主权项 |
1.一种基于免疫遗传粒子滤波的智能视频跟踪方法,其特征在于,包括以下步骤:(1)初始化,k=0,在初始帧手动选取参考视觉目标,根据目标状态先验分布p(X<sub>0</sub>)随机采样建立初始粒子集<img file="FSB00000700530400011.GIF" wi="258" he="76" />其中,<img file="FSB00000700530400012.GIF" wi="195" he="106" />同时将初始粒子集<img file="FSB00000700530400013.GIF" wi="232" he="77" />作为初始抗体群;(2)粒子采样,k=1,2,3...,根据随机漂移模型采样得到新的粒子集,即从定义的建议分布p(X<sub>k</sub>|X<sub>k-1</sub>)抽取当前的状态样本,得到粒子集;(3)计算粒子集的权值,即根据视频目标观测概率分布<img file="FSB00000700530400014.GIF" wi="230" he="78" />计算粒子集的权值,其中,<maths num="0001"><![CDATA[<math><mrow><mi>p</mi><mrow><mo>(</mo><msubsup><mi>Z</mi><mi>k</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>|</mo><msubsup><mi>X</mi><mi>k</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><msqrt><mn>2</mn><mi>π</mi></msqrt></mfrac><msup><mi>e</mi><mrow><mo>-</mo><mi>λ</mi><msup><mi>D</mi><mn>2</mn></msup><mrow><mo>(</mo><mi>p</mi><mo>,</mo><mi>q</mi><mo>)</mo></mrow><mo>/</mo><mn>2</mn></mrow></msup><mo>,</mo></mrow></math>]]></maths>其中,λ为控制参数,<maths num="0002"><![CDATA[<math><mrow><mi>D</mi><mrow><mo>(</mo><mi>p</mi><mo>,</mo><mi>q</mi><mo>)</mo></mrow><mo>=</mo><msqrt><mn>1</mn><mo>-</mo><mi>ρ</mi><mo>[</mo><msup><mi>p</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow></msup><mo>,</mo><msup><mi>q</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow></msup><mo>]</mo></msqrt></mrow></math>]]></maths>为Bhattacharyya距离,<maths num="0003"><![CDATA[<math><mrow><mi>ρ</mi><mo>[</mo><msup><mi>p</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow></msup><mo>,</mo><msup><mi>q</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow></msup><mo>]</mo><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>u</mi><mo>=</mo><mn>1</mn></mrow><mi>B</mi></munderover><msqrt><msup><mi>p</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow></msup><msup><mi>q</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow></msup></msqrt></mrow></math>]]></maths>为Bhattacharyya系数,{p<sup>(u)</sup>}<sub>u=1,…,B</sub>,{q<sup>(u)</sup>}<sub>u=1,…,B</sub>分别为目标图像区域颜色分布和参考目标颜色分布;其中,假设将视频目标的颜色分布离散化为B级;(4)输出粒子状态估计,计算k时刻视频目标的MMSE估计<img file="FSB00000700530400018.GIF" wi="523" he="122" />并输出结果,该结果就是跟踪到的视频目标状态;(5)计算有效粒子数,并判断有效粒子数是否小于预先设定的第一阈值,如果小于第一阈值,则进入下一步,即免疫粒子集优化过程;否则,直接进入重采样过程,经过重采样过程后再返回步骤(2),其中,近似有效粒子数<img file="FSB00000700530400019.GIF" wi="374" he="195" />(6)计算粒子集适应度,其中,适应度函数构造成输出粒子状态估计与真实状态之间均方根误差的倒数;(7)更新记忆单元,即用粒子集中权值高的粒子替换记忆单元中权值低的粒子,且替换与加入粒子亲和度最高的原有粒子;(8)利用粒子浓度的选择机制来调节粒子的浓度,即根据抗体的选择概率<maths num="0004"><![CDATA[<math><mrow><msub><mi>p</mi><mi>i</mi></msub><mo>=</mo><mi>α</mi><msub><mi>p</mi><mi>fi</mi></msub><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><msub><mi>p</mi><mi>di</mi></msub><mo>=</mo><mi>α</mi><mfrac><mrow><mi>F</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow><mrow><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mi>F</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><mfrac><mn>1</mn><mi>N</mi></mfrac><msup><mi>e</mi><mrow><mo>-</mo><mfrac><msub><mi>C</mi><mi>i</mi></msub><mi>β</mi></mfrac></mrow></msup></mrow></math>]]></maths>来调节粒子的浓度,实现粒子多样性保持,其中,α和β分别为调节常数,N为抗体总数,即粒子总数,C<sub>i</sub>为抗体浓度,即相似抗体所占比重,<img file="FSB00000700530400022.GIF" wi="737" he="130" />F(·)为抗体适应度函数,p<sub>fi</sub>代表适应度概率;p<sub>di</sub>表示浓度抑制概率;(9)粒子集通过线性交叉运算产生新的粒子,根据交叉概率p<sub>c</sub>随机选择交叉父代x<sub>1</sub>,x<sub>2</sub>,则新产生的子代分别为<maths num="0005"><![CDATA[<math><mrow><mfenced open='{' close=''><mtable><mtr><mtd><msubsup><mi>x</mi><mn>1</mn><mo>′</mo></msubsup><mo>=</mo><mi>r</mi><msub><mi>x</mi><mn>1</mn></msub><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>r</mi><mo>)</mo></mrow><msub><mi>x</mi><mn>2</mn></msub></mtd></mtr><mtr><mtd><msubsup><mi>x</mi><mn>2</mn><mo>′</mo></msubsup><mo>=</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>r</mi><mo>)</mo></mrow><msub><mi>x</mi><mn>1</mn></msub><mo>+</mo><mi>r</mi><msub><mi>x</mi><mn>2</mn></msub></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>]]></maths>其中,r为在[0,1]区间内产生的随机函数;(10)粒子集通过非均匀变异运算产生新的粒子,根据变异概率p<sub>m</sub>随机选择变异父代x,则新产生的子代为<maths num="0006"><![CDATA[<math><mrow><msup><mi>x</mi><mo>′</mo></msup><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mi>x</mi><mo>+</mo><mi>Δ</mi><mo>[</mo><msub><mi>g</mi><mi>c</mi></msub><mo>,</mo><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><mi>x</mi><mo>]</mo><mo>,</mo><mi>sign</mi><mo>=</mo><mn>0</mn></mtd></mtr><mtr><mtd><mi>x</mi><mo>-</mo><mi>Δ</mi><mo>[</mo><msub><mi>g</mi><mi>c</mi></msub><mo>,</mo><mi>x</mi><mo>-</mo><mi>l</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>]</mo><mo>,</mo><mi>sign</mi><mo>=</mo><mn>1</mn></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>]]></maths>其中,<maths num="0007"><![CDATA[<math><mrow><mi>Δ</mi><mrow><mo>(</mo><msub><mi>g</mi><mi>c</mi></msub><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mi>yr</mi><msup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mfrac><msub><mi>g</mi><mi>c</mi></msub><mi>T</mi></mfrac><mo>)</mo></mrow><mi>b</mi></msup></mrow></math>]]></maths>为计算元素改变量的函数,y为x到取值边界的距离,g<sub>c</sub>为当前进化代数,T为最大进化代数,r为形状系数;(11)判断全局误差是否小于预先设定的第二阈值,如果全局误差小于该第二阈值,则进入重采样过程,经过重采样过程再返回到步骤(2);否则,返回步骤(5),重新进入免疫遗传粒子集优化过程。 |