基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法

摘要

本发明公开了一种基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法，它包括：步骤1、粒子进行初始化和赋权值；步骤2、粒子状态转移预测；步骤3、构建粒子颜色模型似然函数；步骤4、构建粒子的预测向量簇模型似然函数；步骤5、颜色模型与预测向量簇模型融合与粒子加权更新；步骤6、计算可靠性因子与更新颜色模型与预测向量簇模型权值；步骤7、计算当前帧最后状态；步骤8、重采样粒子。本发明的优点是：能更好地覆盖运动目标，提高了算法的准确性，且能够处理目标发生转动，或者目标被其他物体干扰、遮挡情况下的目标跟踪，提高了算法的鲁棒性。

主权项

基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法，其特征是，包括以下步骤：步骤1、粒子进行初始化和赋权值在初始图像中采用手动选取目标初始位置，并采样N个粒子作为初始粒子集，每个粒子初始权重为1/N，将颜色模型与预测向量簇模型的初始信息权值均设置为0.5；步骤2、粒子状态转移预测基于粒子滤波理论，利用粒子状态转移和当前时刻的观测值构造建议性分布，根据构造的建议性分布进行粒子系统的转移与预测；步骤3、构建粒子颜色模型似然函数利用核函数构造目标区域内的颜色概率分布，核函数给远离目标中心的像素分配很小的加权，再利用Bhattacharryya相似度系数衡量候选目标区域与目标模板区域的相似度程度，根据相似度系数建立颜色模型似然函数，由颜色模型似然函数计算每个粒子的颜色似然。步骤4、构建粒子的预测向量簇模型似然函数本时刻所有粒子和它们下一时刻预测的粒子构成一簇向量，向量包含方向与长度两个信息，而长度除以粒子转移的时间近似为速度；利用核函数构造预测向量簇方向模型似然函数和预测向量簇速度模型似然函数，用预测向量簇的方向和速度两个模型似然函数构建预测向量簇模型似然函数，计算每个粒子的方向、速度似然。步骤5、颜色模型与预测向量簇模型信息融合与粒子加权更新将颜色模型似然函数与预测向量簇模型似然函数利用信息融合的方法进行加权融合得到融合之后的似然函数，根据融合后的似然函数对粒子进行加权，似然度高的粒子分配较大的权值，似然度低的粒子分配较小的权值；步骤6、计算可靠性因子与更新颜色模型与预测向量簇模型权值计算根据颜色模型似然函数的估计结果与融合后的似然函数的估计结果之间的欧几里得距离；计算根据预测向量簇模型似然函数的估计结果与融合后的似然函数之后的估计结果之间的欧几里得距离；分别计算颜色模型与预测向量簇模型的可靠性因子，根据可靠性因子重新分配颜色模型与预测向量簇模型的权值；步骤7、计算当前帧最后状态根据当前时刻粒子状态和每个粒子的权值，将所有粒子加权融合，得到本时刻最后的状态估计，确定当前帧目标位置，完成运动目标跟踪；步骤8、重采样粒子粒子重采样，删除权值较小的粒子，复制权值较大的粒子，组成当前时刻粒子集，再返回步骤2。