基于目标特征和贝叶斯滤波的视觉跟踪方法

摘要

本发明公开了基于目标特征和贝叶斯滤波的视觉跟踪方法，该方法包括根据目标实际运动建立系统模型和观测模型，计算目标的颜色、梯度，并构造相似度函数，通过粒子滤波器获得目标当前的观测值，利用卡尔曼滤波对粒子集的状态均值和协方差进行处理，产生新的高斯分布，然后根据产生的高斯分布采样新的粒子集，计算权值和输出，最后重采样粒子集；同时，提出对目标分块检测方法以及相应的遮挡和非遮挡处理算法；完成视觉跟踪过程。相比于同类算法，本发明通过多信息的融合，实现特征间信息的互补，从而目标不易受光照等外界环境因素的影响，利用粒子滤波和卡尔曼滤波相结合，使得整个方法的跟踪精度较高，提高了跟踪的性能，并适应多种的复杂环境。

主权项

1.一种基于目标特征和贝叶斯滤波的视觉跟踪方法，其特征是利用目标的颜色、梯度、小波特征和贝叶斯滤波对视频的目标进行跟踪，包括如下步骤：1)根据目标实际运动建立系统模型x_k＝Ax_k-1+v_k和观测模型y_k＝Hx_k+w_k；A为系统状态转移矩阵；v_k为高斯系统噪声，x_k为k时刻目标状态，H为观测矩阵；w_k为高斯观测噪声，y_k为k时刻目标观测值；2)分别计算目标的颜色特征、梯度特征，并构造相似度函数：计算目标的颜色特征：将目标区域的颜色信息在红绿蓝空间划分为m个等级，使用Epanechikov函数作为概率密度的核函数，假设目标区域的中心为x₀，区域内像素坐标为x_i，i＝1，2，...n_h，n_h为目标区域内像素的总和，δ()为狄拉克函数，b(x_i)为特征向量映射函数，u∈[1，m]，C_q为归一化常数，则目标区域的颜色概率密度可以表示为：计算梯度特征：设I(x，y)表示坐标(x，y)的色度值，将图像通过一个均衡低通的高斯滤波器，分别计算水平和垂直方向上的梯度g_x(x，y)，g_y(x，y)：$g_x(x,y)=I(x+1,y)-I(x-1,y)\forall x,y$$g_y(x,y)=I(x,y+1)-I(x,y-1)\forall x,y$计算I(x，y)的梯度幅度a(x，y)以及方向θ(x，y)：$a(x,y)=\sqrt{g_x{(x,y)}^2+g_y{(x,y)}^2}$θ(x，y)＝tan^-1g_y(x，y)/g_x(x，y)以为单位将梯度空间均匀地划为s个区域，以像素点的方向θ(x，y)作为分量和以梯度幅度a(x，y)作为量化值，构建运动目标的s位梯度直方图，梯度概率密度为：式中，区域半径为h，目标区域的中心为x₀，区域内像素坐标为x_i，i＝1，2，...n_h，n_h为目标区域内像素的总和，δ()为狄拉克函数，b(x_i)为特征向量映射函数，u∈[1，s]构造相似度函数：其中p(u)，q(u)分别表示候选模型概率密度和目标模型概率密度；3)利用粒子滤波器获得当前的目标观测值yk：根据系统模型x_k＝Ax_k-1+v_k得到粒子的时刻k状态，计算时刻k的颜色概率密度、梯度概率密度；采用相似度函数度量实际目标和候选目标的相似程度，同时自适应分配各特征权重系数，计算粒子权值，获得时刻k的观测值y_k；4)判断目标是否遮挡：把目标区域划分为若干个子块，开辟一个大小为l的记忆队列，记忆队列只保存时刻k前面l次正确跟踪的信息，统计出时刻k发生遮挡的子块数目：如果遮挡子块数目≤阈值，认为是部分遮挡，进行步骤5)；如果遮挡子块数目＞阈值，则目标受到遮挡，进入步骤6)；5)对于时刻k，根据时刻k-1的目标状态和当前目标观测值yk，进行卡尔曼滤波，计算粒子集的均值和协方差P_k，根据产生的高斯分布采样N个粒子，计算每个粒子的权值并做归一化；输出时刻k跟踪结果，对粒子进行编码、选择、交叉、变异，采样新的粒子；6)对于遮挡目标的各个子块，利用记忆队列的信息进行卡尔曼滤波器预测，获得目标状态，并计算相似程度，如果相似度大于设定阈值，判定目标出现，回到步骤5)，如果小于阈值，继续进行预测；7)重复步骤3)-6)。