一種目標跟蹤模板更新方法
【技術領域】
[0001 ] 本發明涉及圖像處理技術領域，具體而言，涉及一種目標跟蹤模板更新方法。
【背景技術】
[0002] 目標跟蹤是在序列圖像中根據視頻信息在空間和時間上的相關性，確定目標在每 一幀的位置和姿態，其廣泛應用于智能人機交互、醫療診斷、視頻監控、導彈制導等眾多領 域。由于跟蹤目標形態的多樣性和目標特征變化的不確定性，如何實現各種環境下有效的 目標跟蹤一直是研究的熱點。
[0003] 基于模板匹配方法的跟蹤是一種逐個像素比較的方法，其基本思路是將已知的對 象作為模板在所采集的圖像上進行平移，計算對象與子圖像的相關值，相關值最大的認為 是所要跟蹤的對象。傳統的相關匹配方法中是將模板的大小和形狀看作保持不變的，而實 際上兩者總是變化的。
[0004] 當目標靠近或是遠離攝像機，或攝像機視場變化時，目標會變大或變小，而模板尺 寸保持不變就可能造成兩個問題：一是目標變小時，模板中會引入多于目標的背景像素； 二是目標變大時，模板中只存在小部分目標，將沒有足夠的目標像素用來區分目標與背景。 由于這兩個問題，模板將容易與背景相匹配，而使目標跟蹤的誤警率上升，導致目標跟蹤失 敗。當圖像中的目標發生尺度和旋轉變化時，會造成跟蹤不穩定。因此，需要對模板進行更 新。
[0005] 模板的更新機制是一個非常重要的技術關鍵，將直接影響目標跟蹤性能：如果更 新頻率過低，則模板跟不上目標的變化；如果更新過于頻繁，又容易受到噪聲的影響而引入 誤差，并使誤差不斷地累積，從而導致跟蹤窗口的漂移。所以模板不能隨便輕易地更新，必 須選擇適宜的模板更新準則，使目標跟蹤持續而穩定。
【發明內容】
[0006] 為解決上述問題，本發明的目的在于提供一種目標跟蹤模板更新方法，在目標出 現變化，特別是大角度翻轉的情況下實現實時穩定跟蹤。
[0007] 本發明提供了一種目標跟蹤模板更新方法，包括：
[0008] 步驟1，判斷目標跟蹤模板是否需要更新，如果所述目標跟蹤模板需要更新，則進 行步驟2 ;
[0009] 其中，判斷目標跟蹤模板是否需要更新的方法為滿足下列四個條件之一，則需要 對當前目標跟蹤模板進行更新：
[0010] 條件一，相鄰兩幀圖像中跟蹤目標區域的面積變化超過15% ;
[0011] 條件二，連續兩幀圖像的目標質心坐標變化超過10% ;
[0012] 條件三，當前幀圖像的特征點比上一幀圖像的特征點減少了 30%以上；
[0013] 條件四，邊緣區域的特征點多于中心區域的特征點，直至邊緣區域的特征點占總 的特征點的75 %以上；
[0014] 步驟2,提取上一幀圖像的目標區域的特征點和當前幀圖像的目標區域的特征點， 并將上一幀圖像的目標區域的特征點和當前幀圖像的目標區域的特征點進行匹配，重新確 定跟蹤目標的位置；
[0015] 步驟3,將當前幀圖像的目標區域的特征點作為新的特征點進行跟蹤，以當前幀圖 像的目標區域作為更新后的目標跟蹤模板。
[0016] 作為本發明進一步的改進，特征點的提取包括多尺度空間構建和特征點檢測，首 先進行圖像的多尺度空間構建，然后進行特征點檢測；
[0017] 其中，多尺度空間構建包括：
[0018] 步驟S1，利用高斯卷積核對原始圖像進行平滑，得到圖像的尺度空間表示；
[0019] 用L(x，y，σ )表示一幅二維圖像I (X，y)的尺度空間：
[0020] \·,〇-) = ν, \·. σ) ? /(.ν, f) ( 1 )
[0021] 其中，#表示卷積運算，G(x，y，〇 )是卷積核可變的高斯函數；
[0023] 式中，σ為圖像的尺度因子，表示圖像被平滑的程度；
[0024] 步驟S2,建立S'組S層高斯金字塔，共S' XS層圖像，得到任意層圖像與0層圖 像之間的尺度因子關系和相鄰層圖像之間的尺度因子；
[0025] 其中，任意層圖像與0層圖像之間的尺度因子關系為：
[0026] Os=O 0ks (3)
[0027] 式中，。。為第0層圖像的尺度因子，。3為s層圖像的尺度因子， s為高斯金字塔 中圖像的層序數，S= {0，1，2，...};
[0028] 相鄰層圖像之間的尺度因子為：
[0029] k = 21/s (4)
[0030] 式中，S為每組總層數；
[0031] 特征點檢測包括：
[0032] 步驟S11，在建立了高斯金字塔尺度空間后，對每層圖像，以一像素點p為中心點， 采用Bresenham算法，得到半徑為R的Bresenham圓上共有m個像素點，對圓周上每一個像 素點X逐一檢測，判斷所述中心點P是亮點或暗點或相似點，如果有η個連續的像素點屬于 亮點或暗點，則P為特征點；
[0033] 其中，
[0034] X e {1，2, · · ·，m};
[0035] 如果IxS I p_t，則中心點p是暗點；
[0036] 如果Ip_t < Ix< I p+t，則中心點p是相似點；
[0037] 如果Ip+t彡Ix，則中心點p是亮點；
[0038] 式中，表示點p的亮度灰度值，表示點X的亮度灰度值，t為亮度閾值；
[0039] 步驟S22,重復步驟S11，檢測出所有層圖像的特征點；
[0040] 步驟S33,將檢測出的所有特征點作為擬合點進行曲面擬合，得到該曲面的主曲率 Det(H)；
[0041] Det (H) = Ix2Iy2-IxyI yx ;
[0042] 步驟S44,在檢測出的所有特征點中，選出一特征點作為候選特征點，得到所述候 選特征點的Hessian矩陣；
[0043] 其中，Hessian矩陣為：
[0044] H= '' w C5) iXX
[0045] 式中，Ixx，Ixy，Iyx，I yy是候選特征點處的二階偏導數；
[0046] 步驟S55,將所述主曲率和所述候選特征點對應的Hessian矩陣的特征值進行比 較，得到所述候選特征點的特征值與所述主曲率的比率ratio ;
[0047] ra/io = lr<li) - = W. '- (6)
[0048] 其中，
[0049] α = r β (7)
[0050] 式中，α為所述候選特征點的最大特征值，β為所述候選特征點的最小特征值；
[0051] 如果?"^·1^1 = ·^11，則保留該候選特征點作為特征點，否則就舍棄該候選 特征點；
[0052] 步驟S66,對檢測出的所有特征點，重復步驟S44和S55,得到所有保留的特征點。
[0053] 步驟S77,采用Harris角度檢測方法對所有保留的特征點按特征值從大到小進行 排序，取前N個關鍵特征點。
[0054] 作為本發明進一步的改進，所述目標區域為矩形目標區域。
[0055] 作為本發明進一步的改進，所述中心區域為所述矩形目標區域中心的36%的矩形 區域，即：所述中心區域的長為所述目標矩形區域的60%，所述中心區域的寬為所述矩形 目標區域的60%，所述邊緣區域為所述矩形目標區域除所述中心區域以外的部分。
[0056] 作為本發明進一步的改進，在高斯金字塔尺度空間中，每組圖像的第一層圖像由 前一組圖像的最后一層圖像采樣得到。
[0057] 作為本發明進一步的改進，將原始圖像放大2倍作為第0組圖像。
[0058] 作為本發明進一步的改進，步驟S77中，首先降低亮度閾值得到多于N個關鍵特征 點，然后根據Harris響應值取前N個關鍵特征點。
[0059] 作為本發明進一步的改進，步驟Sll中，η = 9。
[0060] 作為本發明進一步的改進，步驟S55中，r = 10。
[0061] 本發明的有益效果為：
[0062] 1、通過目標跟蹤模板更新的判斷條件的設置，避免了模板跟不上目標的變化及跟 蹤過程中噪聲的積累，使目標跟蹤持續而穩定；
[0063] 2、通過圖像高斯金字塔的建立，提高了更新的效率；
[0064] 3、通過特征點快速檢測方法，提高了特征檢測的可重復性，也避免了不穩定的邊 緣響應；
[0065] 4、適用于目標出現變化，特別是出現大角度翻轉變化的目標跟蹤。
【附圖說明】
[0066] 圖1為本發明實施例所述的一種目標跟蹤模板更新方法的流程示意圖；