一种混合GOA和TLBO搜索的快速运动目标跟踪方法技术

本发明专利技术提出了一种混合GOA和TLBO搜索的快速运动目标跟踪方法，用以解决传统优化算法应用在视频目标跟踪中跟踪精度和效率低的问题。本发明专利技术的步骤为：初始化目标状态参数和优化模型参数；采用GOA的全局探索与目标相似的候选区域；利用TLBO的局部搜索与目标图像最为相似的候选图像块；计算候选图像块与目标图像块的相似度值；选取最优候选图像块作为本次迭代目标图像块及下一帧的目标状态参数进行下一帧图像的跟踪；重复上述步骤实现视频目标跟踪。本发明专利技术结合GOA全局探索能力强和TLBO的局部开发能力强的特点，能够有效的实现帧间的快速或突变运动的持续性跟踪，提高了在复杂场景下的适应能力，具有重要的理论意义和实用价值。

A Fast Moving Target Tracking Method Based on Hybrid GOA and TLBO Search

The invention provides a fast moving target tracking method based on hybrid GOA and TLBO search, which can solve the problem of low tracking accuracy and efficiency when traditional optimization algorithm is applied to video target tracking. The steps of the present invention are: initializing target state parameters and optimizing model parameters; exploring candidate regions similar to targets globally by GOA; searching candidate image blocks most similar to target images locally by TLBO; calculating similarity values between candidate image blocks and target image blocks; and selecting the optimal candidate image blocks as the target state of the current iteration target image block and the next frame. Parameters are used to track the next frame image; repeat the above steps to achieve video target tracking. The invention combines the characteristics of strong GOA global exploration ability and strong TLBO local development ability, can effectively realize the continuous tracking of fast or sudden motion between frames, improve the adaptability in complex scenes, and has important theoretical significance and practical value.

【技术实现步骤摘要】
一种混合GOA和TLBO搜索的快速运动目标跟踪方法
本专利技术涉及目标跟踪的
，尤其涉及一种混合GOA和TLBO搜索的快速运动目标跟踪方法，实现目标的持续性跟踪，特别是目标在相邻图像帧之间由于快速运动而产生的突变运动情况下仍然能保持目标的持续性跟踪能力。
技术介绍
目标跟踪作为计算机视觉的一项重要分支，是指对视频序列中的目标状态进行持续推断的过程，其任务在于通过在视频的每一帧中定位目标，以生成目标的运动轨迹，并在每一时刻提供完整的目标区域。视频目标跟踪技术现已用于多种领域，例如：智能交通系统、智能视频监控、人机交互、医学成像、无人机飞行器和精确制导等。虽然目标跟踪已经被研究几十年，但是由于跟踪环境、目标自身和摄像机成像等因素，在被跟踪的过程中往往会出现目标的快速运动造成目标突变的异常现象。为了解决这种异常现象，研究者们将群优化算法引入到视频目标跟踪中，对图像进行全局搜索，实现目标跟踪。众所周知，对于群优化算法而言，如何协调其全局探索能力和局部开发能力至关重要。然而，对于单一的群优化算法，很难平衡探索和开发性能。针对这些现象，应该寻找一种在保证视频跟踪中对每一帧图片进行全局搜索的同时，又能确保探索和开发性能之间的相互转换。因此，混合式优化算法既能实现全局搜索，又能保证探索和开发性能。混合式优化算法利用一种优化算法的探索能力强和另一种优化算法的开发能力强的特点，提高算法的跟踪精度和运行效率，同时实现平滑和快速运动的目标跟踪，提高目标跟踪的鲁棒性和通用性。
技术实现思路
针对传统优化算法应用在视频目标跟踪中存在跟踪精度和效率低的技术问题，本专利技术提出一种混合GOA和TLBO搜索的快速运动目标跟踪方法，利用GOA(蚱蜢优化算法)搜索策略进行全局探索寻找目标可能出现的区域；通过TLBO(基于教与学优化算法)局部搜索进一步开发目标位置，提高算法的跟踪精度及效率，最终同时实现平滑和快速运动的视频目标跟踪方法。为了达到上述目的，本专利技术的技术方案是这样实现的：一种混合GOA和TLBO搜索的快速运动目标跟踪方法，其步骤如下：步骤一：初始化目标状态参数、GOA和TLBO搜索机制的相关优化模型参数：读取第一帧图像的数据信息，确定目标在第一帧图像的状态参数；GOA和TLBO搜索机制的参数：初始图像块位置数N，最大迭代次数为T；步骤二：采用GOA和TLBO的搜索机制搜索候选图像块实现目标跟踪：通过GOA的优化模型参数在图像上随机产生N个候选图像块的左上角的位置，在各个位置上截取与目标图像大小相同的图像块作为候选图像块；通过GOA的运动模型更新候选图像块的位置，并计算候选图像块与目标图像块的适应度值；通过TLBO的运动模型进一步更新候选图像块的位置，计算适应度值并与GOA之前产生的适应度值进行比较，选取相似度值最大的候选图像块作为本次迭代的最优候选图像块；步骤三：将输出的最优候选图像块作为当前帧的目标图像块以及下一帧的目标状态参数，进行下一帧图像目标的跟踪；步骤四：重复步骤二——步骤三，实现目标跟踪。所述GOA的运动模型为：候选图像块的下一个位置是根据当前位置、目标位置和所有其他候选图像块的位置来定义的，候选图像块当前的位置更新为：其中，ubd和lbd分别为二维搜索空间的上界和下界；表示第i个候选图像块在d维上的位置，表示第j个候选图像块在d维上的位置，N表示候选图像块的数量，为当前候选图像块的最优位置；s(·)为候选图像块之间相互影响强度函数；参数c为自适应系数，参数c1为收缩舒适区、排斥区和吸引区之间的递减系数。所述TLBO的运动模型通过教学阶段和学习阶段不断更新候选图像块的位置，老师充当当前最优候选图像块，学生充当候选图像块；具体步骤为：A教学阶段的运动模型：候选图像块的更新受当前最优候选图像块的影响，使候选图像块朝向当前最优候选图像块移动，寻找目标图像，其更新公式为：Xp,new＝Xp+random×(Xteacher-TF×Xave)；其中：Xp,new和Xp分别为第p个候选图像块的新位置和旧位置；random是介于0和1之间的一个随机数；Xteacher是当前最优候选图像块的位置；Xave为全部候选图像块的平均位置；TF为教学因子，旧位置Xp是否更新取决于之前的候选图像块与目标图像块的相似度值，可以表述为：其中，f(·)表示适应度函数的值；B学习阶段的运动模型：候选图像块更新总是朝向与目标图像块适应度较好候选图像块的位置移动，从而实现向目标图像块的位置移动，其运动模型为：其中，Xm和Xn分别为第m个和第n个候选图像块的位置；Xm,new为第m个候选图像块产生的新位置；更新的机制为：所述GOA和TLBO中计算所有的候选图像块与目标图像块的适应度值，选取适应度值最大的候选图像块作为本次迭代的最优输出，并将结果保存到(Xbest,Ybest)。所述计算适应度值：根据GOA和TLBO的运动模型产生的候选图像块的位置，选取HOG的外观模型，获得候选图像块与目标图像块之间的适应度值为：其中，D(·)表示方差，Cov(·)表示协方差，X代表目标图像块的HOG特征，Y代表候选图像块的HOG特征，ρ(X,Y)的取值范围是[-1,1]；将适应度值最大的候选图像块位置作为当前最优候选图像块保存在(Xbest,Ybest)中。所示步骤二中一次迭代完成，判断是否达到最大迭代次数或者设置的阈值，若达到终止条件，则跳出迭代，输出最优的候选图像块，作为当前帧的目标图像；否则，进入下一次迭代转到GOA搜索机制。所述候选图像块之间相互影响强度函数s(·)为：其中：f为吸引力的强度；l为有吸引力的长度比例，r为任意两个不同的候选图像块之间的距离；教学因子TF为：TF＝round[1+rand(0,1){2-1}]；其中，round[]表示什么，rand(0,1)为[0,1]之间的随机数，TF的取值为1或2，1表示学生从老师那里学不到知识，2表示学生从老师那里学到了全部知识。GOA的搜索策略为：蚱蜢优化算法试通过蚱蜢群体觅食行为而提出的一种仿生智能优化算法，其步骤如下：A：种群初始化蚱蜢的群居行为用数学公式模拟为：Xi＝r1Si+r2Gi+r3Ai其中：Xi为第i个蚱蜢的位置；Si为群居相互影响因子；Gi为第i个蚱蜢的重力；Ai为风平流；r1、r2和r3均为[0,1]上的随机数。且：其中：di,j为第i个蚱蜢和第j个蚱蜢之间的距离，表示为：dij＝|xj-xi|，xi为第i个蚱蜢的位置，xj为第j个蚱蜢的距离；为第i个蚱蜢到第j个蚱蜢之间的单位向量，即：g为引力常数；为地心引力方向的单位向量；u为漂移常数；为风向方向的单位向量；s(·)为蚱蜢之间相互影响强度函数，表示如下：式中：f为吸引力的强度；l为有吸引力的长度比例，r的取值为第i个蚱蜢和第j个蚱蜢位置之间的距离(i≠j)，即：di,j。B：位置更新蚱蜢的位置更新可以模拟的数学公式为：显然，此式不能直接用于解决优化问题，主要是因为蚱蜢个体快速到达舒适区，群体很难收敛到最优位置。为有效解决优化问题，假设风向总是朝向优化目标则位置更新可以表示为：其中：ubd和lbd分别为d维搜索空间的上界和下界；为当代d维目标函数的最优解；参数c为自适应系数，目的是平衡目标位置周围蚱蜢的探索和开发能力；参数c1为收本文档来自技高网...

【技术保护点】
1.一种混合GOA和TLBO搜索的快速运动目标跟踪方法，其特征在于，其步骤如下：步骤一：初始化目标状态参数、GOA和TLBO搜索机制的相关优化模型参数：读取第一帧图像的数据信息，确定目标在第一帧图像的状态参数；GOA和TLBO搜索机制的参数：初始图像块位置数N，最大迭代次数为T；步骤二：采用GOA和TLBO的搜索机制搜索候选图像块实现目标跟踪：通过GOA的优化模型参数在图像上随机产生N个候选图像块的左上角的位置，在各个位置上截取与目标图像大小相同的图像块作为候选图像块；通过GOA的运动模型更新候选图像块的位置，并计算候选图像块与目标图像块的适应度值；通过TLBO的运动模型进一步更新候选图像块的位置，计算适应度值并与GOA之前产生的适应度值进行比较，选取相似度值最大的候选图像块作为本次迭代的最优候选图像块；步骤三：将输出的最优候选图像块作为当前帧的目标图像块以及下一帧的目标状态参数，进行下一帧图像目标的跟踪；步骤四：重复步骤二——步骤三，实现目标跟踪。

【技术特征摘要】
1.一种混合GOA和TLBO搜索的快速运动目标跟踪方法，其特征在于，其步骤如下：步骤一：初始化目标状态参数、GOA和TLBO搜索机制的相关优化模型参数：读取第一帧图像的数据信息，确定目标在第一帧图像的状态参数；GOA和TLBO搜索机制的参数：初始图像块位置数N，最大迭代次数为T；步骤二：采用GOA和TLBO的搜索机制搜索候选图像块实现目标跟踪：通过GOA的优化模型参数在图像上随机产生N个候选图像块的左上角的位置，在各个位置上截取与目标图像大小相同的图像块作为候选图像块；通过GOA的运动模型更新候选图像块的位置，并计算候选图像块与目标图像块的适应度值；通过TLBO的运动模型进一步更新候选图像块的位置，计算适应度值并与GOA之前产生的适应度值进行比较，选取相似度值最大的候选图像块作为本次迭代的最优候选图像块；步骤三：将输出的最优候选图像块作为当前帧的目标图像块以及下一帧的目标状态参数，进行下一帧图像目标的跟踪；步骤四：重复步骤二——步骤三，实现目标跟踪。2.根据权利要求1所述的混合GOA和TLBO搜索的快速运动目标跟踪方法，其特征在于，所述GOA的运动模型为：候选图像块的下一个位置是根据当前位置、目标位置和所有其他候选图像块的位置来定义的，候选图像块当前的位置更新为：其中，ubd和lbd分别为二维搜索空间的上界和下界；表示第i个候选图像块在d维上的位置，表示第j个候选图像块在d维上的位置，N表示候选图像块的数量，为当前候选图像块的最优位置；s(·)为候选图像块之间相互影响强度函数；参数c为自适应系数，参数c1为收缩舒适区、排斥区和吸引区之间的递减系数。3.根据权利要求1或2所述的混合GOA和TLBO搜索的快速运动目标跟踪方法，其特征在于，所述TLBO的运动模型通过教学阶段和学习阶段不断更新候选图像块的位置，老师充当当前最优候选图像块，学生充当候选图像块；具体步骤为：A教学阶段的运动模型：候选图像块的更新受当前最优候选图像块的影响，使候选图像块朝向当前最优候选图像块移动，寻找目标图像，其更新公式为：Xp,new＝Xp+random×(Xteacher-TF×Xave)；其中：Xp,new和Xp分别为第p个候选图像块的新位置和旧位置；random是介于0和1之...

【专利技术属性】
技术研发人员：张焕龙，王芳，赵素娜，高增，王红博，焦战伟，贺振东，王延峰，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41