一种目标跟踪模板更新方法
【技术领域】
[0001 ] 本发明涉及图像处理技术领域，具体而言，涉及一种目标跟踪模板更新方法。
【背景技术】
[0002] 目标跟踪是在序列图像中根据视频信息在空间和时间上的相关性，确定目标在每 一帧的位置和姿态，其广泛应用于智能人机交互、医疗诊断、视频监控、导弹制导等众多领 域。由于跟踪目标形态的多样性和目标特征变化的不确定性，如何实现各种环境下有效的 目标跟踪一直是研究的热点。
[0003] 基于模板匹配方法的跟踪是一种逐个像素比较的方法，其基本思路是将已知的对 象作为模板在所采集的图像上进行平移，计算对象与子图像的相关值，相关值最大的认为 是所要跟踪的对象。传统的相关匹配方法中是将模板的大小和形状看作保持不变的，而实 际上两者总是变化的。
[0004] 当目标靠近或是远离摄像机，或摄像机视场变化时，目标会变大或变小，而模板尺 寸保持不变就可能造成两个问题：一是目标变小时，模板中会引入多于目标的背景像素； 二是目标变大时，模板中只存在小部分目标，将没有足够的目标像素用来区分目标与背景。 由于这两个问题，模板将容易与背景相匹配，而使目标跟踪的误警率上升，导致目标跟踪失 败。当图像中的目标发生尺度和旋转变化时，会造成跟踪不稳定。因此，需要对模板进行更 新。
[0005] 模板的更新机制是一个非常重要的技术关键，将直接影响目标跟踪性能：如果更 新频率过低，则模板跟不上目标的变化；如果更新过于频繁，又容易受到噪声的影响而引入 误差，并使误差不断地累积，从而导致跟踪窗口的漂移。所以模板不能随便轻易地更新，必 须选择适宜的模板更新准则，使目标跟踪持续而稳定。
【发明内容】
[0006] 为解决上述问题，本发明的目的在于提供一种目标跟踪模板更新方法，在目标出 现变化，特别是大角度翻转的情况下实现实时稳定跟踪。
[0007] 本发明提供了一种目标跟踪模板更新方法，包括：
[0008] 步骤1，判断目标跟踪模板是否需要更新，如果所述目标跟踪模板需要更新，则进 行步骤2 ;
[0009] 其中，判断目标跟踪模板是否需要更新的方法为满足下列四个条件之一，则需要 对当前目标跟踪模板进行更新：
[0010] 条件一，相邻两帧图像中跟踪目标区域的面积变化超过15% ;
[0011] 条件二，连续两帧图像的目标质心坐标变化超过10% ;
[0012] 条件三，当前帧图像的特征点比上一帧图像的特征点减少了 30%以上；
[0013] 条件四，边缘区域的特征点多于中心区域的特征点，直至边缘区域的特征点占总 的特征点的75 %以上；
[0014] 步骤2,提取上一帧图像的目标区域的特征点和当前帧图像的目标区域的特征点， 并将上一帧图像的目标区域的特征点和当前帧图像的目标区域的特征点进行匹配，重新确 定跟踪目标的位置；
[0015] 步骤3,将当前帧图像的目标区域的特征点作为新的特征点进行跟踪，以当前帧图 像的目标区域作为更新后的目标跟踪模板。
[0016] 作为本发明进一步的改进，特征点的提取包括多尺度空间构建和特征点检测，首 先进行图像的多尺度空间构建，然后进行特征点检测；
[0017] 其中，多尺度空间构建包括：
[0018] 步骤S1，利用高斯卷积核对原始图像进行平滑，得到图像的尺度空间表示；
[0019] 用L(x，y，σ )表示一幅二维图像I (X，y)的尺度空间：
[0020] \·,〇-) = ν, \·. σ) ? /(.ν, f) ( 1 )
[0021] 其中，#表示卷积运算，G(x，y，〇 )是卷积核可变的高斯函数；
[0023] 式中，σ为图像的尺度因子，表示图像被平滑的程度；
[0024] 步骤S2,建立S'组S层高斯金字塔，共S' XS层图像，得到任意层图像与0层图 像之间的尺度因子关系和相邻层图像之间的尺度因子；
[0025] 其中，任意层图像与0层图像之间的尺度因子关系为：
[0026] Os=O 0ks (3)
[0027] 式中，。。为第0层图像的尺度因子，。3为s层图像的尺度因子， s为高斯金字塔 中图像的层序数，S= {0，1，2，...};
[0028] 相邻层图像之间的尺度因子为：
[0029] k = 21/s (4)
[0030] 式中，S为每组总层数；
[0031] 特征点检测包括：
[0032] 步骤S11，在建立了高斯金字塔尺度空间后，对每层图像，以一像素点p为中心点， 采用Bresenham算法，得到半径为R的Bresenham圆上共有m个像素点，对圆周上每一个像 素点X逐一检测，判断所述中心点P是亮点或暗点或相似点，如果有η个连续的像素点属于 亮点或暗点，则P为特征点；
[0033] 其中，
[0034] X e {1，2, · · ·，m};
[0035] 如果IxS I p_t，则中心点p是暗点；
[0036] 如果Ip_t < Ix< I p+t，则中心点p是相似点；
[0037] 如果Ip+t彡Ix，则中心点p是亮点；
[0038] 式中，表示点p的亮度灰度值，表示点X的亮度灰度值，t为亮度阈值；
[0039] 步骤S22,重复步骤S11，检测出所有层图像的特征点；
[0040] 步骤S33,将检测出的所有特征点作为拟合点进行曲面拟合，得到该曲面的主曲率 Det(H)；
[0041] Det (H) = Ix2Iy2-IxyI yx ;
[0042] 步骤S44,在检测出的所有特征点中，选出一特征点作为候选特征点，得到所述候 选特征点的Hessian矩阵；
[0043] 其中，Hessian矩阵为：
[0044] H= '' w C5) iXX
[0045] 式中，Ixx，Ixy，Iyx，I yy是候选特征点处的二阶偏导数；
[0046] 步骤S55,将所述主曲率和所述候选特征点对应的Hessian矩阵的特征值进行比 较，得到所述候选特征点的特征值与所述主曲率的比率ratio ;
[0047] ra/io = lr<li) - = W. '- (6)
[0048] 其中，
[0049] α = r β (7)
[0050] 式中，α为所述候选特征点的最大特征值，β为所述候选特征点的最小特征值；
[0051] 如果?"^·1^1 = ·^11，则保留该候选特征点作为特征点，否则就舍弃该候选 特征点；
[0052] 步骤S66,对检测出的所有特征点，重复步骤S44和S55,得到所有保留的特征点。
[0053] 步骤S77,采用Harris角度检测方法对所有保留的特征点按特征值从大到小进行 排序，取前N个关键特征点。
[0054] 作为本发明进一步的改进，所述目标区域为矩形目标区域。
[0055] 作为本发明进一步的改进，所述中心区域为所述矩形目标区域中心的36%的矩形 区域，即：所述中心区域的长为所述目标矩形区域的60%，所述中心区域的宽为所述矩形 目标区域的60%，所述边缘区域为所述矩形目标区域除所述中心区域以外的部分。
[0056] 作为本发明进一步的改进，在高斯金字塔尺度空间中，每组图像的第一层图像由 前一组图像的最后一层图像采样得到。
[0057] 作为本发明进一步的改进，将原始图像放大2倍作为第0组图像。
[0058] 作为本发明进一步的改进，步骤S77中，首先降低亮度阈值得到多于N个关键特征 点，然后根据Harris响应值取前N个关键特征点。
[0059] 作为本发明进一步的改进，步骤Sll中，η = 9。
[0060] 作为本发明进一步的改进，步骤S55中，r = 10。
[0061] 本发明的有益效果为：
[0062] 1、通过目标跟踪模板更新的判断条件的设置，避免了模板跟不上目标的变化及跟 踪过程中噪声的积累，使目标跟踪持续而稳定；
[0063] 2、通过图像高斯金字塔的建立，提高了更新的效率；
[0064] 3、通过特征点快速检测方法，提高了特征检测的可重复性，也避免了不稳定的边 缘响应；
[0065] 4、适用于目标出现变化，特别是出现大角度翻转变化的目标跟踪。
【附图说明】
[0066] 图1为本发明实施例所述的一种目标跟踪模板更新方法的流程示意图；