專利名稱：基于流形上粒子濾波算法的視頻目標跟蹤方法
技術領域：
本發(fā)明涉及視覺目標跟蹤系統(tǒng)中，應用流形上的粒子濾波方法來跟蹤視頻圖像中的目標，屬于非線性系統(tǒng)濾波和視覺圖像處理技術領域。
背景技術：
視覺跟蹤是實現智能監(jiān)控的關鍵技術，融合了圖像處理、模式識別、人工智能、自動控制以及計算機等若干領域的先進技術，并在軍事視覺制導、視頻監(jiān)控、機器人視覺導航、醫(yī)療診斷以及氣象分析等方面都有廣泛應用。
目前常用的視覺跟蹤方法一般可分為5種基于區(qū)域的跟蹤、基于動態(tài)輪廓的跟蹤、基于特征的跟蹤、基于模型的跟蹤以及基于運動估計的跟蹤。最常用的方法是在目標區(qū)域內為圖像運動建立仿射模型、投影模型等幾何參數模型，應用Lucas-Kanade跟蹤器、均值漂移跟蹤器，通過梯度下降法最小化模板和當前圖像區(qū)域之間的偏差來得到模型參數， 但這些方法易收斂于局部極小值，對背景干擾、雜波、遮擋、快速移動等比較敏感。
基于運動估計的跟蹤可以將目標跟蹤問題轉換為貝葉斯估計問題，由于不受先驗分布以及狀態(tài)轉移模型的限制，可以輕易地對目標的尺度進行估計，因此近年來粒子濾波在視覺跟蹤中獲得了廣泛應用，成為視覺目標跟蹤的主要研究方向之一。但是該方法目前仍然存在一些技術難點粒子退化、光照、遮擋、目標姿態(tài)的變化以及噪聲的影響，這些因素均會導致跟蹤效果變差；目標的快速移動、多目標跟蹤要求粒子濾波采用大量的粒子，算法的計算代價很大；同時圖像的數據量大，使跟蹤系統(tǒng)的輸入成為高維向量，而實時性要求對跟蹤方法的復雜度又有一定限制，這是一個兩難問題。因此基于粒子濾波的視覺跟蹤仍然是一個值得深入研究的課題。
粒子濾波雖然可以適用于所有的非線性非高斯系統(tǒng)，不受噪聲性質的限制，但是現有的粒子濾波算法都是在歐式空間進行的，當應用粒子濾波算法對高維系統(tǒng)以及多目標進行跟蹤時，同樣會遇到“維數災難”問題。
進行視覺跟蹤時，觀測噪聲的協方差很可能是未知的、時變的，或者當使用協方差矩陣表達圖像中的目標區(qū)域，在進行圖像匹配時，需要計算兩個圖像區(qū)域協方差矩陣的差異，由于協方差是正定矩陣，所有的正定矩陣構成一個黎曼流形，因此此時不適宜用歐式空間的方法跟蹤，必須利用正定矩陣的空間微分幾何特性，構造更有效的算法。
目前視覺跟蹤中的微分幾何方法主要是為了降低算法的計算復雜度，通過等距映射(IS0MAP)、局部線性嵌入(LLE)等流形學習對非線性視頻數據集降維后再應用粒子濾波。這方面的研究成果較多。發(fā)明內容
本發(fā)明的目的在于，針對背景技術中描述的現有目標跟蹤方法存在的缺陷和不足，提出一種基于流形上粒子濾波算法的視頻目標跟蹤方法。
基于流形上粒子濾波算法的視頻目標跟蹤方法如下將視頻圖像的射影變換構造成矩陣李群；將目標的射影變換參數作為狀態(tài)變量，建立李群上的狀態(tài)轉移模型；采用協方差描述來表示視頻圖像中的目標區(qū)域；采用李群上的粒子濾波算法，沿流形測地線抽取狀態(tài)樣本；采用內蘊高斯牛頓算法來求解內蘊均值，得到系統(tǒng)的狀態(tài)估計，完成目標跟蹤。
所述建立李群上的狀態(tài)轉移模型的方法如下
用Xk表示k時刻目標的狀態(tài)向量，Z1 ； k= (Z1, Z2, ---Zj表示直到k時刻為止觀測到的圖像序列，用Vk表示從k-Ι時刻的觀測圖像Zlrl到k時刻的觀測圖像Zk之間的運動速度，得到狀態(tài)轉移模型為其中Jllri表示隨機噪聲。K=Vi+%-1
所述采用李群上的粒子濾波算法，沿流形測地線抽取狀態(tài)樣本的方法如下
初始化由先驗概率P (X0)產生粒子集所有粒子權值為IKxO (,=1 ;iVj
預測給定vk，在李群流形的左不變向量空間上采樣得到樣本Vm，然后根據系統(tǒng)的動態(tài)模型，應用指數映射exp(v=)，將樣本映射為狀態(tài)向量樣本即粒子，從而得到流形上的一條測地線，該測地線起始于乂，<+1是測地線的端點，實現在流形測地線上抽取樣本。
所述采用內蘊高斯牛頓算法來求解內蘊均值的方法如下
.v = argminXir(A-";A-)x e G，其中Xi表示在流行上采樣得到的粒子，x位于李群i=lG上，d表示兩個李代數元素之間的測地線距離，表示粒子的總個數。本發(fā)明李群是嵌入在歐式空間中的低維微分流形，選取目標射影變換參數作為狀態(tài)向量，充分利用射影變換參數的李群結構，直接在低維流形上實現狀態(tài)采樣，降低了目標跟蹤系統(tǒng)的維數，從而有效解決粒子濾波的“維數災難”問題，提高粒子濾波的實時性和魯棒性；在流形上計算樣本內蘊均值，得到系統(tǒng)的狀態(tài)估計，能夠降低歐式空間的噪聲統(tǒng)計特性對權值方差的影響，有助于解決粒子退化問題，提高算法的跟蹤精度和魯棒性。
圖1 :2維仿射群中每個李代數的基本元素所對應的視頻圖像中目標的幾何形變示意圖，圖中=E1表示圖像的壓縮或者伸展,E2表示圖像拉伸,E3表示圖像左右旋轉,E4表示圖像的形變，E5表示圖像的上下平移，E6表示圖像左右平移；
圖2 :流形及其在點X處的切平面；
圖3 :在流形上的測地線上進行采樣的示意圖。
具體實施方式
I、李群上的流形粒子濾波算法
I)將射影變換表示為李群
在視覺目標跟蹤中，用圖像區(qū)域，即目標模板來表示感興趣的目標。如果通過尋找和目標模板匹配的方法來跟蹤圖像幀中的目標，目標圖像區(qū)域的幾何形變可以表示為一個射影變換，而2維射影變換矩陣是李群的一個元素，而不是一個向量空間。圖1給出了 2維仿射群中每個李代數的基本元素所對應的視頻圖像中目標的幾何形變，其中E1表示圖像的壓縮或者伸展，E2表示圖像拉伸，E3表示圖像左右旋轉，E4表示圖像的形變，E5表示圖像的上下平移，E6表示圖像左右平移。運動目標的射影變換模型用矩陣表示為』[，共有8—
權利要求
1.一種基于流形上粒子濾波算法的視頻目標跟蹤方法，其特征在于所述方法如下將視頻圖像的射影變換構造成矩陣李群；將目標的射影變換參數作為狀態(tài)變量，建立李群上的狀態(tài)轉移模型；采用協方差描述來表示視頻圖像中的目標區(qū)域；采用李群上的粒子濾波算法，沿流形測地線抽取狀態(tài)樣本；采用內蘊高斯牛頓算法來求解內蘊均值，得到系統(tǒng)的狀態(tài)估計，完成目標跟足示。
2.根據權利要求1所述的基于流形上粒子濾波算法的視頻目標跟蹤方法，其特征在于所述建立李群上的狀態(tài)轉移模型的方法如下 用Xk表示k時刻目標的狀態(tài)向量，Z1 ； k={Z1； Z2, ---Zj表示直到k時刻為止觀測到的圖像序列，用Vk表示從k-Ι時刻的觀測圖像Zlri到k時刻的觀測圖像Zk之間的運動速度， 得到狀態(tài)轉移模型為
3.根據權利要求1所述的基于流形上粒子濾波算法的視頻目標跟蹤方法，其特征在于所述采用李群上的粒子濾波算法，沿流形測地線抽取狀態(tài)樣本的方法如下 初始化由先驗概率P (X0)產生粒子集巧所有粒子權值為I ； 預測給定Vk在李群流形的左不變向量空間上采樣得到樣本
4.根據權利要求1所述的基于流形上粒子濾波算法的視頻目標跟蹤方法，其特征在于所述采用內蘊高斯牛頓算法來求解內蘊均值的方法如下
全文摘要
本發(fā)明公布了一種基于流形上粒子濾波算法的視頻目標跟蹤方法，所述方法如下將視頻圖像的射影變換構造成矩陣李群；將目標的射影變換參數作為狀態(tài)變量，建立李群上的狀態(tài)轉移模型；采用協方差描述來表示視頻圖像中的目標區(qū)域；采用李群上的粒子濾波算法，沿流形測地線抽取狀態(tài)樣本；采用內蘊高斯牛頓算法來求解內蘊均值，得到系統(tǒng)的狀態(tài)估計，完成目標跟蹤。本發(fā)明能夠降低歐式空間的噪聲統(tǒng)計特性對權值方差的影響，有助于解決粒子退化問題，提高算法的跟蹤精度和魯棒性。
文檔編號G06T7/20GK102982556SQ201210433919
公開日2013年3月20日 申請日期2012年11月1日 優(yōu)先權日2012年11月1日
發(fā)明者朱志宇, 葛慧林, 李陽, 王建華, 伍雪冬, 張冰, 馮友兵, 楊官校, 戴曉強 申請人:江蘇科技大學