基于黎曼流型度量的鱼群算法的目标跟踪方法

摘要

本发明公开了一种在黎曼流型度量上的人工鱼群算法的视觉跟踪方法。本发明首先采用融合了目标的位置、颜色、梯度等特征区域协方差算子作为目标的表观模型，提高了它对姿态变化以及亮度变化的适应性。然后在黎曼流型上进行目标相似度的度量，最后利用人工鱼群算法搜寻指定目标与候选目标之间相似度最优的匹配。本发明的并行运算机制提高了跟踪算法的效率，其全局搜索的能力则提高了算法对遮挡问题的鲁棒性，实验结果证明了本发明方法在复杂背景情况下目标跟踪的鲁棒性。

主权项

一种基于鱼群优化黎曼流型度量的鱼群算法的目标跟踪方法，其特征在于，该方法包括以下步骤：步骤1，输入一彩色图像序列，指定图像序列中第一帧图像的一大小为M×N的区域为待跟踪的目标区域R，计算该指定的目标区域R的协方差矩阵C_cR；步骤2，对于所述彩色图像序列中的第二帧图像，随机构造n个候选目标区域R′，并分别计算该n个候选目标区域的协方差矩阵C_R；步骤3，计算步骤2得到的n个协方差矩阵C_R分别与所述目标区域R的协方差矩阵C_cR之间的黎曼距离，C_R与C_cR之间的黎曼距离表示为：$d(C_R,C_{\mathrm{cR}})=\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{\ln }^2{\lambda }_i(C_R,C_{\mathrm{cR}})},$其中，λ_i(C_R,C_cR)(i＝1,…,n)为d(C_R,C_cR)的广义特征值，其满足下式：det(λC_R‑C_cR)＝0，其中，λ为λ_i(C_R,C_cR)(i＝1,…,n)的集合，$\lambda C_R-C_{\mathrm{cR}}=\sqrt{C_R}(\mathrm{\lambda E}-\sqrt{{C_R}^{-1}}{C}_{\mathrm{cR}}\sqrt{{C_R}^{-1}})\sqrt{C_R},$E为单位矩阵，正定的实对称阵的特征值是正实数，通过求解矩阵的特征值就可得到λ_i(C_R,C_cR)；d(C_R,C_cR)的定义满足：非负性：d(C_R,C_cR)≥0，当且仅当C_R＝C_cR时等号成立；对称性：d(C_R,C_cR)＝d(C_cR,C_R)；三角不等式：d(C_R,C)≤d(C_R,C_cR)+d(C_cR,C)；步骤4，将步骤3得到的黎曼距离作为目标函数，通过人工鱼群算法搜寻第二帧图像n个候选目标区域中与第一帧图像中指定的目标区域相似度最大的那个目标区域作为最优的候选目标区域，即该帧图像中最终跟踪到的目标区域；步骤5，重复上述步骤2‑4，获得并输出彩色图像序列的每幅图像中最终跟踪到的目标区域，从而对所述彩色图像序列中的目标进行跟踪；所述步骤4进一步包括以下几个步骤：步骤4.1，鱼群初始化，令人工鱼代表当前待处理图像中候选目标区域的中心像素点，根据步骤2随机生成的n个候选目标区域，得到对应于当前待处理图像的n条人工鱼，令人工鱼的状态向量X_i(i＝1,2,…n)代表当前待处理图像中n个候选目标区域的中心像素点的坐标；步骤4.2，为公告板赋初值，计算初始鱼群中各人工鱼当前状态的食物浓度，即目标函数f(X)，将其中的最小值记入公告板，并将此鱼所在的位置也赋值给公告板；步骤4.3，执行行为选择，对各人工鱼分别模拟聚群行为和追尾行为，评价行为后的目标函数值，选择目标函数值较小的那个行为实际执行；步骤4.4，公告板更新，执行之后，如果鱼群中存在小于公告板上的值的目标函数值，则更新公告板上的目标函数值以及人工鱼的位置；步骤4.5，终止条件判断，判断是否已达到预置的最大迭代次数，若满足，则算法终止，输出最优值，即公告板上的目标函数值，对应所述最优值的人工鱼所在的位置即为最优的候选目标区域的中心像素点；否则继续进行迭代；其中，人工鱼的所述聚群行为描述为：设人工鱼当前状态为X_i，搜索当前视野范围内的伙伴中心位置X_c和伙伴数量n_f，如果中心位置的食物浓度Y_c优于当前状态的食物浓度Y_i，且不太拥挤，则向中心位置前进一步：$X_{\mathrm{inext}}=X_i+\mathrm{Rand}\left(\right)*\mathrm{step}*\frac{X_c-X_i}{\left|\right|X_c-X_i\left|\right|},$否则，执行觅食行为；其中，d_i,j<视野范围<Visual，d_i,j为两人工鱼个体i、j之间的距离，Visual为人工鱼的感知距离，X_inext为X_i的下一状态，Rand()为0‑1之间的随机数，step表示人工鱼移动的最大步长，||.||为两状态之间的距离；所述两人工鱼个体之间的距离为不受量纲影响的马氏距离：d_ij＝(X_i‑X_j)'S^‑1(X_i‑X_j)，其中，X_i‑X_j表示两点之间的矢量差，S为X_i和X_j中所有数据的方差。