一種基于蝙蝠算法的視頻目標跟蹤方法技術

一種基于蝙蝠算法的視頻目標跟蹤方法，屬于運動目標跟蹤技術領域。其特征在于：包括以下步驟：步驟1，在視頻初始幀圖像中，確定目標初始狀態矢量；步驟2，根據目標的狀態矢量，建立目標的核函數加權顏色模型；步驟3，利用蝙蝠算法，在下一幀圖像中，對目標的最優位置進行優化搜索；步驟4，根據適應度值對蝙蝠群進行排序，找到適應度值最大的蝙蝠的狀態，根據該狀態在當前圖像中定位出目標的位置；步驟5，判斷視頻中是否有新圖像輸入，如果有，則繼續執行步驟3，否則，程序結束。本發明專利技術利用蝙蝠算法對視頻圖像中的運動目標進行跟蹤，通過局部搜索和全局搜索的動態平衡，實時地更新蝙蝠群自身的狀態，獲得準確、實時、魯棒的跟蹤效果。

【技術實現步驟摘要】

-種基于蝙蝠算法的視頻目標跟蹤方法，屬于運動目標跟蹤

技術介紹
目標跟蹤技術是計算機視覺領域的研究熱點和難點。目標跟蹤主要目的是獲得運 動目標的實時狀態，為后續的視覺分析和行為理解提供依據。目標跟蹤已廣泛應用于智能 視頻監控、智能人機交互、視頻壓縮編碼、機器人視覺導航、精確制導系統等領域，具有極為 廣闊的理論和實際研究價值。 雖然研究人員對目標跟蹤開展過大量研究，提出了諸多目標跟蹤算法。文獻 (Yilmaz,0.Javed,andM.Shah.u〇bjectTracking:ASurvey^.ACMCOMPUTSURV,38(4): 1-45(2006))和文獻（Y.Wu,J.W.Lim,andM.H.Yang."ObjectTrackingBenchmark".IEEE TPATTERNANAL,37(9): 1834-1848(2015))對近20年的目標跟蹤算法進行了綜述。但是，由 于復雜多變的外界環境，目標跟蹤仍然是計算機視覺領域內的研究熱點和難點問題之一。 如何在復雜多變的環境下設計一個準確、實時、魯棒的目標跟蹤算法仍然是一個亟待解決 的難題。運動目標跟蹤可以理解為通過目標的有效表達，在連續的圖像序列中尋找與目標 狀態最相似的候選目標區域的過程。因此，運動目標的特征建模和搜索策略是目標跟蹤算 法的兩個關鍵因素。近年來，目標的特征建模技術獲得了很大的發展，學者們提出了諸多行之有效的 目標建模方法。文獻（X.Li,W.Hu，C.Shen,Z.Zhang，A.Dick,A.vandenHengel."Asurvey ofappearancemodelsinvisualobjecttracking"·ACMTransactionson IntelligentSystemsandTechnology(TIST)，4(4) :1-58(2013))對目標的特征建模技術 進行了詳細的綜述。相比較目標建模技術，目標的搜索策略沒有得到足夠的重視和研究。在目標跟蹤 過程中，直接對場景中可能存在目標的區域進行匹配和搜索，尋找最佳匹配位置，需要處理 大量的冗余信息，運算耗時。采用合適的搜索策略，通過對未來時刻目標的狀態進行估計和 假設，縮小目標搜索范圍具有非常重要的意義。根據目標搜索方式的不同，目標跟蹤可以分為基于均值漂移和基于粒子濾波兩種 跟蹤方法。基于均值漂移的跟蹤算法以目標初始位置為起點，沿著密度梯度下降最快的方 向移動，得到新的位置，再以新的位置作為起點尋找下一個新的位置，算法逐次迭代，直到 收斂到目標位置。基于粒子濾波的目標跟蹤算法用一組離散的粒子來近似系統隨機變量的 概率密度函數，以樣本均值代替積分運算，從而獲得狀態最小方差估計。基于均值漂移的目標跟蹤算法本質上是一種基于梯度下降的尋優算法，但在目標 跟蹤過程中沒有充分利用目標在空間中的運動方向和速度等信息，當周圍環境存在干擾 時，容易陷入局部最優，造成目標丟失。基于粒子濾波的目標跟蹤算法沒有充分利用當前的 觀測信息，粒子經過運動模型傳播后，沒有根據觀測信息實時更新搜索空間中的粒子狀態， 并且重采樣的引入容易引起粒子匱乏現象，導致目標丟失。蝙蝠算法(Batalgorithm，BA)是由劍橋大學楊新社博士提出的一種模擬蝙蝠回 聲定位行為的新穎的群智能優化算法(X.S.Yang,"Anewmetaheuristicbat-inspired algorithm".Natureinspiredcooperativestrategiesforoptimization(NICSO 2010).SpringerVerlag. 284:65-74(2010))。該算法具有模型簡單、收斂速度快、可并行處 理等特點。作為一種新的智能優化算法，蝙蝠算法正在逐步被人們應用在各種優化領域，并 取得了不錯的效果。但截止到目前，還沒有被應用在目標跟蹤領域。
技術實現思路
本專利技術所要解決的技術問題是:克服現有技術的不足，提供一種在復雜多變的環 境下準確、實時、魯棒的視頻目標跟蹤方法。 本專利技術解決其技術問題所采用的技術方案是:該基于蝙蝠算法的視頻目標跟蹤方 法，其 特征在于:包括以下步驟： 步驟1，在視頻初始幀圖像中，選定目標，確定目標初始狀態矢量； 步驟2,根據目標的狀態矢量，建立目標的核函數加權顏色模型； 步驟3,利用蝙蝠算法，在下一幀圖像中，對目標的最優位置進行優化搜索； 步驟4,根據適應度值對蝙蝠群進行排序，找到適應度值最大的蝙蝠的狀態，根據 該狀態在當前圖像中定位出目標的位置；步驟5,判斷視頻中是否有新圖像輸入，如果有，則執行步驟3,否則，程序結束。 優選的，步驟1所述的目標初始狀態矢量為x=，其中，（x，y)表示目標中心 點的坐標，s表示目標的縮放尺度。 優選的，步驟2所述的目標的核函數加權顏色模型： 其中，δ( ·)為Delta函數;b(Ci)為顏色量化函數，表示將位于Ci處的像素顏色值量 化并將其分配到顏色直方圖相應的顏色等級索引中;u為直方圖中顏色等級索引；歸一化因 子·）為核函數，其定義如下：llrll為像素點距離目標中心的距離。優選的，步驟3所述的蝙蝠算法的具體步驟為：步驟3.1，根據目標的狀態轉移模型Xk+1 =Xk+Gk，在下一幀中初始化蝙蝠群狀態矢 量Xi(i= 1，2，3，. . .，N)，其中，Gk為隨機擾動噪聲，N為種群個數;同時，初始化每只蝙蝠的飛 行速度Vl、脈沖頻率W和脈沖幅度 <，其中，vfO，"和4為范圍內滿足均勻分布的 隨機數； 步驟3 · 2，設置迭代終止條件； 步驟3.3,計算每只蝙蝠的適應度值，根據每只蝙蝠對應的候選狀態矢量，建立候 選區域的核函數加權顏色模型，并計算候選狀態和目標初始狀態的相似度，作為每只蝙蝠 的適應度值，其中，相似度采用Bhattacharyya系數：其中，p、q為兩個樣本，m是顏色分塊數，pi、qi分別是在p、q中第i部分的成員數； 步驟3.4，根據適應度值對蝙蝠群進行排序，找出最優狀態的蝙蝠個體； 步驟3.5,根據以下公式分別對第i只蝙蝠的位置和速度進行更新， 式中，4和Vp分別表示第i只蝙蝠在t_l和t時刻的飛行速度；X;表示第i只蝙蝠 在t時刻的空間位置，/表示在當前群體中最優蝙蝠所處的位置;為搜索脈沖 頻率范圍； 步驟3.6，判斷條件，其中，ri是第i只蝙蝠的脈沖頻率，he為滿足均 勻分布的隨機數，如果滿足條件，接受更新后的位置；否則，新位置Χη@由當前最佳位置 Xpre+best按照以下公式擾動產生： 叉_=1叩〇帥+￡4*，其中，￡是服從均勻分布的隨機數，4 = <//丨〉是在七時 刻所有蝙蝠的平均脈沖幅度； 步驟3.7，根據新位置狀態，建立核函數加權顏色模型，并計算新位置狀態和目標 初始狀態的相似度； 步驟3.8，判斷新位置是否優于先前位置并且同時滿足1?2<仏，其中41是第1只蝙 蝠的脈沖幅度，R2e為滿足均勻分布的隨機數，如果新位置比先前位置更優，則用新 位置替換先前位置;否則，先前位置不變； 步驟3.9，判斷新位置是否優于當前最佳位置，如果新位置比當前最佳位置更優， 則用新位置替換當前最佳位置，并調整脈沖頻率和幅度;否則，當前最佳位置保持本文檔來自技高網...

【技術保護點】
一種基于蝙蝠算法的視頻目標跟蹤方法，其特征在于：包括以下步驟：步驟1，在視頻初始幀圖像中，選定目標，確定目標初始狀態矢量；步驟2，根據目標的狀態矢量，建立目標的核函數加權顏色模型；步驟3，利用蝙蝠算法，在下一幀圖像中，對目標的最優位置進行優化搜索；步驟4，根據適應度值對蝙蝠群進行排序，找到適應度值最大的蝙蝠的狀態，根據該狀態在當前圖像中定位出目標的位置；步驟5，判斷視頻中是否有新圖像輸入，如果有，則執行步驟3，否則，程序結束。

【技術特征摘要】

【專利技術屬性】
技術研發人員：高明亮，胡元潮，尹麗菊，申晉，劉偉，王雅靜，鄒國鋒，李海濤，
申請(專利權)人：山東理工大學，
類型：發明
國別省市：山東;37