一种基于视觉注意机制的改进粒子滤波目标跟踪的方法，其步骤为：(1)、初始化输入；(2)、特征建模及基于视觉显著性机制进行粒子过滤；根据特征的显著性排序选出一个最优特征，对该特征建模并过滤不匹配粒子，最后得到最优粒子集；所述特征包括颜色特征、纹理特征和运动特征；根据最优粒子集计算目标位置，输出跟踪结果；同时，根据上述最优特征更新特征的显著性排序。本发明专利技术为模拟人类视觉机制的多特征目标跟踪方法，其融合了颜色、纹理、运动特征，能够保证其实时性、准确性、健壮性。
【技术实现步骤摘要】
本专利技术主要涉及到计算机视觉方法领域，特指一种基于视觉注意机制的改进粒子滤波目标跟踪方法。
技术介绍
目标跟踪是计算机视觉研究中的一个重要课题，它是目标行为理解的基础，是图像系统连续准确工作的重要部分。视觉跟踪通常是指在连续变化的视频序列中对感兴趣区域或者目标对象进行精确定位。在计算机视觉识别与处理系统中，目标跟踪处于图像运动检测和目标行为理解之间的处理环节，是图像系统进行连续准确工作的重要部分，在视频监控，视频编解码压缩技术，机器人定位与导航，智能交通工具，虚拟现实的人机交互等应用中具有非常重要的价值和意义。如何有效提高目标跟踪算法在复杂环境下的准确性，以及如何增加算法在多变场景下的鲁棒性，比如城市交通道路环境，一直是目标跟踪的两个关键问题。粒子滤波跟踪算法因其能有效解决非线性非高斯系统的状态估计问题而受到了广泛的重视，成为目前视觉跟踪领域研究的主流。近年来，很多学者围绕粒子滤波算法的不足展开了大量研究，并取得了一定的成果。然而采用单一特征的方法无法持续稳健地胜任复杂多变环境下的目标跟踪问题，现有的多特征融合算法则通常是以提高计算复杂度为代价，在融入过多的特征时，算法的实时性无法保证。基于视觉注意模型和粒子滤波的目标跟踪算法提出利用图像的显著性特征来改进粒子滤波跟踪算法对图像显著性特征的计算仍较复杂；基于动态显著性特征的粒子滤波和基于视觉显著的目标追踪算法主要关注如何利用粒子滤波来对具备显著性特征的目标进行跟踪，但是不适用于对某个特定目标的跟踪问题；运用视觉显著的粒子滤波是目前最新的将显著性特征与粒子滤波结合用于目标跟踪的方法，但是其只采用了单一的颜色和亮度作为特征向量。
技术实现思路
本专利技术要解决的技术问题就在于针对现有技术存在的技术问题，本专利技术提供一种模拟人类视觉机制的多特征目标跟踪方法，即融合了颜色、纹理、运动特征并能够保证实时性、准确性、健壮性的。为解决上述技术问题，本专利技术采用以下技术方案一种，其步骤为(1)、初始化输入；首先通过手动选择所需跟踪的目标；随后对所选区域的图像粒子进行初始化；若获取图像成功，则对于初始化粒子进行预处理，否则就结束；选取新图像，更新粒子分布，以适应场景的改变；(2)、特征建模及基于视觉显著性机制进行粒子过滤；根据特征的显著性排序选出一个最优特征，对该特征建模并过滤不匹配粒子，最后得到最优粒子集；所述特征包括颜色特征、纹理特征和运动特征；根据最优粒子集计算目标位置，输出跟踪结果；同时，根据上述最优特征更新特征的显著性排序。作为本专利技术的进一步改进所述步骤O)的具体流程为在完成对颜色、纹理和运动特征建模的基础上，会将各种不同特征按其在特定的场景中的显著性进行排序；接下来，在场景中分配粒子，对所有的粒子均先从具有最高显著性的特征开始计算，通过设定阈值排除那些与该显著性特征不相匹配粒子；如果这一步完成以后只剩下一个粒子则说明这个粒子即为目标的预测位置， 否则说明该显著性特征不能将目标与所有干扰目标区分，还需要有其他的显著性进行配合，则选取一个次高的显著性作为参照，对剩下的粒子进行同样的筛选工作，直到剩下一个最优的粒子集；同时，以上步骤完成以后需要通过反馈的信息对特征的显著性的排序进行更新。本专利技术中，所述颜色特征的建模流程为采用HSV颜色空间来对颜色信息进行建模，H表示色调，S表示饱和度，V表示强度， 将图像信息归一化颜色直方图；采用巴特查理亚距离作为运动目标区域颜色直方图与各个粒子所在的区域的直方图之间相似度的度量，巴氏距离计算公式如下η -=/ 二 1其中η为图像直方图的维度，p(i)为运动目标的颜色直方图分布，q(i)为粒子所在区域的颜色直方图分布，并且P (i)和q(i)都是归一化的函数。本专利技术中，所述纹理特征的建模流程为采用基于图像灰度共生矩阵的方法来提取目标区域的纹理特征；对于纹理特征的相似性度量，定义了运动目标的纹理特征向量T(X)T (χ) = (Ent (χ)，Egy (χ)，Con (χ)，Cor (χ)，Horn (x))；其中Ent (χ)，Egy (χ)，Con (χ)，Cor (χ)，以及Hom (χ)分别表示纹理特征的熵，能量值，对比度，相关性以及均勻度。定义一个参数矩阵Μ，它被用来调整各个特征量在环境中的敏感性M = (ment, megy, mcon, mcor, mhom)T其中，ment，megy，m。。n，mcor, mhom分别表示作为参数的熵，能量值，对比度，相关性以及均勻度。由此得到相似度的判别公式Δ T = T (X1) -T (X0)，d = | Δ T · M |。其中，T(X1)和T(Xtl)分别为粒子目标与原始目标的纹理特征。本专利技术中，所述运动特征是对物体的运动过程进行记录，并基于牛顿运动定律对物体的后续运动进行预测；所述运动特征的建模流程为假设定义一个记录目标当前运动状态的变量S，并且有s = (x, y, vx, vy, ax, ay)其中χ和y分别表示目标当前所在位置的χ和y坐标，Vx和Vy则表示目标运动速度在χ和y坐标上的分量，ax和、则表示目标运动的加速度在χ和y坐标上的分量，进一步建立如下的目标状态转移方程si+1 = MiS^Vi其中，Mi为牛顿运动定律所决定的状态转移矩阵，Si是当前目标的运动的状态向量，Vi为观测噪声；根据初试的目标运动状态推出下一帧的目标的运动位置，速度以及加速度的信息，反过来，通过下一帧的目标跟踪所得到的位置再对其之前的运动方程的参数进行修正。与现有技术相比，本专利技术的优点在于本专利技术是模拟人类视觉机制的多特征目标跟踪方法，其融合了颜色、纹理、运动特征，能够保证实时性、准确性、健壮性；本专利技术主要是针对单一特征跟踪算法识别准确性不高，特别是在遮挡状况下无法对目标特征进行检测和跟踪的问题，考虑到粒子滤波算法在处理非线性、非高斯跟踪问题上的优越性，而提出一种融合颜色、纹理和运动信息等多类特征的改进粒子滤波跟踪方法，并在方法中引入了视觉注意机制，其比单一特征跟踪的准确性和健壮性高，比其他普通多特征融合算法实时性强。附图说明图1是本专利技术的流程示意图；图2是本专利技术中基于视觉显著性机制进行粒子过滤的流程示意图。 具体实施例方式以下将结合说明书附图和具体实施例对本专利技术做进一步详细说明。如图1所示，本专利技术基于视觉注意机制的改进粒子滤波目标跟踪方法，其步骤为一、初始化输入；首先通过手动选择所需跟踪的目标(步骤①所示)；随后对所选区域的图像粒子进行初始化(步骤②)；若获取图像成功(步骤③)，即成功取得指定目标的图像信息则对于初始化粒子进行预处理，否则就结束(步骤⑩)。预处理包括过滤图像噪声(步骤④)，用来为下一个步骤提供更精确的输入。更新粒子分布(步骤⑤)，以适应场景的改变；二、特征建模及基于视觉显著性机制进行粒子过滤；根据特征的显著性排序选出一个最优特征，对该特征(包括颜色、纹理和运动特征)建模并过滤不匹配粒子，最后得到最优粒子集；根据最优粒子集计算目标位置，输出跟踪结果；同时，根据上述最优特征更新特征的显著性排序(步骤⑧)。参见图2，上述过程中，在完成对颜色、纹理和运动特征建模的基础上，会将各种不同特征按其在特定的场景中的显著性进行排序；接下来，在场景中分配粒子，对所有的粒子均先从具有最高显著性本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：肖德贵，秦云川，田峥，杨翔，陈琳，熊鹏，文龙，蔡幼奇，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。