束，输出估计目标状态；否则，执行步骤(7)；(7)回归分析及预测步骤：(7a)在k时刻的目标状态X_k中，取出目标的位置信息P_k＝[m_k n_k]^T；(7b)根据k‑1时刻的预测速度进一步预测目标在k时刻的位置(7c)计算k时刻目标状态与预测状态之间的偏差：(7d)根据偏差E选取粒子数，同时更新粒子集并令k＝k+1，返回步骤(2)进行迭代。