一种智能混合群体优化滤波跟踪方法技术

本发明专利技术公开了一种智能混合群体优化滤波方法法，首先按照权值对粒子进行分层；然后根据不同层粒子的数目，对不同层粒子进行相应的选择不同的运动方式；接着对粒子状态进行估计，将条件均值或具有极大后验概率密度的状态作为系统状态的估计值；然后对粒子状态进行更新，生成合适的建议分布，从而准确地估计目标在当前时刻的位置；最后对粒子状态进行预测，预测的目的是为了下一时刻能更准确的估计目标的状态，即是设计合适的先验分布函数。本发明专利技术方法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟踪准确性。

【技术实现步骤摘要】
一种智能混合群体优化滤波跟踪方法
本专利技术属于计算机视觉领域，涉及目标跟踪中的状态估计，具体涉及一种智能混合群体优化滤波跟踪方法。
技术介绍
在目标跟踪中用于估计后验状态的最火热的方法为粒子滤波算法(PF)。PF算法采用序贯蒙特卡洛方法(SMC)，采用一组样本(即粒子)近似表示非线性系统的后验分布，再使用这一近似表示估计系统的状态。与其他几种算法相比，PF算法更适用非线性系统，适用范围更广，实际效果也较好。在当前主流的视觉跟踪算法中，如CNT算法和IOPNMF算法等皆是以粒子滤波为框架的跟踪算法。然而粒子滤波算法无法避免粒子退化现象，这是因为粒子权值的方差会随着时间的累积而逐渐增大。为解决粒子退化现象，通常采用的方法是增加粒子的数目或者重新采样。但增加粒子的数目会导致计算量的增加，使得运行时间成倍提高，算法的实时性荡然无存。重采样的方法是取出权值较小的粒子，只复制权值较大的粒子，但随着重采样的进行，由于权值大的粒子被不断复制，最后使得粒子的种类急剧下降，导致样本贫化问题。粒子滤波算法需要解决的另一个问题是，在粒子的状态转移过程中，转移过后的粒子要能出现在目标所有可能出现的位置，否则本文档来自技高网...

【技术保护点】
1.一种智能混合群体优化滤波跟踪方法，其特征在于，包括以下步骤：步骤1：粒子分层：通过设定的阈值τh，τl，将粒子样本中的粒子依据权值的大小分为三层，分别为高权值粒子集、中权值粒子集和低权值粒子集，从而根据不同层中的粒子数量来更新粒子的位置；步骤2：状态更新利用当前时刻粒子的位置和权值信息，找出目标最可能的状态，即生成合适的建议分布，从而准确地估计目标在当前时刻的位置，并根据不同层粒子的数目选择是否对高权值粒子集、中权值粒子集和低权值粒子集的粒子进行内聚运动；步骤3：状态估计根据最小均方误差准则或极大后验准则进行状态估计，将条件均值或具有极大后验概率密度的状态作为系统状态的估计值，即对内聚运动...

【技术特征摘要】
1.一种智能混合群体优化滤波跟踪方法，其特征在于，包括以下步骤：步骤1：粒子分层：通过设定的阈值τh，τl，将粒子样本中的粒子依据权值的大小分为三层，分别为高权值粒子集、中权值粒子集和低权值粒子集，从而根据不同层中的粒子数量来更新粒子的位置；步骤2：状态更新利用当前时刻粒子的位置和权值信息，找出目标最可能的状态，即生成合适的建议分布，从而准确地估计目标在当前时刻的位置，并根据不同层粒子的数目选择是否对高权值粒子集、中权值粒子集和低权值粒子集的粒子进行内聚运动；步骤3：状态估计根据最小均方误差准则或极大后验准则进行状态估计，将条件均值或具有极大后验概率密度的状态作为系统状态的估计值，即对内聚运动后的粒子重新计算修正状态更新估计的目标的位置，作为目标的真实位置输出；步骤4：状态预测设计先验分布函数，预测下一时刻估计目标的状态，即根据不同层粒子的数目对粒子进行排列运动或者分离运动。2.根据权利要求1所述的一种智能混合群体优化滤波跟踪方法，其特征在于，步骤1中粒子分层的实现如下式：其中，为k时刻粒子样本中第i个粒子的权值，τh，τl分别为粒子分层的上下阈值，ψh，ψm，ψl分别为高权值粒子集、中权值粒子集和低权值粒子集的标志。3.根据权利要求1所述的一种智能混合群体优化滤波跟踪方法，其特征在于，步骤2中粒子的内聚运动以及步骤4中的粒子的排列运动和分离运动如下：(1)内聚运动根据已有粒子的权值，让权值较低的粒子移动至权值较大的区域，粒子的移动方法如下：coh(xk):xk＝xk-1+(a+(b-a)*rand)*(xk-1-xc)其中xk为粒子在k时刻时的位置状态，xk-1为前一时刻的位置状态，xc为平均的中心位置，rand为0到1的随机数，a和b为预设常数，其中a≤1≤b，b-a的值越小，内聚速度越快，但粒子多样性越差，反之b-a的值越大，内聚速度越慢，但粒子多样性越好；(2)分离运动在当前时刻无法准确确定目标位置时，让所有粒子进行分离运动，粒子的移动方法如下：spa(xk):xk＝xk-1+λ*rand(xc-xk-1)其中xk为粒子在k时刻的位置，xk-1为前一时刻的位置状态，xc为平均的中心位置，为目标的平均位移，rand为0到1的随机数，λ为预设常数，取λ≤1，λ值越大，分离程度越大，全局搜索能力越强，但局部搜索能力越弱，相反，λ越小，分离程度越小，全局搜索能力越差，但局部搜索能力越强；(3)排列运动为在当前时刻能够准确估计目标位置的情况下，预测下一时刻目标位置，采用匀速运动模型，表示如下：4.根据权利要求1所述的一种智能混合群体优化滤波跟踪方法，其特征在于，步骤3中状态更新遵循以下4条准则：准则3.1：当高权值粒子集ψh中粒子数量较多，即length(ψh)＞threshold，表明在当前时刻，粒子集能充分确认目标的位置状态，为理想的跟踪效果，则根据全局最小均方误差准则，计算出中心位置，在生成建议分布时，考虑到粒子多样性，保留高权值粒子和中权值粒子的位置状态，仅对低权值粒子集ψl中的粒子进...

【专利技术属性】
技术研发人员：黄鹤，郭璐，许哲，茹锋，黄莺，惠晓滨，王萍，王会峰，袁东亮，何永超，胡凯益，宋京，任思奇，王开心，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61