一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法

摘要

本发明属于信号处理领域，具体涉及用于快速跟踪外观变化的移动目标的基于高斯改进型粒子群粒子滤波的移动目标追踪方法。本发明包括：首先在视频第一帧中选取目标，初始化特征基；跟踪过程采集下一帧图像，获得跟踪目标的特征基；通过高斯改进型粒子群粒子滤波器滤波，存储对应于概率最大的粒子的图像窗口；当达到采集的图像达到要求的数目，进行观测值特征基的更新。本发明主要针对移动机器人快速跟踪外观变化的移动目标，提出一种能够提高复杂环境下快速跟踪移动目标的方法。本发明利用低维特征基空间表示描述跟踪的物体，采用高斯改进粒子群粒子滤波器进行跟踪目标位置的跟踪，从而提高了跟踪移动目标的速度。

主权项

一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法，其特征在于，包括如下步骤：(1)首先在视频第一帧中选取目标，初始化特征基；(2)跟踪过程采集下一帧图像，获得跟踪目标的特征基；(3)通过高斯改进型粒子群粒子滤波器滤波，存储对应于概率最大的粒子的图像窗口；(3.1)初始化粒子群飞行速度，设置学习因子，初始化粒子滤波器，首先由p(x₀)抽取样本其中N为采样粒子数；(3.2)使用状态转移方程f_n(·)将样本在时间上向前传播，即${\tilde{x}}_n^{\left(i\right)}=f_n\left({\tilde{x}}_{n-1}^{\left(i\right)}\right)+v_n,$其中v_n为噪声项，x_n表示在t_n时刻的状态变量；(3.3)计算和即${\bar{\mu }}_n=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\tilde{x}}_n^{\left(i\right)}$${\bar{\Sigma }}_n=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\tilde{x}}_n^{\left(i\right)}{{\tilde{x}}_n^{\left(i\right)}}^T-{\bar{\mu }}_n{\bar{\mu }}_n^T$(3.4)计算重要性权值${\tilde{\omega }}_n^{\left(i\right)}=p\left(z_n\right|x_n=x_n^{\left(i\right)})$(3.5)将样本粒子的权值进行归一化，得$w_n^{\left(i\right)}=\frac{{\tilde{w}}_n^{\left(i\right)}}{\underset{i=1}{\overset{N}{\Sigma }}{\tilde{w}}_n^{\left(i\right)}}$其中为归一化前的权值，为归一化后的权值，(3.6)求取对应最大的权值的粒子作为粒子群初始全局最优的粒子；(3.7)将粒子的权重作为粒子群的适应值；(3.8)根据粒子群算法利用下式来更新每个粒子的速度和位置：$x_{\mathrm{ij}}^{n+1}=n_{\mathrm{ij}}^n+v_{\mathrm{ij}}^{n+1}$其中C₁C₂为常数，rand()为随机数；为第i粒子在第j维的飞行速度，即粒子在一次迭代中移动的距离；为第i个粒子在第j维位置；p_ij为当前粒子最优位置，p_gj为全局最优位置；(3.9)再一次计算各个样本的权值，${\tilde{\omega }}_n^{\left(i\right)}=p\left(z_n\right|x_n=x_n^{\left(i\right)});$(3.10)将各样本粒子的权值归一化，$w_n^{\left(i\right)}=\frac{{\tilde{w}}_n^{\left(i\right)}}{\underset{i=1}{\overset{N}{\Sigma }}{\tilde{w}}_n^{\left(i\right)}};$(3.11)求取最大权值对应的粒子，如果粒子的权值小于设置的阈值，并且在设置的次数内跳转到步骤(3.6)；(3.12)输出对应最大权值的粒子；(4)当达到采集的图像达到要求的数目，进行观测值特征基的更新。