本发明公开了一种基于改进箱粒子滤波的视频目标跟踪方法，主要解决现有粒子滤波视频目标跟踪方法针对大动态范围目标跟踪中存在的搜索和捕捉性能差以及粒子采样效率低的问题。其实现步骤是：1.在粒子滤波框架下将普通点粒子拓展为箱粒子，通过目标状态预测得到候选目标，提取候选目标特征；2.通过计算候选目标特征与模板之间的距离，对箱粒子进行收缩，并得到对应权值；3.对箱粒子进行重采样，进而融合得到目标的状态估计，实现对目标的可靠跟踪。本发明实现了对目标状态空间的高效覆盖，提高了采样效率，提升了对大动态范围目标的搜索和捕捉性能，可用于视频监控、目标跟踪系统。
1.一种基于改进箱粒子滤波的视频目标跟踪方法，包括：(1)初始化：
(1a)读入k-1时刻的图像Ik-1，将普通点粒子拓展为箱粒子，初始化k-1时刻的箱粒子集为 其中， 表示k-1时刻第i个箱粒子的状态区间，i为箱粒子序号，取值为1,
2,···,N，N表示箱粒子总数，k表示时刻，初始时刻为k＝1；
(1b)初始化目标跟踪窗：Bk-1＝(rk-1,ck-1)T，其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值，T表示向量转置运算；
(1c)根据目标初始状态与目标跟踪窗Bk-1，初始化目标的特征协方差矩阵M作为特征模板；
(2a)读入k时刻的图像Ik，通过对k-1时刻图像中箱粒子集 的传递，得到k时刻图像中的预测箱粒子集 其中 为k时刻第i个预测箱粒子的状态区间；
(2b)根据k时刻预测箱粒子集 和目标跟踪窗Bk-1，确定k时刻候选目标集其中， 为k时刻第i个预测箱粒子的第v个顶点所对应的候选目标，它表示以 为中心、Bk-1为长宽所界定出的矩形区域， 为预测箱粒子 的第v个顶点，v表示顶点的序号，取值为1、2、3、4；
(3a)对于k时刻图像Ik，提取其对应的特征图F；
(3b)在特征图F的基础上得到特征向量积分图IP和特征向量乘积积分图IQ；
(3c)根据特征向量积分图IP、特征向量乘积积分图IQ和候选目标集 提取候选目标的特征集 其中 为k时刻第i个预测箱粒子的第v个顶点所对应候选目标的特征协方差矩阵；
(4a)求取各候选目标特征集 与特征模板M之间的距离集 其中表示k时刻第i个预测箱粒子的第v个顶点所对应候选目标的特征协方差矩阵与特征模板之间的距离；
(4b)根据距离集 对预测箱粒子集 进行收缩，得到更新箱粒子集其中， 表示k时刻第i个更新箱粒子的状态区间；
(4c)计算更新箱粒子集对应的权值集 表示k时刻第i个更新箱粒子的权值；
(5a)利用重采样算法，根据权值集 对k时刻更新箱粒子集 进行重采样，得到k时刻的重采样箱粒子集 其中 表示k时刻第i个重采样箱粒子的状态区间；
(5b)保持重采样箱粒子中心不变，将重采样箱粒子的大小扩大4倍，得到k时刻的箱粒子集 其中 表示k时刻第i个箱粒子的状态区间；
(6a)根据k时刻的箱粒子集 估计k时刻的目标状态Xk：其中，N表示粒子总数， 为k时刻第i个箱粒子的中心；
(6b)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标Tk，并输出；
检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤(2)进行迭代，否则，目标跟踪过程结束。
2.根据权利要求1所述的方法，其中步骤(1a)中初始化k-1时刻的箱粒子集为通过如下步骤确定：
(1a1)根据目标的初始状态，产生k-1时刻第i个箱粒子其中， 和 分别表示k-1时刻第i个箱粒子状态区间中任意一点的横坐标和纵坐标， 和 分别表示k-1时刻第i个箱粒子状态区间中任意一点横坐标的下限和上限，和 分别表示k-1时刻第i个箱粒子状态区间中任意一点纵坐标的下限和上限；
(1a2)用步骤(1a1)中所得的N个箱粒子，组成箱粒子集
3.根据权利要求1所述的方法，其中步骤(2a)中读入k时刻的图像Ik，通过对k-1时刻图像中箱粒子集 的传递，得到k时刻图像中的预测箱粒子集 通过如下步骤确定：
(2a1)对k-1时刻箱粒子集 中的每一个箱粒子进行传递，得到预测箱粒子其中，ωk-1为状态噪声，其服从均值为 状态噪声协方差为Ψ的高斯分布；
(2a2)用步骤(2a1)中所得的N个预测箱粒子，组成预测箱粒子集
4.根据权利要求1所述的方法，其中步骤(2b)中根据k时刻预测箱粒子集 和目标跟踪窗Bk-1，确定k时刻候选目标集 通过如下步骤确定：(2b1)计算预测箱粒子集 中第i个预测箱粒子 的第v个顶点 所对应的候选目标
其中， 和 分别表示k时刻第i个预测箱粒子的第v个顶点的横坐标和纵坐标，v取值为1、2、3、4；
(2b2)用步骤(2b1)中所得的4个顶点所对应的候选目标，组成第i个预测箱粒子的候选目标集
(2b3)用步骤(2b2)中所得的N个预测箱粒子的候选目标集，组成候选目标集
5.根据权利要求1所述的方法，其中步骤(3a)中对于k时刻图像Ik，提取其对应的特征图F，通过如下步骤确定：(3a1)计算图像Ik中(x,y)处的像素点所对应的特征向量F(x,y)：其中，Ik(x,y)为图像Ik像素点(x,y)处的灰度值， 和 分别表示图像Ik像素点(x,y)处x方向的一阶和二阶梯度， 和 分别表示图像Ik像素点(x,y)处y方向的一阶和二阶梯度，T表示向量转置，x的取值为1,2···W，y的取值为1,
2···H，W表示图像Ik的宽，H表示图像Ik的高；
(3a2)用步骤(3a1)中得到的W×H个特征向量，组成特征图F：F＝{F(x,y)|x＝1,2,···,W,y＝1,2,···,H}。
6.根据权利要求1所述的方法，其中步骤(3b)中在特征图F的基础上得到特征向量积分图IP和特征向量乘积积分图IQ，通过如下步骤确定：(3b1)分别计算特征向量积分图IP中的点IP(x′,y′,a)和特征向量乘积积分图IQ中的点IQ(x′,y′,a,b)：
其中，F(x,y,a)为特征图F中的点F(x,y)处的第a维特征，F(x,y,b)为特征图F中F(x,y)处的第b维特征，a为第一组特征序号，其取值为1,2…d，b为第二组特征序号，其取值为1,
(3b2)将步骤(3b1)所得的点IP(x′,y′,a)和IQ(x′,y′,a,b)分别表示成矩阵形式IPx,y和IQx,y：IPx,y＝[IP(x,y,1)…IP(x,y,d)]T，(3b3)将步骤(3b2)所得的点IPx,y和IQx,y分别组成集合，得到特征向量积分图IP和特征向量乘积积分图IQ：IP＝{IPx,y|x＝1,2···W1,y＝1,2···H1}，IQ＝{IQx,y|x＝1,2···W1,y＝1,2···H1}，其中，W1表示IP和IQ的宽，H1表示积分图IP和IQ的高。
7.根据权利要求1所述的方法，其中步骤(3c)中根据特征向量积分图IP、特征向量乘积积分图IQ和候选目标集 提取候选目标的特征集 通过如下步骤确定：
(3c1)计算候选目标集 中每一个候选目标 所对应的特征协方差矩阵其中，v的取值为1、2、3、4，(x′,y′)为候选目标 对应矩形区域左上角的顶点坐标，(x″,y″)为候选目标 对应矩形区域右下角的顶点坐标，n为区域内像素总数n＝(x″-x′)·(y″-y′)，IQx″,y″、IQx′,y″、IQx″,y′、IQx′,y′为特征向量乘积积分图IQ中的四个不同点，IPx″,y″、IPx′,y″、IPx″,y′、IPx′,y′为特征向量积分图IP中的四个不同点；
(3c2)用步骤(3c1)中所得的4个顶点所对应的特征协方差矩阵，组成第i个预测箱粒子的特征集
(3c3)用步骤(3c2)中所得的N个预测箱粒子的特征集，组成候选目标的特征集
8.根据权利要求1所述的方法，其中步骤(4a)中计算候选目标的特征集 与特征模板M之间的距离集 通过如下步骤计算：(4a1)分别计算每一个候选目标特征与特征模板M的之间距离(4a2)用步骤(4a1)中所得的4个顶点所对应的距离，组成第i个预测箱粒子的距离集(4a3)用步骤(4a2)中所得的N个预测箱粒子的距离集，组成距离集
9.根据权利要求1所述的方法，其中步骤(4b)中根据距离集 对预测箱粒子集 进行收缩得到更新箱粒子集 通过如下步骤计算：(4b1)分别计算预测箱粒子集 中每一个预测箱粒子距特征模板最近的顶点序号β(i)：
其中， 表示k时刻第i个预测箱粒子的第v个顶点所对应候选目标的特征协方差矩阵与特征模板M之间的距离；
(4b2)根据步骤(4b1)中的得到的顶点序号，确定k时刻第i个预测箱粒子距特征模板最近的顶点
(4b3)分别将预测箱粒子集 中的每一个预测箱粒子 收缩为原始大小的1/
其中，S为状态空间中的矩形区域， 为k时刻第i个预测箱粒子的中心，为k时刻第i个预测箱粒子距特征模板最近的顶点，inf{·}表示取最小矩形区域；
(4b4)用步骤(4b3)中所求的N个更新箱粒子，组成更新箱粒子集
10.根据权利要求1所述的方法，其中步骤(4c)中计算更新箱粒子集 对应的权值集 通过如下步骤计算：
(4c1)分别计算更新箱粒子集 中每一个更新箱粒子的权值其中， 为更新箱粒子集 中第i个预测箱粒子与特征模板的最近距离，R为特征观测噪声方差，β(i)为k时刻图像中预测箱粒子集 中每一个预测箱粒子距特征模板最近的顶点序号；
(4c2)用步骤(4c1)中所求的N个更新箱粒子的权值，组成更新箱粒子的权值集
基于改进箱粒子滤波的视频目标跟踪方法
技术领域
[0001] 本发明属于跟踪监测技术领域，特别涉及一种视频目标跟踪方法，可用于视频监控、目标跟踪系统。
背景技术
[0002] 在视频跟踪研究中，基于粒子滤波的目标跟踪方法由于其在解决非线性问题方面的优异特性，以及相对开放的跟踪框架对各种特征描述方法的兼容能力，在视频跟踪中得到了广泛的应用。然而，由于采样粒子的空间覆盖能力与实际量测存在的模糊性不相匹配，致使普通粒子滤波跟踪方法对于运动动态范围大的小目标的捕获性能变差。因此，如何提高粒子采样效率，利用较少的粒子实现对目标可能存在区域的有效覆盖，同时与量测模糊性相匹配，已成为视频跟踪研究中的难点问题。
[0003] 目前，典型的目标跟踪方法有：均值漂移，普通粒子滤波和普通箱粒子滤波等。其中：
[0004] 均值漂移方法，虽然简单易实现，计算量小，但因具有局部收敛特性容易陷入局部最优解而产生明显的跟踪滞后效应，对快速移动的大动态范围目标易产生失跟；
[0005] 普通粒子滤波方法的跟踪性能较大程度依赖于所采用的粒子数，且将所用粒子抽象为空间体积为零的点。这使得大量粒子映射到量测空间中，只占据若干个与量测尺度相当的区域，存在点粒子描述精确性与量测模糊性之间不匹配的问题，导致计算量的浪费。
[0006] 普通箱粒子滤波方法，将普通的点粒子拓展为箱粒子，从而更为高效的实现对目标状态空间的覆盖，解决了粒子在状态空间中的覆盖能力与量测模糊性不匹配的问题。但是现有的箱粒子滤波仅应用于雷达目标跟踪中，无法直接应用于视频目标跟踪中。将箱粒子滤波概念引入视频目标跟踪中，主要面临以下问题：一是普通箱粒子滤波中所使用的区间分析理论仅适用于初等函数映射，而视频跟踪中量测函数不是初等函数；二是数字图像坐标具有离散性，而普通箱粒子滤波中的收缩算法和重采样策略都要对箱粒子进行分割操作，使其可能小于一个像素，从而失去意义。
发明内容
[0007] 本发明的目的在于针对上述已有技术中的不足，结合视频跟踪中量测函数为非初等函数以及数字图像坐标具有离散性的情况，对量测区间映射、收缩算法和重采样策略进行改进，提出了一种基于改进箱粒子滤波的视频目标跟踪方法，以提升对大动态范围小目标的搜索和捕捉性能及粒子采样效率。
[0008] 实现本发明的技术关键是：在跟踪过程中，通过顶点映射函数实现对量测实际分布区间简便而有效的估计，并且将收缩算法和重采样策略中涉及箱粒子体积的操作改进为稳定且可控的收缩和放大，以保证估计精度与箱粒子覆盖能力之间的平衡，从而更为高效的实现对目标状态空间的覆盖，提高对目标的搜索和捕捉性能，以及跟踪的实时性。其实现步骤包括如下：
[0009] (1)初始化：
[0010] (1a)读入k-1时刻的图像Ik-1，将普通点粒子拓展为箱粒子，初始化k-1时刻的箱粒子集为 其中， 表示k-1时刻第i个箱粒子的状态区间，i为箱粒子序号，取值为1,2,…,N，N表示箱粒子总数，k表示时刻，初始时刻为k＝1；
[0011] (1b)初始化目标跟踪窗：Bk-1＝(rk-1,ck-1)T，其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值，T表示向量转置运算；
[0012] (1c)根据目标初始状态与目标跟踪窗Bk-1，初始化目标的特征协方差矩阵M作为特征模板；
[0013] (2)预测目标状态：
[0014] (2a)读入k时刻的图像Ik，通过对k-1时刻图像中箱粒子集 的传递，得到k时刻图像中的预测箱粒子集 其中 为k时刻第i个预测箱粒子的状态区间；
[0015] (2b)根据k时刻预测箱粒子集 和目标跟踪窗Bk-1，确定k时刻候选目标集其中， 为k时刻第i个预测箱粒子的第v个顶点所对应的候选目标，它表
示以 为中心、Bk-1为长宽所界定出的矩形区域， 为预测箱粒子 的第v个
顶点，v表示顶点的序号，取值为1、2、3、4；
[0016] (3)提取候选目标特征：
[0017] (3a)对于k时刻图像Ik，提取其对应的特征图F；
[0018] (3b)在特征图F的基础上得到特征向量积分图IP和特征向量乘积积分图IQ；
[0019] (3c)根据特征向量积分图IP、特征向量乘积积分图IQ和候选目标集提取候选目标的特征集 其中 为k时刻第i个预测箱粒子的第v个顶点所对
应候选目标的特征协方差矩阵；
[0020] (4)计算箱粒子权值：
[0021] (4a)求取各候选目标特征集 与特征模板M之间的距离集其中 表示k时刻第i个预测箱粒子的第v个顶点所对应候选目标的特征协方差矩阵与特
征模板之间的距离；
[0022] (4b)根据距离集 对预测箱粒子集 进行收缩，得到更新箱粒子集 其中， 表示k时刻第i个更新箱粒子的状态区间；
[0023] (4c)计算更新箱粒子集对应的权值集 表示k时刻第i个更新箱粒子的权值；
[0024] (5)重采样：
[0025] (5a)利用重采样算法，根据权值集 对k时刻更新箱粒子集 进行重采样，得到k时刻的重采样箱粒子集 其中 表示k时刻第i个重采样箱粒子的
状态区间；
[0026] (5b)保持重采样箱粒子中心不变，将重采样箱粒子的大小扩大4倍，得到k时刻的箱粒子集 其中 表示k时刻第i个箱粒子的状态区间；
[0027] (6)估计目标状态：
[0028] (6a)根据k时刻的箱粒子集 估计k时刻的目标状态Xk：
[0029]
[0030] 其中，N表示粒子总数， 为k时刻第i个箱粒子的中心；
[0031] (6b)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标Tk，并输出；
[0032] (7)判断是否迭代：
[0033] 检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤(2)进行迭代，否则，目标跟踪过程结束。
[0034] 本发明具有以下优点：
[0035] 1)本发明通过将普通的点粒子拓展为箱粒子，提高了对目标状态空间的覆盖能力，从而解决了采样粒子的覆盖能力与量测模糊性不匹配的问题；
[0036] 2)本发明依靠箱粒子较强的空间覆盖能力，提高了采样效率，从而提升了对大动态范围目标的搜索和捕捉性能。
附图说明
[0037] 图1是本发明的整体流程图；
[0038] 图2是本发明中箱粒子与普通点粒子的比较图；
[0039] 图3是本发明的整体实现过程示意图；
[0040] 图4是用本发明及现有方法对行人视频序列进行跟踪的实验结果图；
[0041] 图5是用本发明及现有方法对乒乓球视频序列进行跟踪的实验结果图；
[0042] 图6是用本发明及现有方法对直升机视频序列进行跟踪的实验结果图；
[0043] 图7是用本发明及现有方法对行人视频序列进行跟踪的似然等高线及采样粒子实验结果对比图；
[0044] 图8是用本发明及现有方法对乒乓球视频序列进行跟踪的似然等高线及采样粒子实验结果对比图；
[0045] 图9是用本发明及现有方法对直升机视频序列进行跟踪的似然等高线及采样粒子实验结果对比图。
具体实施方式
[0046] 参照图1，本发明的具体实施过程包括以下步骤：
[0047] 步骤1.初始化。
[0048] 1.1)令初始时刻k＝1，读入k-1时刻的图像Ik-1，将普通点粒子拓展为箱粒子，并初始化k-1时刻的箱粒子集
[0049] 参照图2，普通点粒子被抽象为空间体积为零的点，而箱粒子为Lx×Ly的箱，可以更为高效的实现对目标状态空间的覆盖，其中Lx和Ly分别表示箱粒子状态区间的长度值和宽度值，故本发明选用箱粒子，其初始化k-1时刻的箱粒子集步骤如下：
[0050] 1.1.1)根据目标的初始状态，产生k-1时刻第i个箱粒子
[0051]
[0052] 其中，i为箱粒子序号，取值为1,2,…,N，N表示箱粒子总数， 和 分别表示k-1时刻第i个箱粒子状态区间中点的横坐标和纵坐标， 和 分别表示k-1时刻第i个箱粒
子状态区间中点的横坐标的下限和上限， 和 分别表示k-1时刻第i个箱粒子状态区
间中点的纵坐标的下限和上限；
[0053] 1.1.2)用步骤1.1.1)所得的N个箱粒子，组成箱粒子集
[0054]
[0055] 1.2)初始化目标跟踪窗：Bk-1＝(rk-1,ck-1)T，其中rk-1和ck-1分别表示k-1时刻目标跟踪窗的长度和宽度值，T表示向量转置；
[0056] 1.3)根据目标初始状态X0与目标跟踪窗Bk-1，初始化目标的特征协方差矩阵M作为特征模板。
[0057] 步骤2.预测目标状态。
[0058] 2.1)读入k时刻的图像Ik，通过对k-1时刻图像中箱粒子集 的传递，得到k时刻图像中的预测箱粒子集
[0059] 2.1.1)对k-1时刻箱粒子集 中的每一个箱粒子进行传递，得到预测箱粒子
[0060]
[0061] 其中，ωk-1为状态噪声，其服从均值为 状态噪声协方差为Ψ的高斯分布；
[0062] 2.1.2)用步骤2.1.1)中所得的N个预测箱粒子，组成预测箱粒子集
[0063]
[0064] 2.2)根据k时刻的预测箱粒子集 和目标跟踪窗Bk-1，确定k时刻候选目标集
[0065] 2.2.1)计算预测箱粒子集 中第i个预测箱粒子 的第v个顶点所对应的候选目标
[0066]
[0067] 其中， 和 分别表示k时刻第i个预测箱粒子的第v个顶点的横坐标和纵坐标，v取值为1、2、3、4；
[0068] 2.2.2)用步骤2.2.1)中所得的4个顶点所对应的候选目标，组成第i个预测箱粒子的候选目标集
[0069]
[0070] 2.2.3)用步骤2.2.2)中所得的N个预测箱粒子的候选目标集，组成候选目标集
[0071]
[0072] 步骤3.提取候选目标特征。
[0073] 常用的目标特征有灰度特征、颜色特征、纹理特征、形状特征等。现有的提取目标特征的方法中针对颜色特征的提取方法有颜色直方图法、颜色矩法、颜色相关图法等；针对纹理特征的提取方法有梯度法、灰度共生矩阵法、自回归纹理模型法、小波变换法等；针对形状特征的提取方法有边界特征法、傅里叶形状描述符法、几何参数法等。
[0074] 本实例使用但不限于现有方法中通过梯度提取图像的纹理特征，并将其与灰度特征相结合作为特征向量，最后通过提取协方差矩阵作为目标特征，其步骤如下：
[0075] 3.1)对于k时刻图像Ik，提取其对应的特征图F：
[0076] 3.1.1)计算图像Ik中(x,y)处的像素点所对应的特征向量F(x,y)：
[0077]
[0078] 其中，Ik(x,y)为图像Ik像素点(x,y)处的灰度值， 和 分别表示图像Ik像素点(x,y)处x方向的一阶和二阶梯度， 和 分别表示图像Ik像素
点(x,y)处y方向的一阶和二阶梯度，T表示向量转置，x的取值为1,2,…,W，y的取值为1,
2,…,H，W表示图像Ik的宽，H表示图像Ik的高；
[0079] 3.1.2)用步骤3.1.1)中得到的W×H个特征向量，组成特征图F：
[0080] F＝{F(x,y)|x＝1,2,…,W,y＝1,2,…,H}； 9)
[0081] 3.2)根据特征图F计算特征向量积分图IP和特征向量乘积积分图IQ：
[0082] 3.2.1)分别计算特征向量积分图IP中的点IP(x′,y′,a)和特征向量乘积积分图IQ中的点IQ(x′,y′,a,b)：
[0083]
[0084]
[0085] 其中，F(x,y,a)为特征图F中的点F(x,y)处的第a维特征，F(x,y,b)为特征图F中F(x,y)处的第b维特征，a为第一组特征序号，其取值为1,2,…,d，b为第二组特征序号，其取值为1,2,…,d，d为特征维数；
[0086] 3.2.2)将步骤3.2.1)所得的点IP(x′,y′,a)和IQ(x′,y′,a,b)分别表示成矩阵形式IPx,y和IQx,y：
[0087] IPx,y＝[IP(x,y,1)…IP(x,y,d)]T， 12)
[0088]
[0089] 3.2.3)将步骤3.2.2)所得的点IPx,y和IQx,y分别组成集合，得到特征向量积分图IP和特征向量乘积积分图IQ：
[0090] IP＝{IPx,y|x＝1,2,…,W1,y＝1,2,…,H1}， 14)
[0091] IQ＝{IQx,y|x＝1,2,…,W1,y＝1,2,…,H1}， 15)
[0092] 其中，W1表示IP和IQ的宽，H1表示积分图IP和IQ的高；
[0093] 3.3)根据特征向量积分图IP、特征向量乘积积分图IQ和候选目标集计算候选目标的特征集
[0094] 3.3.1)计算候选目标集 中每一个候选目标 所对应的特征协方差矩阵
[0095]
[0096] 其中，v的取值为1、2、3、4，(x′,y′)为候选目标 对应矩形区域左上角的顶点坐标，(x″,y″)为候选目标 对应矩形区域右下角的顶点坐标，n为区域内像素总数n＝(x″-x′)·(y″-y′)，IQx″,y″、IQx′,y″、IQx″,y′、IQx′,y′为特征向量乘积积分图IQ中的四个不同点，IPx″,y″、IPx′,y″、IPx″,y′、IPx′,y′为特征向量积分图IP中的四个不同点；
[0097] 3.3.2)用步骤3.3.1)中所得的4个顶点所对应的特征协方差矩阵，组成第i个预测箱粒子的特征集
[0098]
[0099] 3.3.3)用步骤3.3.2)中所得的N个预测箱粒子的特征集，组成候选目标的特征集[0100]
[0101] 步骤4.计算权值。
[0102] 4.1)计算候选目标的特征集 与特征模板M之间的距离集
[0103] 4.1.1)分别计算每一个候选目标特征与特征模板M的之间距离
[0104]
[0105] 4.1.2)用步骤4.1.1)中所得的4个顶点所对应的距离，组成第i个预测箱粒子的距离集
[0106]
[0107] 4.1.3)用步骤4.1.2)中所得的N个预测箱粒子的距离集，组成距离集
[0108]
[0109] 4.2)根据距离集 对预测箱粒子集 进行收缩,得到更新箱粒子集
[0110] 4.2.1)分别计算每一个预测箱粒子距特征模板最近的顶点序号β(i)：
[0111]
[0112] 其中， 表示k时刻第i个预测箱粒子的第v个顶点所对应候选目标的特征协方差矩阵 与特征模板M之间的距离；
[0113] 4.2.2)根据步骤4.2.1)中得到的顶点序号，确定k时刻第i个预测箱粒子距特征模板最近的顶点
[0114] 4.2.3)分别将预测箱粒子集 中的每一个预测箱粒子 收缩为原始大小的1/4，得到更新箱粒子
[0115]
[0116] 其中，S为状态空间中的矩形区域， 为k时刻第i个预测箱粒子的中心，为k时刻第i个预测箱粒子距特征模板最近的顶点，inf{·}表示取最小矩形区域；
[0117] 4.2.4)用步骤4.2.3)中所求的N个更新箱粒子，组成更新箱粒子集
[0118]
[0119] 4.3)计算更新箱粒子的权值集
[0120] 4.3.1)分别计算每一个更新箱粒子的权值
[0121]
[0122] 其中， 表示k时刻第i个更新箱粒子的权值， 为第i个预测箱粒子与特征模板最近的距离，R为特征观测噪声方差；
[0123] 4.3.2)用步骤4.3.1)中所求的N个更新箱粒子的权值，组成更新箱粒子的权值集[0124]
[0125] 步骤5.重采样。
[0126] 现有的重采样方法有多项式重采样、系统重采样、残差重采样等，本实例使用但不限于现有方法中系统重采样方法对箱粒子集进行重采样，再对重采样后的箱粒子集进行放大，得到最后的箱粒子集，其步骤如下：
[0127] 5.1)利用系统重采样算法，根据权值集 对k时刻更新箱粒子集 进行重采样，得到k时刻的重采样箱粒子集 其中 表示k时刻第i个重采样箱粒子
的状态区间；
[0128] 5.2)保持重采样箱粒子中心不变，将重采样箱粒子的大小扩大4倍，得到k时刻的箱粒子集 其中 表示k时刻第i个箱粒子的状态区间。
[0129] 步骤6.估计目标状态。
[0130] 6.1)根据k时刻的箱粒子集 估计k时刻的目标中心位置Xk：
[0131]
[0132] 其中，N表示粒子总数， 为k时刻第i个箱粒子的中心；
[0133] 6.2)根据k时刻的目标中心位置和目标跟踪窗，确定k时刻的目标Tk：
[0134]
[0135] 其中，(x,y)为目标范围内的任意像素点，x和y分别为该像素点的横坐标和纵坐标，xk和yk分别表示k时刻目标状态Xk的横坐标和纵坐标，rk和ck分别表示k时刻目标跟踪窗的长度和宽度值。
[0136] 6.3)输出步骤6.2)所得的目标Tk。
[0137] 步骤7判断是否迭代。
[0138] 检查下一时刻的信息是否到达，若是，令k＝k+1，返回步骤2进行迭代，否则，目标跟踪过程结束。
[0139] 本发明的整体实现过程如图3所示。
[0140] 本发明的效果可通过以下仿真实验进一步说明：
[0141] 1.仿真条件。
[0142] 仿真环境：计算机采用Intel Core i5-2400 CPU 3.1Ghz，4GB内存，软件采用Matlab R2014a仿真实验平台。
[0143] 仿真参数：箱粒子状态区间的长度和宽度值Lx＝Ly＝5，箱粒子数N＝30，状态噪声方差Ψ＝diag([64,64])，特征观测噪声方差R＝1。
[0144] 2.仿真方法。
[0145] 方法1：本发明方法；
[0146] 方法2：普通粒子滤波跟踪方法，该方法使用粒子数N＝120
[0147] 方法3：均值漂移跟踪方法。
[0148] 3.仿真内容与结果。
[0149] 仿真1：用所述三种方法，对行人视频序列进行跟踪，结果如图4所示，其中：
[0150] 图4(a)为用方法1对行人视频序列第1、19、46和67帧进行跟踪的结果图；
[0151] 图4(b)为用方法2对行人视频序列第1、19、46和67帧进行跟踪的结果图；
[0152] 图4(c)为用方法3对行人视频序列第1、19、46和67帧进行跟踪的结果图。
[0153] 从图4可以看出，本发明方法能够较好的跟踪快速移动行人目标，方法2分别在第19和46帧存在一定误差，方法3则由于无法计算得到有效的漂移向量，丢失目标未能实现有效跟踪。
[0154] 仿真2：用所述三种方法，对乒乓球视频序列进行跟踪，结果如图5所示，其中：
[0155] 图5(a)为用方法1对乒乓球视频序列第1、13、24和41帧进行跟踪的结果图；
[0156] 图5(b)为用方法2对乒乓球视频序列第1、13、24和41帧进行跟踪的结果图；
[0157] 图5(c)为用方法3对乒乓球视频序列第1、13、24和41帧进行跟踪的结果图。
[0158] 从图5可以看出，本发明方法能够较为准确地捕捉快速运动且反复机动的目标，方法2则无法有效的适应目标运动的快速和突变性，分别在第13、24和41帧存在较大偏离，方法3同样无法有效的适应目标运动的快速和突变性，分别在第13和41帧存在较大偏离。
[0159] 仿真3：用所述三种方法，对直升机视频序列进行跟踪，结果如图6所示，其中：
[0160] 图6(a)为用方法1对直升机视频序列第1、4、8和10帧进行跟踪的结果图；
[0161] 图6(b)为用方法2对直升机视频序列第1、4、8和10帧进行跟踪的结果图；
[0162] 图6(c)为用方法3对直升机视频序列第1、4、8和10帧进行跟踪的结果图。
[0163] 从图6可以看出，本发明方法能够在战场的复杂环境下实现对目标的跟踪，方法2则在第8～10帧，即摄像机转动突变时，跟踪结果明显偏离，方法3则无法有效的适应目标的快速运动和摄像机转动突变，分别在第8和10帧存在较大偏离。
[0164] 仿真4：用方法1和方法2，对行人、乒乓球和直升机视频序列分别进行跟踪，提取跟踪过程中的似然等高线和采样粒子，结果如图7、图8和图9所示，其中：
[0165] 图7为用方法1和方法2对行人视频序列第19帧进行跟踪的似然等高线和采样粒子图；
[0166] 图8为用方法1和方法2对乒乓球视频序列第24帧进行跟踪的似然等高线和采样粒子图；
[0167] 图9为用方法1和方法2对直升机视频序列第10帧进行跟踪的似然等高线和采样粒子图。
[0168] 在图7、图8和图9中，对图像中存在目标的局部区域遍历，逐点提取候选目标，并与特征模板计算距离，进而得到局部区域所有候选目标的权重分布，即为似然等高线图，矩形框为本发明方法的预测箱粒子，而1/4的实心部分为本发明方法更新后收缩的更新箱粒子，较小的黑色圆点为方法2的普通点粒子。
[0169] 从图7可以看出，本发明方法与方法2均能实现有效采样，大部分的箱粒子和普通点粒子都覆盖在似然较高的位置，只是由于粒子覆盖能力的不同，本发明方法的估计状态更为接近目标真实状态。
[0170] 从图8可以看出，本发明方法能够通过若干处于目标似然较高位置的箱粒子的较强覆盖能力实现对目标的捕捉，而方法2由于普通点粒子的覆盖能力较弱，且累积误差使其采样中心距真实目标状态较远，导致普通点粒子均处于似然较低的位置，未实现有效采样，估计状态偏差较大。
[0171] 从图9可以看出，与上一场景类似，本发明方法通过若干有效的箱粒子实现了对目标的跟踪，而方法2未实现有效采样，估计状态偏差较大。
[0172] 对图4～图6中的场景分别进行100次蒙特卡罗实验，统计平均跟踪误差Err和平均每帧运行时间RT，结果如表1所示。
[0173] 表1
[0174]
[0175] 由表1中的统计数据可以看出：在跟踪误差方面，本发明对三组视频序列的跟踪结果比方法2分别降低了42％、68％和81％，比方法3分别降低了98％、86％和88％；在运行时间方面，由于每个箱粒子需要计算4个顶点所对应候选目标的特征协方差矩阵与特征模板之间的距离，其计算复杂度是普通点粒子的4倍，所以本发明方法使用30个粒子数与方法2使用120个粒子数的计算耗时RT接近，而方法3则用时最少。
[0176] 综上可以得出，方法3虽然用时最少，但无法实现对大动态范围目标的有效跟踪，而在用时相当的情况下，本发明在跟踪精度和鲁棒性方面均优于方法2。
