CN104915969A - 一种基于粒子群优化的模版匹配跟踪方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化的模版匹配跟踪方法，所述方法首先根据目标以往的运动情况预测目标在当前帧中可能的位置，每一种预测用粒子群优化算法中的一个粒子进行表示，将目标的位置和范围作为粒子群优化算法的搜索空间；其次，在状态搜索空间中，运用粒子群优化搜索算法寻找具有最大相关匹配值的目标状态值作为目标跟踪的结果，并根据跟踪结果自适应更新模板以实现持续稳健的跟踪。本发明采用粒子群优化搜索的方法在目标状态空间中搜索，进行目标模板匹配，以得到当前帧的跟踪结果，该方法能够较好地提高跟踪算法的鲁棒性，并极大地降低算法的复杂度。

Description

一种基于粒子群优化的模版匹配跟踪方法

技术领域

本发明属于模版匹配技术领域，尤其涉及一种基于粒子群优化的模版匹配跟踪方法。

背景技术

视频目标跟踪是指根据视频中目标的视觉特征在视频帧序列中确定感兴趣的特定目标在图像中的位置、大小、速度等运动参数及轨迹。视频目标跟踪是计算机视觉***的核心任务之一，在智能视频监控、人机交互、医学诊断、机器人导航等众多领域有着广泛的应用前景。然而在实际中，对复杂场景的鲁棒性以及对跟踪算法的实时性要求是目前视频目标跟踪技术的主要挑战。因此如何提高跟踪技术的准确性、实时性，以适应实际应用领域的各种需求是目前的视频目标跟踪技术领域关注的关键问题。

基于模版匹配的跟踪算法是一种简单、易行的跟踪算法，它是通过事先建立的目标模版在待测图像上与候选图像块进行相关性匹配运算，搜索寻找最佳匹配的图像块作为在当前帧中的跟踪结果，该算法具有理论简单明了、容易实现等特点。

Olson C F[Olson C F.Maximum-likelihood template matching[C]//ComputerVision and Pattern Recognition,2000.Proceedings.IEEE Conference on.IEEE,2000,2:52-57.]提出了运用最大似然计算模板匹配的方法，并提出该方法可用于视频跟踪。基于模版匹配的跟踪算法大多数能准确的跟踪上目标，但如果图上中有比较复杂的背景，存在干扰性很强的区域时，将会出现跟踪漂移并导致跟踪识别的情况，并且该算法计算复杂度较高，因此阻碍其在实际中的应用。为此，基于模版匹配的跟踪算法的不同的策略被提出，其目的在于提高模版匹配的效率及鲁棒性。目前基于模板匹配的跟踪算法的改进主要在两个方面，其一，减少相关匹配计算的运算量；其二，减少相关匹配计算的次数。减少相关匹配的计算量，也就可能改变了匹配的方法，那么匹配的精度就难以保证。

模版匹配算法以图像像素值信息进行匹配的，通常采用的是归一化相关系数的模版匹配算法，通过建立归一化的相关函数的方法来进行相似度量的计算。相似度量r(x,y)，即描述目标模版T(x₀,y₀)与候选模版G(x+x₀,y+y₀)的相似程度的一个标量值。

$r(x,y)=\frac{\underset{x_0=1}{\overset{W}{\mathrm{\Σ}}}\underset{y_0=1}{\overset{H}{\mathrm{\Σ}}}T(x_0,y_0)G(x+x_0,y+y_0)}{\sqrt{\underset{x_0=1}{\overset{W}{\mathrm{\Σ}}}\underset{y_0=1}{\overset{H}{\mathrm{\Σ}}}{\left(T(x_0,y_0)\right)}^2}\sqrt{\underset{x_0=1}{\overset{W}{\mathrm{\Σ}}}\underset{y_0=1}{\overset{H}{\mathrm{\Σ}}}{\left(G(x+x_0,y+y_0)\right)}^2}}---\left(1\right)$

根据柯西-施瓦兹不等式可知式(1)中0<r(x,y)≤1，只有当目标模版和候选模版完全一致时，r(x,y)取得最大值1。基于模板匹配的跟踪算法就是即要在视频当前帧中寻找使得r(x,y)取得最大值的候选图像块位置作为当前目标的位置；由公式(1)可知，对应每一个大小为W×H的候选匹配图像块，模板匹配算法需要进行Ο(WH)次乘法运算，传统的模板匹配算法在图像中采用遍历的方法搜索寻找最优的匹配，对于大小为U×V的图像搜索区域而言，则需要Ο(WHUV)次乘法运算，即使按照费俊琳等人提出的由粗及细的方法，也至少需要次乘法运算，m与n其中为粗搜索的间隔，而精搜索的图像区域大小为U'×V'。

现有的模板匹配的计算复杂度很高，由粗及细的搜索方法也容易陷入局部最优，使得最终得到的匹配结果不是最优结果。

发明内容

本发明的目的在于提供一种基于粒子群优化的模版匹配跟踪方法，旨在解决现有的模板匹配的计算复杂度很高，由粗及细的搜索方法也容易陷入局部最优，得到的匹配结果不是最优结果的问题。

本发明是这样实现的，一种基于粒子群优化的模版匹配跟踪方法，所述基于粒子群优化的模版匹配跟踪方法首先根据目标以往的运动情况预测目标在当前帧中可能的位置，每一种预测用粒子群优化算法中的一个粒子进行表示，将目标的位置和范围作为粒子群优化算法的搜索空间；

其次，在状态搜索空间中，运用粒子群优化搜索算法寻找具有最大相关匹配值的目标状态值作为目标跟踪的结果，并根据跟踪结果自适应更新模板以实现持续稳健的跟踪。

进一步，所述基于粒子群优化的模版匹配跟踪方法具体包括以下步骤：

步骤一，选定跟踪区域，建立目标模板：

在跟踪的第一帧时，人为或自动用矩形框(x₀,y₀,W,H)选定待跟踪目标的矩形区域，其中，(x₀,y₀)为矩形框在图像帧中的位置，(W,H)而代表矩形框的大小，以矩形框所表示的图像块作为初始目标模板T(x₀,y₀)；

步骤二，初始化粒子群：

将目标的位置及范围作为粒子群的搜索状态空间，每个粒子代表目标在状态空间的一种状态可能，初始化粒子群的种群数为m，即粒子群中有m个粒子，任意粒子i的状态初始化为根据以往目标运动的先验知识，在上一帧跟踪结果附近随机游动，第K-1帧的跟踪结果为(x_K-1,y_K-1,W_K-1,H_K-1)，则初始化第K帧时粒子i的状态S_i＝(x_iK,y_iK,W_iK,H_iK)为：

x_iK＝x_K-1+vx+n_x    (2)

y_iK＝y_K-1+vy+n_y    (3)

W_iK＝W_K-1+n_W    (4)

H_iK＝H_K-1+n_H；    (5)

(vx,vy)分别为根据以往的跟踪结果得到的目标的帧间位移向量先验知识，在跟踪第一帧(vx,vy)设为(0,0)，(n_x,n_y)为零均值高斯噪声，(n_W,n_H)为在集合{-1,,0,1}中按均匀分布随机取值的随机数，目标的帧间位移定义为匀速运动叠加上一零均值分布的高斯噪声，而由于目标帧间尺度变化通常非常小，因此定义目标尺度的帧间变化为在集合{-1,,0,1}中的随机取值；

种群中每个粒子在状态空间的运动速度初始化为：

v_i＝(v_ix,v_iy,v_iW,v_iH)^T＝(0，0,0,0)^T；    (6)

初始化每个粒子的个体最优为其本身所代表的初始状态值，即：

p_i＝(x_iK,y_iK,W_iK,H_iK)^T；    (7)

步骤三，计算每个粒子对应的相关匹配值，并得到全局最优：

在进行目标跟踪过程中，由于传感器增益的自适应调节以及光照条件的变化等因素影响，目标模板的像素均值并非总是保持不变，目标像素均值的变化必定会对目标的相似匹配结果产生影响，为消除此类影响，在行相关匹配计算时，分别减去了目标模板均值T以及候选区域(x_iK,y_iK)的灰度均值之后再进行归一化的相关系数的计算：

$\mathrm{\&gamma;}(x_{\mathrm{iK}},y_{\mathrm{iK}})=\frac{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}\left[(T(x_0,y_0)-\stackrel{\&OverBar;}{T})(G(x_{\mathrm{iK}}+x_0,y_{\mathrm{iK}}+y_0)-{\stackrel{\&OverBar;}{G}}_{\mathrm{xy}})\right]}{\sqrt{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}{(T(x_0,y_0)-\stackrel{\&OverBar;}{T})}^2}\sqrt{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}{(G(x_{\mathrm{iK}}+x_0,y_{\mathrm{iK}}+y_0)-{\stackrel{\&OverBar;}{G}}_{\mathrm{xy}})}^2}};---\left(8\right)$

按照上式计算各个粒子所对应的相关匹配值，将相关匹配值最大的粒子初始化为粒子群的全局最优，即：

$p_g={(x_{\mathrm{iK}},y_{\mathrm{iK}},W_{\mathrm{iK}},H_{\mathrm{iK}})}^T=\underset{i}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}},y_{\mathrm{iK}})\right);---\left(9\right)$

步骤四，粒子群优化搜索：

粒子在搜索空间中的运动由下列方程决定：

v_id(t+1)＝ωv_id(t)+η₁r₁(p_id(t)-x_td(t))+η₂r₂(p_gd(t)-x_td(t))    (10)

x_id(t+1)＝x_id(t)+v_id(t+1)；    (11)

其中d＝{x,y,W,H}，代表不同的状态变量，i＝1,2,…,m，t表示优化搜索算法的进化代数，ω为微粒的惯性权值，r₁及r₂为分布于[0,1]间的随机数，η₁和η₂为加速常数，设置速度的上限v_max，当v_id(t+1)>v_max时有v_id(t+1)＝v_max，当v_id(t+1)<-v_max时有v_id(t+1)＝-v_max；

设置粒子的惯性权值ω按如下方式进行变化：

即随着搜索迭代次数的递增，惯性权值ω逐渐减少，从而放慢搜索的脚步；

让全局最优的粒子在解空间中作随机游动：

p_g(t+1)＝p_g(t)+r₃    (13)

计算全局最优粒子随机游动后在新位置处对应的相关匹配值γ，并替换当前相关匹配值最小的粒子；

步骤五，更新全局最优以及个体最优：

依据每个粒子所代表的新的状态值{x_iK(t),y_iK(t),W_iK(t),H_iK(t)}，按公式(8)计算其所对应的新相关匹配值γ(x_iK(t),y_iK(t))，通过比较每个粒子自身在各次迭代中的相关匹配值，更新个体最优：

$p_i=\underset{t}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}}\left(t\right),y_{\mathrm{iK}}\left(t\right))\right)---\left(14\right)$

根据更新后的个体最优更新全局最优：

$p_g=\underset{p_i}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}}\left(t\right),y_{\mathrm{iK}}\left(t\right))\right);---\left(15\right)$

步骤六，判断优化迭代是否结束：

当满足相邻两次优化迭代搜索得到的全局最优的相关匹配值的差小于规定阈值thred，则迭代结束；最后一次迭代得到的全局最优样本作为当前帧中的目标，前后相邻两次全局最优的相关匹配值之差大于规定阈值，则回到步骤四进行新一轮优化搜索；

步骤七，模板更新：

将当前跟踪模板的相关匹配值作为判断跟踪准确性的依据，将目标模板与当前帧的跟踪结果进行动态加权进行模板更新：

T(x,y)＝(1-α)×T(x,y)+α×T_C(x,y)    (16)

其中，T_C(x,y)为候选目标模板，α为模板更新系数，其设置的原则为，当匹配相关系数较大时候，相应的更新系数α也变大，加速更新，反之，若匹配相关系数小的时候，则减小更新系数，当相关匹配系数γ小于0.5时，停止更新，即令α＝0，而γ大于0.5，开始时更新，γ越大，则α越大；

步骤八，判别跟踪是否继续：

根据前后帧的跟踪结果计算帧间位移向量(vx,vy)；如果仍有后续视频帧，则转至步骤二否则跟踪结束。

本发明提供的基于粒子群优化的模版匹配跟踪方法，采用粒子群优化搜索的方法在目标状态空间中搜索，进行目标模板匹配，以得到当前帧的跟踪结果，该方法能够较好地提高跟踪算法的鲁棒性，并极大地降低算法的复杂度。本发明提出的方法极大提高了模板跟踪算法的运算速度；本发明提出的方法相较于传统模板匹配的跟踪算法在跟踪鲁棒性方面也有了改善。本发明所提出的方法可以获得更为准确和快速的跟踪效果。

附图说明

图1是本发明实施例提供的基于粒子群优化的模版匹配跟踪方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明在模版匹配算法的基础上，将目标的位置及范围作为粒子群优化算法的状态空间，采用粒子群优化的方法在状态空间中搜索寻找最优的相关匹配来进行目标跟踪，模板的大小随目标的尺寸而改变，考虑了在跟踪过程中光照条件变化以及目标变化对跟踪结果的影响，提出了自适应的模板更新方法并改进相关匹配的计算策略。

下面结合附图1对本发明的应用原理作进一步描述。

1.选定跟踪区域，建立目标模板：

在跟踪的第一帧时，人为或自动用矩形框(x₀,y₀,W,H)选定待跟踪目标的矩形区域，其中，(x₀,y₀)为矩形框在图像帧中的位置，(W,H)而代表矩形框的大小，以矩形框所表示的图像块作为初始目标模板T(x₀,y₀)；

2.初始化粒子群：

本发明将目标的位置及范围作为粒子群的搜索状态空间，每个粒子代表目标在状态空间的一种状态可能。初始化粒子群的种群数为m，即粒子群中有m个粒子。任意粒子i的状态初始化为根据以往目标运动的先验知识，在上一帧跟踪结果附近随机游动，设第K-1帧的跟踪结果为(x_K-1,y_K-1,W_K-1,H_K-1)，则初始化第K帧时粒子i的状态S_i＝(x_iK,y_iK,W_iK,H_iK)为：

x_iK＝x_K-1+vx+n_x    (2)

y_iK＝y_K-1+vy+n_y    (3)

W_iK＝W_K-1+n_W    (4)

H_iK＝H_K-1+n_H    (5)

这里(vx,vy)分别为根据以往的跟踪结果得到的目标的帧间位移向量先验知识，在跟踪第一帧(vx,vy)设为(0,0)，(n_x,n_y)为零均值高斯噪声，(n_W,n_H)为在集合{-1,,0,1}中按均匀分布随机取值的随机数。根据公式可见，目标的帧间位移定义为匀速运动叠加上一零均值分布的高斯噪声，而由于目标帧间尺度变化通常非常小，因此定义目标尺度的帧间变化为在集合{-1,,0,1}中的随机取值；

种群中每个粒子在状态空间的运动速度初始化为：

v_i＝(v_ix,v_iy,v_iW,v_iH)^T＝(0，0,0,0)^T    (6)

初始化每个粒子的个体最优为其本身所代表的初始状态值，即：

p_i＝(x_iK,y_iK,W_iK,H_iK)^T；    (7)

3.计算每个粒子对应的相关匹配值，并得到全局最优：

在进行目标跟踪过程中，由于传感器增益的自适应调节以及光照条件的变化等因素影响，目标模板的像素均值并非总是保持不变，目标像素均值的变化必定会对目标的相似匹配结果产生影响，为消除此类影响，本发明在行相关匹配计算时，分别减去了目标模板均值T以及候选区域(x_iK,y_iK)的灰度均值之后再进行归一化的相关系数的计算：

$\mathrm{\&gamma;}(x_{\mathrm{iK}},y_{\mathrm{iK}})=\frac{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}\left[(T(x_0,y_0)-\stackrel{\&OverBar;}{T})(G(x_{\mathrm{iK}}+x_0,y_{\mathrm{iK}}+y_0)-{\stackrel{\&OverBar;}{G}}_{\mathrm{xy}})\right]}{\sqrt{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}{(T(x_0,y_0)-\stackrel{\&OverBar;}{T})}^2}\sqrt{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}{(G(x_{\mathrm{iK}}+x_0,y_{\mathrm{iK}}+y_0)-{\stackrel{\&OverBar;}{G}}_{\mathrm{xy}})}^2}}---\left(8\right)$

按照上式计算各个粒子所对应的相关匹配值，将相关匹配值最大的粒子初始化为粒子群的全局最优，即：

$p_g={(x_{\mathrm{iK}},y_{\mathrm{iK}},W_{\mathrm{iK}},H_{\mathrm{iK}})}^T=\underset{i}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}},y_{\mathrm{iK}})\right);---\left(9\right)$

4.粒子群优化搜索：

粒子在搜索空间中的运动由下列方程决定：

v_id(t+1)＝ωv_id(t)+η₁r₁(p_id(t)-x_td(t))+η₂r₂(p_gd(t)-x_td(t))    (10)

x_id(t+1)＝x_id(t)+v_id(t+1)    (11)

其中d＝{x,y,W,H}，代表不同的状态变量，i＝1,2,…,m，t表示优化搜索算法的进化代数，ω为微粒的惯性权值，r₁及r₂为分布于[0,1]间的随机数，η₁和η₂为加速常数。此外，为使粒子速度不至于过大，可设置速度的上限v_max，当v_id(t+1)>v_max时有v_id(t+1)＝v_max，当v_id(t+1)<-v_max时有v_id(t+1)＝-v_max；

粒子群的收敛是粒子群优化搜索面临的主要问题，一方面希望算法能够快速收敛，迅速搜索到最优值，因此在优化迭代开始时，希望各粒子能够快速向最优值得方向运动，但一方面，当粒子已经运动到最优值附近时，则希望能够放慢搜索的步伐，避免搜索的震荡，避免搜索陷入局部的最优。而公式(10)中的粒子运动速度v_id(t)决定了粒子群收敛的方式，因此设置粒子的惯性权值ω按如下方式进行变化：

即随着搜索迭代次数的递增，惯性权值ω逐渐减少，从而放慢搜索的脚步；

此外，为增加粒子的多样性，避免算法陷入局部最优，让全局最优的粒子在解空间中作随机游动：

p_g(t+1)＝p_g(t)+r₃    (13)

计算全局最优粒子随机游动后在新位置处对应的相关匹配值γ，并用其替换当前相关匹配值最小的粒子；

5.更新全局最优以及个体最优：

依据每个粒子所代表的新的状态值{x_iK(t),y_iK(t),W_iK(t),H_iK(t)}，按公式(8)计算其所对应的新相关匹配值γ(x_iK(t),y_iK(t))，通过比较每个粒子自身在各次迭代中的相关匹配值，更新个体最优：

$p_i=\underset{t}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}}\left(t\right),y_{\mathrm{iK}}\left(t\right))\right)---\left(14\right)$

根据更新后的的个体最优更新全局最优：

$p_g=\underset{p_i}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}}\left(t\right),y_{\mathrm{iK}}\left(t\right))\right);---\left(15\right)$

6.判断优化迭代是否结束：

当满足相邻两次优化迭代搜索得到的全局最优的相关匹配值的差小于规定阈值thred，则迭代结束。最后一次迭代得到的全局最优样本作为当前帧中的目标，若前后相邻两次全局最优的相关匹配值之差大于规定阈值，则回到步骤4进行新一轮优化搜索；

7.模板更新：

视频跟踪过程中，由于目标大小不断的变化、背景光照强度变化等因素的影响，所以在实际目标跟踪过程中，根据实际的目标变化对模板进行更新是稳健跟踪的关键。在跟踪定位准确的情况下，模板应及时反映目标的变化，而在跟踪定位不准确的情况下，模板则应保持稳定，以免引入噪声，从而导致跟踪漂移，因此判断目标跟踪是否定位准确是进行模板更新的关键；本发明将当前跟踪模板的相关匹配值作为判断跟踪准确性的依据，将目标模板与当前帧的跟踪结果进行动态加权进行模板更新：

T(x,y)＝(1-α)×T(x,y)+α×T_C(x,y)    (16)

其中，T_C(x,y)为候选目标模板(即当前帧的跟踪结果)，α为模板更新系数，其设置的原则为，当匹配相关系数较大时候，相应的更新系数α也变大，加速更新，反之，若匹配相关系数小的时候，则减小更新系数，在实验中，当相关匹配系数γ小于0.5时，停止更新，即令α＝0，而γ大于0.5，开始时更新，γ越大，则α越大。

8.判别跟踪是否继续：

根据前后帧的跟踪结果计算帧间位移向量(vx,vy)；如果仍有后续视频帧，则转至步骤2否则跟踪结束。

以下结合跟踪测试对本发明的应用效果做详细的说明：

在已有的模板匹配的视频目标跟踪技术中，通过对15个公开视频帧序列的跟踪测试，本发明所提出的方法可以获得更为准确和快速的跟踪效果。

为评价目标跟踪算法的跟踪性能，以跟踪成功率Suc来评价跟踪的准确率。首先，计算每一帧跟踪目标位置与真实目标位置的重合率：

$\mathrm{score}=\frac{\mathrm{area}({\mathrm{ROI}}_T\&cap;{\mathrm{ROI}}_G)}{\mathrm{area}({\mathrm{ROI}}_T\&cup;{\mathrm{ROI}}_G)}---\left(17\right)$

式中，ROI_T表示跟踪算法得出的目标位置的矩形框；ROI_G表示真实的目标所在位置的矩形框；area表示求面积运算；重合率计算公式表示的是：ROI_T与ROI_G相交部分的面积除以相并部分的面积即为当前帧的重合率score，其值表示跟踪目标位置的准确度的高低；这里规定重合率score大于或等于0.5则当前帧跟踪成功，否则跟踪失败；最后将跟踪成功的帧数除以总的帧数得出各算法的跟踪某一视频序列的成功率。

表1两种算法跟踪三个序列的成功率ν

基于粒子群优化的模版匹配跟踪算法与基于模版匹配的跟踪算法在3个视频序列上跟踪成功率绘制成表1，从表1中的实验结果可以看出，本发明提出的算法在3个序列上都获得了非常好的效果，平均成功率为86.7％；而基于模版匹配的跟踪算法由于在3个视频序列中都有丢失目标的情况，最终使得跟踪效果比较差，平均成功率仅为42.7％；实验结果表明，结合了粒子群优化的模版匹配跟踪算法很好的改进了基于模版匹配的跟踪效果。

为了分析两种算法的跟踪每一帧所耗的时间，将两种算法在3个视频序列上的平均运行时间(秒/帧)绘制成表2。

表2两种算法平均每帧运行时间表t

通过表2可以得出，在football序列中，基于粒子群优化的模版匹配算法比基于传统模版匹配的跟踪算法的平均每帧运行时间要快4.1倍，basketball序列中，要快11.5倍，在twinnings序列中，本发明提出的算法比基于模版匹配的跟踪算法要快11.6倍。这主要是由于本发明提出的跟踪算法采用了粒子群优化的方法优化了搜索策略。

从实验结果中可见，本发明提出的方法极大提高了模板跟踪算法的运算速度，在跟踪鲁棒性方面也有了改善；若被跟踪的目标大小为W×H，传统的模板匹配算法通常选择范围为目标大小的S倍的区域作为搜索区域，需要计算相关匹配的采样点个数为搜索区域内的所有点，这样算法的计算复杂度为O(WHS)，由粗及细的改进算法采用粗搜索和精搜索相结合的方法，可降低计算复杂度，在粗搜索阶段采用间隔较大，采样点少，精搜索在粗搜索结果的局部邻域遍历采样，这样计算复杂度为其中N为粗搜索阶段的采样间隔，通常为一整数，w及h为精搜索区域的范围，若采样间隔N大，能更大幅度地降低计算复杂度，但由于精确搜索仅在粗搜索结果的邻域范围w×h内进行，不可避免地使得算法容易陷入局部最优。而本发明一般采用30个粒子，经过2～3次迭代可收敛，这样采样样本很有限，以basketball视频序列为例，目标大小为40×100，若令搜索区域为40×100×4，传统的模板匹配需要计算16000个采样点，由粗及细的匹配方法，若令采样间隔为4，精确搜索区域为4×4，则也需要计算1016个采样点，而在实验中，本发明提出的方法以30个粒子进行采样，在实验中平均每次迭代2.5次可以找到目标，加上其中全局最优随机游动6次，即每帧平均需要运行(30+36*2.5)，即仅需要对120个采样点进行运算，从而极大地提高了算法的实时性能，且算法采用随机采样搜索的方式寻找最优值，因而不易陷入局部最优。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于粒子群优化的模版匹配跟踪方法，其特征在于，所述基于粒子群优化的模版匹配跟踪方法：

首先根据目标以往的运动情况预测目标在当前帧中可能的位置，每一种预测用粒子群优化算法中的一个粒子进行表示，将目标的位置和范围作为粒子群优化算法的搜索空间；

其次，在状态搜索空间中，运用粒子群优化搜索算法寻找具有最大相关匹配值的目标状态值作为目标跟踪的结果，并根据跟踪结果自适应更新模板以实现持续稳健的跟踪。

2.如权利要求1所述的基于粒子群优化的模版匹配跟踪方法，其特征在于，所述基于粒子群优化的模版匹配跟踪方法具体包括以下步骤：

步骤一，选定跟踪区域，建立目标模板：

在跟踪的第一帧时，人为或自动用矩形框(x₀,y₀,W,H)选定待跟踪目标的矩形区域，其中，(x₀,y₀)为矩形框在图像帧中的位置，(W,H)而代表矩形框的大小，以矩形框所表示的图像块作为初始目标模板T(x₀,y₀)；

步骤二，初始化粒子群：

将目标的位置及范围作为粒子群的搜索状态空间，每个粒子代表目标在状态空间的一种状态可能，初始化粒子群的种群数为m，即粒子群中有m个粒子，任意粒子i的状态初始化为根据以往目标运动的先验知识，在上一帧跟踪结果附近随机游动，第K-1帧的跟踪结果为(x_K-1,y_K-1,W_K-1,H_K-1)，则初始化第K帧时粒子i的状态S_i＝(x_iK,y_iK,W_iK,H_iK)为：

x_iK＝x_K-1+vx+n_x   (2)

y_iK＝y_K-1+vy+n_y   (3)

W_iK＝W_K-1+n_W   (4)

H_iK＝H_K-1+n_H；   (5)

(vx,vy)分别为根据以往的跟踪结果得到的目标的帧间位移向量先验知识，在跟踪第一帧(vx,vy)设为(0,0)，(n_x,n_y)为零均值高斯噪声，(n_W,n_H)为在集合{-1,,0,1}中按均匀分布随机取值的随机数，目标的帧间位移定义为匀速运动叠加上一零均值分布的高斯噪声，而由于目标帧间尺度变化通常非常小，因此定义目标尺度的帧间变化为在集合{-1,,0,1}中的随机取值；

种群中每个粒子在状态空间的运动速度初始化为：

v_i＝(v_ix,v_iy,v_iW,v_iH)^T＝(0，0,0,0)^T；   (6)

初始化每个粒子的个体最优为其本身所代表的初始状态值，即：

p_i＝(x_iK,y_iK,W_iK,H_iK)^T；   (7)

步骤三，计算每个粒子对应的相关匹配值，并得到全局最优：

在进行目标跟踪过程中，由于传感器增益的自适应调节以及光照条件的变化因素影响，目标模板的像素均值并非总是保持不变，目标像素均值的变化必定会对目标的相似匹配结果产生影响，为消除此类影响，在行相关匹配计算时，分别减去了目标模板均值T以及候选区域(x_iK,y_iK)的灰度均值之后再进行归一化的相关系数的计算：

$\mathrm{\&gamma;}(x_{\mathrm{iK}},y_{\mathrm{iK}})=\frac{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}[T(x_0,y_0)-\stackrel{\&OverBar;}{T}(G(x_{\mathrm{iK}}+x_0,y_{\mathrm{iK}}+y_0)-{\stackrel{\&OverBar;}{G}}_{\mathrm{xy}})]}{\sqrt{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}{(T(x_0,y_0)-\stackrel{\&OverBar;}{T})}^2}\sqrt{\underset{s=1}{\overset{W}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{H}{\mathrm{\&Sigma;}}}{(G(x_{\mathrm{iK}}+x_0,y_{\mathrm{ik}}+y_0)-{\stackrel{\&OverBar;}{G}}_{\mathrm{xy}})}^2}};---\left(8\right)$

按照上式计算各个粒子所对应的相关匹配值，将相关匹配值最大的粒子初始化为粒子群的全局最优，即：

$p_g={(x_{\mathrm{iK}},y_{\mathrm{iK}},W_{\mathrm{ik}},H_{\mathrm{ik}})}^T=\underset{i}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}},y_{\mathrm{iK}})\right);---\left(9\right)$

步骤四，粒子群优化搜索：

粒子在搜索空间中的运动由下列方程决定：

v_id(t+1)＝ωv_id(t)+η₁r₁(p_id(t)-x_td(t))+η₂r₂(p_gd(t)-x_td(t))   (10)

x_id(t+1)＝x_id(t)+v_id(t+1)；   (11)

其中d＝{x,y,W,H}，代表不同的状态变量，i＝1,2,…,m，t表示优化搜索算法的进化代数，ω为微粒的惯性权值，r₁及r₂为分布于[0,1]间的随机数，η₁和η₂为加速常数，设置速度的上限v_max，当v_id(t+1)>v_max时有v_id(t+1)＝v_max，当v_id(t+1)<-v_max时有v_id(t+1)＝-v_max；

设置粒子的惯性权值ω按如下方式进行变化：

即随着搜索迭代次数的递增，惯性权值ω逐渐减少，从而放慢搜索的脚步；

让全局最优的粒子在解空间中作随机游动：

p_g(t+1)＝p_g(t)+r₃   (13)

计算全局最优粒子随机游动后在新位置处对应的相关匹配值γ，并替换当前相关匹配值最小的粒子；

步骤五，更新全局最优以及个体最优：

依据每个粒子所代表的新的状态值{x_iK(t),y_iK(t),W_iK(t),H_iK(t)}，按公式(8)计算其所对应的新相关匹配值γ(x_iK(t),y_iK(t))，通过比较每个粒子自身在各次迭代中的相关匹配值，更新个体最优：

$p_i=\underset{t}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}}\left(t\right),y_{\mathrm{iK}}\left(t\right))\right)---\left(14\right)$

根据更新后的个体最优更新全局最优：

$p_g=\underset{p_i}{\arg \max }\left(\mathrm{\&gamma;}(x_{\mathrm{iK}}\left(t\right),y_{\mathrm{iK}}\left(t\right))\right);---\left(15\right)$

步骤六，判断优化迭代是否结束：

当满足相邻两次优化迭代搜索得到的全局最优的相关匹配值的差小于规定阈值thred，则迭代结束；最后一次迭代得到的全局最优样本作为当前帧中的目标，前后相邻两次全局最优的相关匹配值之差大于规定阈值，则回到步骤四进行新一轮优化搜索；

步骤七，模板更新：

将当前跟踪模板的相关匹配值作为判断跟踪准确性的依据，将目标模板与当前帧的跟踪结果进行动态加权进行模板更新：

T(x,y)＝(1-α)×T(x,y)+α×T_C(x,y)   (16)

其中，T_C(x,y)为候选目标模板，α为模板更新系数，设置的原则为，当匹配相关系数较大时候，相应的更新系数α也变大，加速更新，反之，匹配相关系数小的时候，则减小更新系数，当相关匹配系数γ小于0.5时，停止更新，即令α＝0，而γ大于0.5，开始时更新，γ越大，则α越大；

步骤八，判别跟踪是否继续：

根据前后帧的跟踪结果计算帧间位移向量(vx,vy)；仍有后续视频帧，则转至步骤二否则跟踪结束。