基于粒子濾波的運動行人視頻自動跟蹤方法及系統技術方案

本申請公開了一種基于粒子濾波的運動行人視頻自動跟蹤方法及系統，該方法包括：輸入一幀圖像，通過HOG特征向量集和SVM向量機進行檢測；實現基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標行人的初始矩形區域，并從目標矩形區域中采樣若干粒子，提取HOG特征和顏色特征，計算HOG和顏色雙重特征融合后粒子的權重，通過最小均方誤差估計器得到最后的狀態估計并輸出估計目標后進行重采樣；使之緊緊鎖定跟蹤目標行人。本發明專利技術通過提取HOG和顏色雙重特征，提高粒子濾波似然模型的魯棒性，消除跟蹤過程中不穩定的情況，結合HOG特征通過加權平均的融合策略構建更好的似然模型，大大提高跟蹤算法的魯棒性，完成穩定的跟蹤。

【技術實現步驟摘要】

本申請涉及計算機視覺
，尤其涉及一種基于粒子濾波的運動行人視頻自動跟蹤方法及系統。
技術介紹
運動物體的跟蹤就是在連續的圖像序列上，對運動的行人出現的位置、大小、形狀等有關特征的對應匹配問題。眾多學者提出了許多算法?，F有運動物體跟蹤算法主要有以下四種基于模板匹配的跟蹤方法、基于輪廓的跟蹤方法、基于運動預測的跟蹤方法和粒子濾波跟蹤方法。其中，粒子濾波跟蹤方法在現實應用場景中，通常圖像的噪聲不服從高斯分布，因此，卡爾曼濾波不能獲得較好的跟蹤效果，為了應用于現實應用的場景。現有技術已將粒子濾波算法引入到視覺跟蹤領域。 粒子濾波器的主要思想是基于蒙特卡洛方法，它是利用具有權重的粒子集來表示后驗概率，可以應用于任何形式的狀態空間模型上，是一種順序重要性采樣法(SequentialImportance Sampling, SIS)。簡單來說,粒子濾波法是指通過尋找一組在狀態空間傳播的隨機樣本對概率密度函數進行近似，以樣本均值代替積分運算，從而獲得狀態最小方差分布的過程。粒子濾波器是針對非線性運動，多模式分布的情況。通過對前一幀的后驗概率分布估計值進行采樣，然后傳播這些采樣值形成當前幀的后驗概率估計值。粒子濾波器的缺點是為保證對當前狀態進行最大似然估計的正確性所需的采樣點太多導致計算量過大。粒子濾波器的另一個不足之處是粒子退化現象，目前眾多學者改進粒子濾波的主要切入點也是從解決粒子退化現象入手?，F有技術通過引入均值漂移來調整粒子濾波采樣策略，并使用積分直方圖來加快每個粒子直方圖的計算，提高跟蹤算法的速度和精度；吳濤等提出了基于MCMC方法的粒子濾波改進算法，使用MCMC方法選取較好的采樣策略來改善跟蹤算法的性能；而通過拋棄小權重以及充分利用粒子權重大小所代表的意義來復制的原則進行跟蹤算法的改進。雖然有這些改進，但在行人跟蹤上，未見相關報道，也有許多技術難關需要攻克。綜上所述，有必要提供一種基于粒子濾波的運動行人視頻自動跟蹤方法及系統以解決上述問題。
技術實現思路
有鑒于此，本專利技術提供一種基于粒子濾波的運動行人視頻自動跟蹤方法及系統，有效的提聞了跟蹤算法的魯棒性，完成穩定的跟蹤。為了實現上述目的，本申請實施例提供的技術方案如下一種基于粒子濾波的運動行人視頻自動跟蹤方法，所述方法包括以下步驟SI、輸入一幀圖像，通過HOG特征向量集和SVM向量機進行檢測，判斷是否有行人，若是，執行步驟S2，若否，輸入下一幀圖像重新檢測；S2、實現基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標行人的初始矩形區域，并從目標矩形區域中采樣若干粒子，提取HOG特征和顏色特征，計算HOG和顏色雙重特征融合后粒子的權重，通過最小均方誤差估計器得到最后的狀態估計并輸出估計目標后進行重采樣；S3、判斷圖像是否為最后一幀，若是，則結束跟蹤，若否，返回步驟S2。作為本專利技術的進一步改進，所述步驟SI中的“通過HOG特征向量集進行檢測”具體為在灰度空間或顏色空間中評估圖像像素特性，對圖像進行伽馬校正規范化；根據HOG梯度的提取，計算每個像素的梯度；計算單元梯度幅值，具體為累加每個單元中包含像素的梯度方向直方圖，再將每個梯度方向直方圖映射到確定的角度上，得到HOG特征向量；相鄰的單元組成一個塊，進行塊歸一化；選用單元和塊，得到HOG特征向量集進行檢測。作為本專利技術的進一步改進，所述步驟SI中的SVM向量機包括SVM分類器，所述SVM分類器包括傳統SVM分類器和線性不可分SVM分類器。作為本專利技術的進一步改進，所述傳統SVM分類器中的分類函數 為權利要求1.一種基于粒子濾波的運動行人視頻自動跟蹤方法，其特征在于，所述方法包括以下步驟 51、輸入一幀圖像，通過HOG特征向量集和SVM向量機進行檢測，判斷是否有行人，若是，執行步驟S2，若否，輸入下一幀圖像重新檢測； 52、實現基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標行人的初始矩形區域，并從目標矩形區域中采樣若干粒子，提取HOG特征和顏色特征，計算HOG和顏色雙重特征融合后粒子的權重，通過最小均方誤差估計器得到最后的狀態估計并輸出估計目標后進行重采樣； 53、判斷圖像是否為最后一幀，若是，則結束跟蹤，若否，返回步驟S2。2.根據權利要求I所述的方法，其特征在于，所述步驟SI中的“通過HOG特征向量集進行檢測”具體為 在灰度空間或顏色空間中評估圖像像素特性，對圖像進行伽馬校正規范化； 根據HOG梯度的提取，計算每個像素的梯度； 計算單元梯度幅值，具體為累加每個單元中包含像素的梯度方向直方圖，再將每個梯度方向直方圖映射到確定的角度上，得到HOG特征向量； 相鄰的單元組成一個塊，進行塊歸一化； 選用單元和塊，得到HOG特征向量集進行檢測。3.根據權利要求I所述的方法，其特征在于，所述步驟SI中的SVM向量機包括SVM分類器，所述SVM分類器包括傳統SVM分類器和線性不可分SVM分類器。4.根據權利要求3所述的方法，其特征在于，所述傳統SVM分類器中的分類函數為5.根據權利要求I所述的方法，其特征在于，所述步驟S2具體為 獲得目標行人的初始矩形區域，并從目標矩形區域中采樣若干粒子6.根據權利要求5所述的方法，其特征在于，所述步驟S2中顏色特征的提取具體為 在RGB空間計算顏色直方圖，目標區域的概率分布為7.根據權利要求6所述的方法，其特征在于，所述步驟S2中HOG特征的提取具體為 使用一階中心算子，計算圖像每個像素點水平和垂直方向的梯度值Gh和Gv，其中8.根據權利要求7所述的方法，其特征在于，所述步驟S2中的采樣具體為 在單位超立方體Ds: 將QMC點集轉換為粒子集Ui, I, 2···N}，其中a和b是Xi所在空間的間隔范圍。9.一種如權利要求I所述的基于粒子濾波的運動行人視頻自動跟蹤系統，其特征在于，所述系統包括 預處理模塊，所述模塊利用HOG和SVM檢測算法，檢測出初始幀中包含的行人，并給出行人的矩形區域； 視頻捕捉模塊，用于完成視頻文件或者是攝像頭的視頻捕捉，并將捕捉的視頻顯示到系統界面，提供直觀的理解； 參數設置模塊，所述模塊利用MFC控件，提供用戶設置跟蹤算法參數的接口 ； 行人跟蹤模塊，用于采用HOG和顏色雙重特征相結合的方法，應用粒子濾波的跟蹤框架，完成對運動行人的跟蹤。全文摘要本申請公開了一種基于粒子濾波的運動行人視頻自動跟蹤方法及系統，該方法包括輸入一幀圖像，通過HOG特征向量集和SVM向量機進行檢測；實現基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標行人的初始矩形區域，并從目標矩形區域中采樣若干粒子，提取HOG特征和顏色特征，計算HOG和顏色雙重特征融合后粒子的權重，通過最小均方誤差估計器得到最后的狀態估計并輸出估計目標后進行重采樣；使之緊緊鎖定跟蹤目標行人。本專利技術通過提取HOG和顏色雙重特征，提高粒子濾波似然模型的魯棒性，消除跟蹤過程中不穩定的情況，結合HOG特征通過加權平均的融合策略構建更好的似然模型，大大提高跟蹤算法的魯棒性，完成穩定的跟蹤。文檔編號G06K9/00GK102831409SQ201210315360公開日2012年12月19日 申請日期2012年8月30日 優先權日2012年8月30日專利技術者徐汀榮 申請人:蘇州本文檔來自技高網...

【技術保護點】
一種基于粒子濾波的運動行人視頻自動跟蹤方法，其特征在于，所述方法包括以下步驟：S1、輸入一幀圖像，通過HOG特征向量集和SVM向量機進行檢測，判斷是否有行人，若是，執行步驟S2，若否，輸入下一幀圖像重新檢測；S2、實現基于HOG和顏色雙重特征的粒子濾波跟蹤，首先獲得目標行人的初始矩形區域，并從目標矩形區域中采樣若干粒子，提取HOG特征和顏色特征，計算HOG和顏色雙重特征融合后粒子的權重，通過最小均方誤差估計器得到最后的狀態估計并輸出估計目標后進行重采樣；S3、判斷圖像是否為最后一幀，若是，則結束跟蹤，若否，返回步驟S2。

【技術特征摘要】

【專利技術屬性】
技術研發人員：徐汀榮，
申請(專利權)人：蘇州大學，
類型：發明
國別省市：