【摘要】 一种视频智能监控技术领域的低复杂度的尺度自适应视频目标跟踪方法， 包括：初始化粒子样本状态；对粒子样本，每一个采样点随机产生两种尺度因 子，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储；根据样 本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场；对 每个样点建立重要性采样密度函数，从蒙特卡罗采样的概率角度与均值漂移方 法结合，得到样本的更新状态Xti，并在状态Xti下更新权值Wti，然后通过对采样 点集合{Xti，Wti}i＝1..N进行重采样，得到当前时刻目标最终状态的后验概率分布的 离散估计{Xti，Wti}i＝1...N。本发明提高目标尺度空间的跟踪准确度，降低了实时视 频跟踪中的计算复杂度。 【专利类型】发明授权 【申请人】上海交通大学 【申请人类型】学校 【申请人地址】200240上海市闵行区东川路800号 【申请人地区】中国 【申请人城市】上海市 【申请人区县】闵行区 【申请号】CN200810036762.1 【申请日】2008-04-29 【申请年份】2008 【公开公告号】CN100587719C 【公开公告日】2010-02-03 【公开公告年份】2010 【授权公告号】CN100587719C 【授权公告日】2010-02-03 【授权公告年份】2010.0 【IPC分类号】G06T7/20 【发明人】徐奕; 宋利; 解蓉; 张文军; 王兆闻 【主权项内容】1、一种低复杂度的尺度自适应视频目标跟踪方法，其特征在于，包括如下步骤： 步骤一，初始化粒子样本状态：通过检测确定目标的初始状态x0，同时计算目标的观测矢量，给定粒子采样点的数目N，所有采样点的初始状态向量均为x0，且赋以统一的权值 步骤二，步骤一的粒子样本，对每个采样点i＝1：N取均匀分布的随机变量u～U[0，1)，如果 该采样点的尺度因子ki取为k1，否则取为k2，其中：k1＝1.2，k2＝0.9，分别表征了帧间目标尺度放大和缩小的变化特性，计算样本二阶自回归中心点，并作为均值漂移的中心点进行存储； 所述计算样本二阶自回归中心点，具体为： 令当前采样点集合为{xti，wti}i＝1…N，对每个采样点i＝1：N计算其二阶自回归中心 式中，xti表示时刻t下第i个粒子的状态矢量； 步骤三，根据步骤二中样本集合中的采样点的二阶自回归中心，得到具有邻域一致性的均值漂移场； 步骤四，对每个采样点建立重要性采样密度函数，从蒙特卡罗采样的概率角度与步骤三中的均值漂移方法结合，得到样本的更新状态xti，并在状态xti下更新权值wti，然后通过对采样点集合{xti，wti}i＝1…N进行重采样，得到当前时刻目标最终状态的后验概率分布的离散估计{xti，wti}i＝1…N； 所述对每个采样点建立重要性采样密度函数，具体为： 4.1)把粒子集合随机地分为两组，其中第一组占总数的比例为α，第二组占总数的比例为1-α； 4.2)第一组中粒子的状态按照二阶自回归模型进行转移，即在粒子当前 状态基础上加上前一时刻的状态转移量以及一个遵从高斯分布的随机量，该遵从高斯分布的随机量与粒子状态具有相同的维度，均值为零，且方差∑D按照经验给出，或根据已知样本学习得到； 4.3)对第二组的粒子状态进行采样时，把其中的粒子以等概率再随机分为A，B两小组，每小组的粒子采样过程分别遵从一种高斯分布进行，但两小组的高斯分布中心的位置分量均为粒子经均值漂移方法的收敛位置，其中：A小组高斯分布中心的尺度分量是选取尺度放大因子k1时自适应尺度方法的优化尺度，方差为叠加尺度放大修正量的二阶自回归模型协方差矩阵 加上模拟自适应尺度均值漂移方法不确定性的协方差矩阵∑CAM；B小组高斯分布中心的尺度分量则为选取尺度缩小因子k2时自适应尺度方法的优化尺度，方差为叠加尺度缩小修正量的二阶自回归模型协方差矩阵 加上模拟自适应尺度均值漂移方法不确定性的协方差矩阵∑CAM，其中，I是均值漂移的最大收敛迭代次数， 是第i个采样点的最终零阶矩累积量。 【当前权利人】上海交通大学 【当前专利权人地址】上海市闵行区东川路800号 【统一社会信用代码】1210000042500615X0 【引证次数】2.0 【自引次数】1.0 【他引次数】1.0 【家族引证次数】2.0 【家族被引证次数】31
