基于复杂动态场景的卡尔曼粒子滤波跟踪方法

摘要

本发明提出一种基于复杂动态场景的卡尔曼粒子滤波跟踪方法。该方法通过灰度投影算法快速实现图像粗配准，消除背景运动过快的影响，然后将标准粒子滤波和卡尔曼滤波得到的粒子权重进行比较，得到有效的粒子来进行预测跟踪，最后可以有效实现复杂动态场景中运动目标的稳健跟踪。

主权项

基于复杂动态场景的卡尔曼粒子滤波跟踪方法，其特征在于，包括以下步骤：步骤一：在第1帧图像中，手动选取目标区域G1，将目标区域G1等效为目标，将目标区域G1的中心位置设为目标的初始状态x₀；根据目标区域G1的颜色分布，计算目标的颜色直方图p；然后在目标区域G1内随机选取数量为N的粒子，粒子初始权值均为1/N；步骤二：在处理第k帧图像时，k>=2，计算第k帧图像和第k‑1帧图像的相位偏移对第k帧图像进行图像补偿；然后使用时间序列模型对粒子的状态进行传播，使用第k‑1帧图像中粒子的状态获得第k帧图像粒子状态步骤三：根据步骤二中得到的第k帧图像上的粒子状态以每个粒子为中心选取与目标区域G1大小相同的区域P1，计算区域P1内的颜色直方图q；然后计算区域P1颜色直方图平q与目标区域G1颜色直方图p的巴氏距离d(y)；根据巴氏距离计算每个粒子的权重使用归一化权重计算第k帧图像中目标的位置信息z_k；步骤四：使用目标在第k帧图像的位置信息z_k和第k‑1帧图像中的位置信息z_k‑1计算目标的相对位移然后根据帧频计算目标在第k帧图像中的运动速度将第k帧图像得到的位置信息z_k、第k‑1帧图像中的位置信息z_k‑1和在第k帧图像中的运动速度代入卡尔曼公式计算获得目标的状态值及协方差P_k；状态值即为目标在第k帧图像中的位置信息；步骤五：以目标状态值为中心选取与目标区域G1大小相同的区域G2，随机采样数量为N的粒子，然后计算粒子的颜色直方图与目标的颜色直方图的巴氏距离进一步计算粒子的权重并归一化得到步骤六：将步骤三获得的归一化粒子权重和步骤五得到的归一化粒子权重大小进行比较，选取值大的作为第k帧图像中目标的有效粒子；步骤七：对步骤六中求得的N个粒子进行重采样，粒子的权重设为1/N，作为下一帧的初始粒子，然后转至步骤二重复计算，直到视频全部处理完成。