鬼佬大哥大
  • / 14
  • 下載費用:30 金幣  

一種利用關鍵點特征匹配的圖像跟蹤方法.pdf

摘要
申請專利號:

CN201410160273.2

申請日:

2014.04.21

公開號:

CN103955950A

公開日:

2014.07.30

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06T 7/20申請日:20140421|||公開
IPC分類號: G06T7/20; G06K9/46 主分類號: G06T7/20
申請人: 中國科學院半導體研究所
發明人: 蔣寓文; 王守覺; 李衛軍; 譚樂怡
地址: 100083 北京市海淀區清華東路甲35號
優先權:
專利代理機構: 中科專利商標代理有限責任公司 11021 代理人: 曹玲柱
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410160273.2

授權公告號:

||||||

法律狀態公告日:

2017.02.08|||2014.08.27|||2014.07.30

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明提供了一種利用關鍵點特征匹配的圖像跟蹤方法。該圖像跟蹤方法中定義了比傳統的顏色或紋理特征包含了更多信息量的高維聯合向量,依照該高維聯合向量對目標進行追蹤,對物體的表達更為準確全面,從而跟蹤精度更高,魯棒性更強。

權利要求書

權利要求書
1.  一種利用關鍵點特征匹配的圖像跟蹤方法,其特征在于,包括:
步驟A,接收用戶在首幀圖像中輸入的初始目標區域,將首幀圖像作為當前幀圖像,將初始目標區域作為目標區域;
步驟B,在當前幀圖像G(0)的目標區域內隨機選取N個像素點作為關鍵點,N個關鍵點組成原始關鍵點集I1;
步驟C,對于當前幀圖像G(0)目標區域內N個關鍵點中的每一個關鍵點,提取其紋理特征和顏色特征,并依照該紋理特征和顏色特征建立關于該關鍵點的高維聯合向量;
步驟D,對當前幀圖像G(0)進行多尺度處理,得到關于其的j個尺度圖像G(1),G(2),...,G(j),求取N個關鍵點在該j個尺度圖像G(1),G(2),...,G(j)對應點的高維聯合向量;
步驟E,對后續幀圖像G′(0)進行多尺度處理,得到關于其的j個尺度圖像G′(1),G′(2),...,G′(j);
步驟F,搜索當前幀圖像N個關鍵點在后續幀圖像G′(0)中對應匹配點,搜索的依據為該關鍵點的高維聯合向量與匹配點的高維聯合向量之間的歐氏距離之和ρ由小到大的順序,對于每一關鍵點,匹配點包括一最近鄰匹配點及若干個近鄰匹配點,N個關鍵點分別的最近鄰匹配點構成目標點集I2;
步驟G,對于N個關鍵點中的每一個關鍵點,驗證其與匹配點的匹配結果的有效性,只要有一個匹配結果有效,則在關鍵點集I1中保留該關鍵點,在目標點集I2中保留匹配點;否則,將該關鍵點從關鍵點集i1刪除,將匹配點從目標點集I2中刪除;
步驟H,判斷關鍵點集I1中剩下的有效點數在N是否高于特定比例,如果是,執行I;否則將后續幀的下一幀作為后續幀,執行步驟E;以及
步驟I,根據目標點集I2的剩余點的空間分布在后續幀圖像中確定新目標區域,將后續幀作為當前幀,重新執行步驟B。

2.  根據權利要求1所述的圖像跟蹤方法,其特征在于,所述步驟C中,建立關于當前點的高維聯合向量的步驟具體包括:
子步驟C1,以當前關鍵點為中心,取一個t×t像素的鄰域;
子步驟C2,對于鄰域內的每一個像素,生成k維的Smin向量,其中k為外延方向的個數;以及
子步驟C3,將t×t個像素分別對應的k維的Smin向量順序排列,組成總維數為t×t×k的高維聯合向量,由該高維聯合向量共同描述當前關鍵點的特征。

3.  根據權利要求2所述的圖像跟蹤方法,其特征在于,所述子步驟C2中,對于當前像素生成k維的Smin向量的步驟具體包括:
子分步驟C2a,以當前像素為中心,每隔角度向外延伸出一個方向,順時針依次編號1至k,沿每個方向自中心點向外等間距取M個采樣點,定義符號代表著選定常數k的、第n個方向上的第m個采樣點的灰度;
子分步驟C2b,采用距離加權求和的方式帶權累加每一個方向上所有采樣點以及該像素的灰度值,在每一方向上得到一紋理信息其中,距離該像素越近的采樣點其所占的權重越大,n=1,2,……,k;
子分步驟C2c,由當前像素的k個紋理信息得到對應當前像素的k維向量S,具體方法如下:將當前像素的k個紋理信息由小到大進行排序,對應的序號記為Sn,按照的排列順序用Sn對其進行編碼,構成一個k維向量S:S=(S1,S2,…,Sk);
子分步驟C2d,將k維向量S按位循環右移k次,得到k個k維向量;
子步驟C2e,計算k個k維向量分別對應的Ssum值,當前k維向量的Ssum值按照下式計算:其中,Sn為當前k維向量的第n個元素;
子步驟C2f,,將最小的Ssum值所對應的特征向量Smin作為描述當前像素的向量;以及
子步驟C2g,將灰度值0~255量化至p個區間,分別對應從大到小的p個數值,將當前像素灰度值所在區間對應的數值乘以Smin中的每一個元 素,得到k維的Smin向量。

4.  根據權利要求3所述的圖像跟蹤方法,其特征在于,所述子分步驟C2c中,設定閾值th,如果兩紋理信息之差小于該閾值th,將將兩者對應的序號設為相同。

5.  根據權利要求3所述的圖像跟蹤方法,其特征在于,所述子分步驟C2b中,依照下式得到相應方向的紋理信息
Pkn=Σm=1M(const-m)Pm,kn,const>m]]>
式中,const為常數,M≤const≤3M。

6.  根據權利要求3所述的圖像跟蹤方法,其特征在于,k的取值介于4~12之間;M的取值介于2~10之間。

7.  根據權利要求1所述的圖像跟蹤方法,其特征在于,所述步驟F中,采用遍歷搜索、鄰域搜索、k-d tree搜素或Best-Bin-First方式在后續幀圖像中確定搜索區域;并在該搜索區域內根據歐氏距離之和ρ由小到大的原則確定若干個匹配點。

8.  根據權利要求7所述的圖像跟蹤方法,其特征在于,所述步驟F中,對于關鍵點和搜索區域內的候選點,獲取兩者高維聯合向量之間的歐氏距離之和ρ的步驟:
子步驟F1,計算當前幀圖像G(0)中關鍵點R0的高維聯合向量和后續幀圖像G′(0)中候選點Q0的高維聯合向量之間的歐氏距離ρ0:
ρ0=ρ(R0,Q0)=sqrt(Σh=125k(r0,h-q0,h)2)]]>
式中,R0=(r0,1,r0,2,...r0,25k),為當前幀圖像G(0)中關鍵點R0的高維聯合向量;Q0=(q0,1,q0,2,...q0,25k),為后續幀圖像G′(0)中候選點Q0的高維聯合矢量;
子步驟F2,計算關鍵點R0在當前幀圖像的第i幅尺度圖像中的對應點Ri的高維聯合向量,與候選點Q0在后續幀圖像的第i幅尺度圖像中的對應點Qi的高維聯合向量的歐氏距離ρi,其中,i=1,2,……,j;
ρi=ρ(Ri,Qi)=sqrt(Σh=125k(ri,h-qi,h)2)]]>
式中,Ri=(ri,1,ri,2,...ri,25k),為關鍵點R0在當前幀圖像的第i幅尺度圖像中的對應點的高維聯合向量;Qi=(qi,1,qi,2,...qi,25k),為候選點Q0在后續幀圖像G′(0)中的第i幅尺度圖像中的對應點的高維聯合矢量;
子步驟F3,按照下式計算關鍵點R0和候選點Q0的歐氏距離之和:
ρ=Σh=0jρh.]]>

9.  根據權利要求1所述的圖像跟蹤方法,其特征在于,所述步驟G中,利用方差分析模型驗證關鍵點與匹配點的匹配結果的有效性。

10.  根據權利要求1至9中任一項所述的圖像跟蹤方法,其特征在于,所述步驟B中,采用隨機函數rand()或網格均勻取點的目標區域內選取關鍵點。

11.  根據權利要求1至9中任一項所述的方法,其特征在于,j≤5。

12.  根據權利要求1至9中任一項所述的圖像跟蹤方法,其特征在于,所述首幀圖像、當前幀圖像及后續幀圖像均為歸一化處理后的圖像。

說明書

說明書一種利用關鍵點特征匹配的圖像跟蹤方法
技術領域
本發明涉及圖像識別技術領域,尤其涉及一種利用關鍵點特征匹配的圖像跟蹤方法。
背景技術
圖像跟蹤主要是通過圖像處理技術在圖像中搜索運動目標的位置,通過對目標的檢測定位而實現跟蹤的技術,在實際中有著非常廣泛的應用前景,包括安全監控、軍事應用、醫療診斷、智能導航、人機交互等。
典型的視頻跟蹤技術主要有基于輪廓的算法、基于特征的算法、基于區域統計的算法和基于模型匹配的算法。前應用最為廣泛的是利用加權顏色直方圖作為搜索特征的Mean-shift算法,這是一種基于區域統計的算法,具有計算簡便、實時性強的優點。但是顏色直方圖對光照變化、噪聲都很敏感,并且當背景中存在顏色比較相似的物體時,容易出現跟蹤錯誤而導致算法失效。
對此,部分學者提出用Kalman濾波、粒子濾波等與Mean-shift進行融合,通過預測目標位置來提高魯棒性。但是額外的濾波步驟增加了大量的采樣和計算,同時面臨著樣本退化的缺陷,而且這些方法使用單一的顏色信息,并不能很好地解決相似顏色的干擾問題。
相比顏色特征,紋理特征不依賴于物體的色彩和亮度,對光照變化和噪聲的魯棒性更強。如將其應用到視頻跟蹤中,則需要比使用顏色信息多一個步驟:生成合適的紋理描述子。以往的Gabor小波模型、灰度共生矩陣等紋理模型都因太過復雜而無法滿足圖像跟蹤的實時性要求。局部二值模式(Local Binary Patterns,簡稱LBP)具有旋轉不變性、尺度不變性等優點,很容易融入直方圖框架,在現今的圖像跟蹤領域經常與顏色信息相結合。
然而,現有技術圖像跟蹤方法中,LBP描述子的缺點在于經常會產生過長的統計直方圖,增加計算復雜度。如果對其降維,雖能減少LBP模式 的種類,相應地減少直方圖區間數,但這種處理方式會犧牲LBP算子的精確度。此外,LBP模式對平滑區域的表征也欠佳。
發明內容
(一)要解決的技術問題
鑒于上述技術問題,本發明提供了一種利用關鍵點特征匹配的圖像跟蹤方法,以提供一種跟蹤精度更高,魯棒性更強的圖像跟蹤方法。
(二)技術方案
本發明利用關鍵點特征匹配的圖像跟蹤方法包括:步驟A,接收用戶在首幀圖像中輸入的初始目標區域,將首幀圖像作為當前幀圖像,將初始目標區域作為目標區域;步驟B,在當前幀圖像G(0)的目標區域內隨機選取N個像素點作為關鍵點,N個關鍵點組成原始關鍵點集I1;步驟C,對于當前幀圖像G(0)目標區域內N個關鍵點中的每一個關鍵點,提取其紋理特征和顏色特征,并依照該紋理特征和顏色特征建立關于該關鍵點的高維聯合向量;步驟D,對當前幀圖像G(0)進行多尺度處理,得到關于其的j個尺度圖像G(1),G(2),...,G(j),求取N個關鍵點在該j個尺度圖像G(1),G(2),...,G(j)對應點的高維聯合向量;步驟E,對后續幀圖像G′(0)進行多尺度處理,得到關于其的j個尺度圖像G′(1),G′(2),...,G′(j);步驟F,搜索當前幀圖像N個關鍵點在后續幀圖像G′(0)中對應匹配點,搜索的依據為該關鍵點的高維聯合向量與匹配點的高維聯合向量之間的歐氏距離之和ρ由小到大的順序,對于每一關鍵點,匹配點包括一最近鄰匹配點及若干個近鄰匹配點,N個關鍵點分別的最近鄰匹配點構成目標點集I2;步驟G,對于N個關鍵點中的每一個關鍵點,驗證其與匹配點的匹配結果的有效性,只要有一個匹配結果有效,則在關鍵點集i1中保留該關鍵點,在目標點集I2中保留匹配點;否則,將該關鍵點從關鍵點集I1刪除,將匹配點從目標點集I2中刪除;步驟H,判斷關鍵點集I1中剩下的有效點數在N是否高于特定比例,如果是,執行I;否則將后續幀的下一幀作為后續幀,執行步驟E;以及步驟I,根據目標點集I2的剩余點的空間分布在后續幀圖像中確定新目標區域,將后續幀作為當前幀,重新執行步驟B。
(三)有益效果
從上述技術方案可以看出,本發明一種利用關鍵點特征匹配的圖像跟 蹤方法具有以下有益效果:
(1)定義了比傳統的顏色或紋理特征包含了更多信息量的局部特征,對物體的表達更為準確全面,在目標微小、相似物體干擾等情況下跟蹤結果更為穩定,對噪聲、光照變化等的魯棒性更強;
(2)在搜索目標區域的步驟中,采用點匹配的方式進行定位,避免了同類特征的直方圖運算,能更好地適應目標的尺度變化;
(3)在對跟蹤結果進行驗證的步驟中,以方差分析模型濾除無效點,不需要預先提取穩定關鍵點,也不需要在匹配后使用聚類處理,對比傳統的點匹配算法,步驟更為簡化,適合實現并行計算以提高速率。
附圖說明
圖1為根據本發明實施例利用關鍵點特征匹配的圖像跟蹤方法的流程圖;
圖2為圖1所示圖像跟蹤方法中實際應用的示意圖。
具體實施方式
為使本發明的目的、技術方案和優點更加清楚明白,以下結合具體實施例,并參照附圖,對本發明進一步詳細說明。需要說明的是,在附圖或說明書描述中,相似或相同的部分都使用相同的圖號。附圖中未繪示或描述的實現方式,為所屬技術領域中普通技術人員所知的形式。另外,雖然本文可提供包含特定值的參數的示范,但應了解,參數無需確切等于相應的值,而是可在可接受的誤差容限或設計約束內近似于相應的值。實施例中提到的方向用語,例如“上”、“下”、“前”、“后”、“左”、“右”等,僅是參考附圖的方向。因此,使用的方向用語是用來說明并非用來限制本發明的保護范圍。
本發明定義了一種能更有效地描述圖像中每個點的局部特征,并提出與該特征相對應的點對點匹配跟蹤方法。
在本發明的一個示例性實施例中,提供了一種利用關鍵點特征匹配的圖像跟蹤方法。圖1為根據本發明實施例利用關鍵點特征匹配的圖像跟蹤方法的流程圖。圖2為圖1所示圖像跟蹤方法中實際應用的示意圖。請參照圖1和圖2,本實施例利用關鍵點特征匹配的圖像跟蹤方法包括:
預處理步驟P0,對視頻中首幀圖像及后續幀圖像均做大小歸一化處理;
歸一化處理幀圖像是為了縮小圖片體積,減少計算量,提高處理效率。經測試約400px×225px的圖像大小便可以保留本跟蹤算法所需的有效信息。本實施例中,將預設的幀圖像歸一化至400px×225px。
步驟A,接收用戶在首幀圖像中輸入的初始目標區域,將首幀圖像作為當前幀圖像,將初始目標區域作為目標區域;
步驟B,在當前幀圖像G(0)的目標區域內隨機選取N個像素點作為關鍵點,N個關鍵點組成原始關鍵點集I1,如圖2中a部分所示;
關鍵點的選取盡可能覆蓋到目標區域內的各個部分,因此選點方式為使用隨機函數rand(),或10×10網格均勻取點,最終結果不會產生明顯的區別。此外,N的取值一般為100至200,本實施例中,N=100。
如果目標區域包含的像素點總數多于100個,則選取關鍵點的數量不少于100個,否則選取目標區域范圍內所有的點作為關鍵點。
步驟C,對于當前幀圖像G(0)目標區域內N個關鍵點中的每一個關鍵點,提取其紋理特征和顏色特征,并依照該紋理特征和顏色特征建立關于該關鍵點的高維聯合向量;
其中,對于每一個關鍵點,建立關于該關鍵點的高維聯合向量的步驟具體包括:
子步驟C1,以當前關鍵點為中心,取一個5×5像素的鄰域;
本發明中,上述鄰域的取值根據需要而定。一般來說,應當取t×t像素的鄰域,其中t取奇數,且3≤t≤9,本實施例中,t5。
子步驟C2,對于鄰域內的每一個像素(包括邊界上的點),生成k維的Smin向量,其中k為外延方向的個數;
對于某一像素而言,生成其對應k維的Smin向量的步驟如下:
子分步驟C2a,以該像素為中心,每隔角度向外延伸出一個方向,順時針依次編號1至k,沿每個方向自中心點向外等間距取M個采樣點,間距優選為1像素,定義符號代表著選定常數k的、第n個方向上的第m個采樣點的灰度,其中,l≤n≤k,灰度通過該采樣點的RGB值計算得到,對于不在網格上的采樣點采用雙線性插值獲得其灰度值。
其中,k的取值介于4~12之間;M的取值介于2~10之間。
子分步驟C2b,采用距離加權求和的方式帶權累加每一個方向上所有采樣點以及該像素的灰度值,在每一方向上得到一紋理信息其中,距離該像素越近的采樣點其所占的權重越大,n=1,2,……,k;
本子分步驟中,離中心越近的采樣點,其參數在特征描述過程中更有效,因而采用距離加權,使越靠近中心的像素點信息貢獻越大,求其總和
Pkn=Σm=1M(const-m)Pm,kn,const>m---(1)]]>
式中,常數const決定了距離對權重的影響力大小,本實施例中,const=2M。本發明中M≤const≤3M。
子分步驟C2c,由當前像素的k個紋理信息得到對應當前像素的k維向量S;
實現本子分步驟B2c的具體方法如下:將當前像素的k個紋理信息由小到大進行排序,對應的序號記為Sn,按照的排列順序用Sn對其進行編碼,構成一個k維向量S:
S=(S1,S2,...,Sk)   (2)
需要說明的是,本子分步驟C2c中,按k個的值由小到大進行排序的過程中,設定閾值th,如果兩紋理信息之差小于該閾值th,將將兩者對應的序號設為相同,即:
Si=Sj,if|Pki-Pkj|th---(3)]]>
其中0<i≤n,0<j≤n,和為k個的中的任意兩個,Si和Sj為它們對應的序號。th的存在使得該特征對噪聲有一定容差。在這樣的定義下,最小的Sn值為1,最大的可能取值為k。
子分步驟C2d,將k維向量S按位循環右移k次,得到k個k維向量;
子步驟C2e,計算k個k維向量分別對應的Ssum值,當前k維向量的Ssum值按照下式計算:
Ssum=Σn=1kSn&CenterDot;kn---(4)]]>
其中,Sn為當前k維向量的第n個元素。該計算Ssum的過程就是看作是k進制數的一位,并賦予二項式系數kn,使k維向量S成為一個k進制 數Ssum;
子步驟C2f,,將最小的Ssum值所對應的特征向量Smin作為描述當前像素的向量;
例如S=(4,1,6,3,5,2),則對應的Smin=(1,6,3,5,2,4)。
子步驟C2g,將灰度值0~255量化至8個區間,分別對應1-8的8個數值,將當前像素灰度值所在區間對應的數值乘以Smin中的每一個元素。
其中,灰度值區間的個數l可以根據需要進行調整,一般情況下,5≤l≤20。
子步驟C3,將25個像素分別對應的k維的Smin向量順序排列,組成總維數為25k的高維聯合向量,由該高維聯合向量共同描述當前關鍵點的特征。
通過上述步驟生成的高維聯合向量比起單個的向量能夠進一步增強匹配的穩定性,體現了更好的容錯能力。
步驟D,對當前幀圖像G(0)進行多尺度處理,得到關于其的j個尺度圖像G(1),G(2),...,G(j),求取N個關鍵點在該j個尺度圖像G(1),G(2),...,G(j)對應點的高維聯合向量;
該多尺度處理步驟:
子步驟D1,以高斯函數平滑當前幀圖像;
本子步驟是使用高斯核函數對當前幀圖像執行高斯卷積,從而實現平滑圖像的目的,其中,所使用的高斯核函數為:
g(x,y;t)=12πte-(x2+y2)/2t,t&GreaterEqual;0---(5)]]>
其中,x,y表示像素點的橫縱坐標,t表示尺度大小。
子步驟D2,對高斯平滑后的當前幀圖像進行降采樣,得到若干個尺度圖像,記原始的當前幀圖像為G(0),G(0)的尺度圖像為G(1),G(2),...,G(j)。
設當前幀圖像G(0)中的關鍵點之一為R0,其在G(0)中的坐標為(Rx,Ry),在當前幀圖像的第i個尺度圖像G(i)中,R0的對應點為Ri。根據定義易知Ri在第i幅尺度圖像G(i)中的坐標為其中,i=1、2,……, j。例如,在第一個尺度圖像G(1)中,R0的對應點為R1,R1坐標為
一般情況下,j≤5,為計算簡便起見,尺度圖像的數目可以為1個或2個,即j=1或2。
本步驟中,求取對應點的高維聯合向量的步驟與步驟B相同,此處不再詳細說明。
步驟E,對后續幀圖像G′(0)進行多尺度處理,得到關于其的j個尺度圖像G′(1),G′(2),...,G′(j);
后續幀圖像的多尺度處理步驟與當前幀圖像相同,此處不再重述。
設后續幀圖像G′(0)中的某一點為Q0,其在G′(0)中的坐標為(Qx,Qy),在后續幀圖像的第i個尺度圖像G′(i)中,Q0的對應點為Qi。根據定義易知Qi在第i個尺度圖像G′(i)中的坐標為其中,i=1、2,……,j。
步驟F,搜索當前幀圖像N個關鍵點在后續幀圖像G′(0)中對應匹配點,對于每一關鍵點,對應匹配點有三個,分別為:ρ值最小的最近鄰匹配點,和兩個ρ值次小的次近鄰匹配點,其中,ρ值為該關鍵點的高維聯合向量與匹配點的高維聯合向量之間的歐氏距離之和,如圖2中(b)部分所示,其中,N個最近鄰匹配點構成目標點集I2;
對于在后續幀圖像中確定搜索區域的方法,在此處不做約束,包括但不限于遍歷搜索、鄰域搜索、k-d tree搜素和Best-Bin-First(BFF)等。
在確定搜索范圍后,計算該后續幀圖像G′(0)的搜索范圍內的候選點及該候選點在后續幀圖像的尺度圖像G′(1),G′(2),...,G′(j)中對應點的高維聯合向量,根據歐氏距離之和ρ由小到大的原則確定若干個匹配點。
對于關鍵點和搜索區域內的候選點,獲取兩者高維聯合向量之間的歐氏距離之和ρ的步驟包括:
子步驟F1,計算當前幀圖像G(0)(原始尺度)中關鍵點R0的高維聯合向量和后續幀圖像G′(0)(原始尺度)中候選點Q0的高維聯合向量之間的歐氏距離ρ0:
ρ0=ρ(R0,Q0)=sqrt(Σh=125k(r0,h-q0,h)2)---(6)]]>
式中,R0=(r0,1,r0,2,…r0,25k),為當前幀圖像G(0)中關鍵點R0的高維聯合向量;Q0=(q0,1,q0,2,…q0,25k),為后續幀圖像G′(0)中候選點Q0的高維聯合矢量;
子步驟F2,計算關鍵點R0在當前幀圖像的第i幅尺度圖像中的對應點Ri的高維聯合向量,與候選點Q0在后續幀圖像的第i幅尺度圖像中的對應點Qi的高維聯合向量的歐氏距離ρi,其中,i=1,2,……,j;
ρi=ρ(Ri,Qi)=sqrt(Σh=125k(ri,h-qi,h)2)---(7)]]>
式中,Ri=(ri,1,ri,2,…ri,25k),為關鍵點R0在當前幀圖像的第i幅尺度圖像中的對應點的高維聯合向量;Qi=(qi,1,qi,2,…qi,25k),為候選點Q0在后續幀圖像G′(0)中的第i幅尺度圖像中的對應點的高維聯合矢量;
子步驟F3,按照下式計算關鍵點R0和候選點Q0的歐氏距離之和:
ρ=Σh=0jρh---(8)]]>
需要說明的是,本發明中,匹配點的個數也可以根據需要進行調整,一般情況下小于5個。
步驟G,對于N個關鍵點中的每一個關鍵點,利用方差分析模型驗證其與3個匹配點的匹配結果的有效性,如果其中之一的匹配結果有效,則在關鍵點集I1中保留該關鍵點,在目標點集I2中保留匹配點,如果所有匹配結果均無效,則將該關鍵點從關鍵點集I1刪除,將匹配點從目標點集I2中刪除;
其中,N個關鍵點組成關鍵點集I1,該N個關鍵點分別的最近鄰匹配點組成目標點集I2,
使用的方差分析模型如下:對于原始關鍵點集I1中的某一關鍵點I1(x),其在目標點集I2中的最近鄰匹配點為I2(x),定義其在后續幀圖像中最近鄰匹配點的可信度函數T(x):
T(x)=(I1(x)-I&OverBar;1(x)-(I2(x)-I&OverBar;2(x)))21NΣj&Element;W(I1(j)-I&OverBar;1(j)-(I2(j)-I&OverBar;2(j)))2---(9)]]>
其中,W為I1和I2限定的區域;I1(j)表示是點集i1的第j個點的坐標,為該點坐標的期望;I2(j)表示I1(j)最近鄰匹配點的坐標,為該點坐標的期望;和分別為關鍵點I1(x)和最近鄰匹配點為I2(x)的期望。
具體來講,對于一關鍵點,驗證匹配結果的有效性的步驟進一步包括:
子步驟G1,設定閾值ε;
子步驟G2,按照公式9計算T(x);
子步驟G3,若T(x)<ε,則判定I2(x)有效,則匹配結果有效,執行子步驟G9;否則,執行子步驟G4;
子步驟G4,將最近鄰匹配點I2(x)替換成儲存的第一次近鄰匹配點,重新計算對應的T(x);
子步驟G5,若T(x)<ε,則判定第一次近鄰匹配點為有效匹配點,匹配結果有效,執行步驟G9,否則,執行子步驟G6;
子步驟G6,將第一次近鄰匹配點替換成第二次近鄰匹配點,重新計算對應的T(x);
子步驟G7,若T(x)<ε,則判定第二次近鄰匹配點為有效匹配點,執行步驟G9,否則,執行子步驟G8;
子步驟G8,將I1(x)和I2(x)一同從所屬的點集中濾除,如圖2中(c)部分所示,執行步驟G9;
子步驟G9,判斷關鍵點是否驗證完畢,如果驗證完畢,結束;否則,對下一關鍵點執行子步驟G2。
需要說明的是,該方差分析模型在相應的統計分析的教材中均有介紹,同時也為圖像跟蹤領域通用的方法,此處不再進行詳細說明。
步驟H,判斷關鍵點集I1中剩下的有效點數在關鍵點總數N中是否高于特定比例,例如:50%或75%,如果是,則視為跟蹤成功,執行I;否則便視為目標丟失,將后續幀的下一幀作為后續幀,執行步驟E;
目標丟失,意味著在后續幀中沒有找到目標,在這種情況下,只能在后續幀的下一幀圖像中重新搜尋目標。
步驟I,根據目標點集的有效點的空間分布在后續幀圖像中確定新目標區域,如圖2中(d)部分所示,將后續幀作為當前幀,重新執行步驟B。
經由實驗對比,本實施例利用關鍵點特征匹配的圖像跟蹤方法相比于傳統方法體現出更高的精確度,跟蹤結果的中心位置與真實位置的平均偏移量更小,因此應用價值更高。
至此,已經結合附圖對本實施例進行了詳細描述。依據以上描述,本領域技術人員應當對本發明利用關鍵點特征匹配的圖像跟蹤方法有了清楚的認識。
此外,上述對各元件和方法的定義并不僅限于實施例中提到的各種具體結構、形狀或方式,本領域普通技術人員可對其進行簡單地更改或替換,例如:
(1)子步驟C1中,對原始圖像進行平滑處理還可以使用均值模糊(box blur)的形式;
(2)步驟E中,兩個次近鄰距離的匹配點可以用更多數量的次近鄰匹配點來代替。
綜上所述,本發明定義了比傳統的顏色或紋理特征包含了更多信息量的局部特征,對物體的表達更為準確全面,此外,采用點匹配的方式,以方差分析模型濾除無效點,計算大大簡化,運算效率得到提高。
以上所述的具體實施例,對本發明的目的、技術方案和有益效果進行了進一步詳細說明,所應理解的是,以上所述僅為本發明的具體實施例而已,并不用于限制本發明,凡在本發明的精神和原則之內,所做的任何修改、等同替換、改進等,均應包含在本發明的保護范圍之內。

關 鍵 詞:
一種 利用 關鍵 特征 匹配 圖像 跟蹤 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種利用關鍵點特征匹配的圖像跟蹤方法.pdf
鏈接地址:http://www.wwszu.club/p-6140571.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大