>[0067] 图2为本发明实施例所述的多尺度空间构建的流程示意图；
[0068] 图3为本发明实施例所述的特征点检测的流程示意图；
[0069] 图4为本发明在目标出现较大尺度变化时的跟踪效果示意图；
[0070] 图5为本发明在目标出现旋转时的跟踪效果示意图；
[0071] 图6为本发明在跟踪背景中有相似物体干扰时的跟踪效果示意图；
[0072] 图7为本发明在跟踪大角度翻转目标的跟踪效果示意图。
【具体实施方式】
[0073] 下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
[0074] 如图1所示，本发明实施例的一种目标跟踪模板更新方法，包括：
[0075] 步骤1，判断目标跟踪模板是否需要更新，如果目标跟踪模板需要更新，则进行步 骤2 ;
[0076] 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：
[0077] 条件一，相邻两帧图像中跟踪目标区域的面积变化超过15% ;
[0078] 条件二，连续两帧图像的目标质心坐标变化超过10% ;
[0079] 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；
[0080] 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；
[0081] 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；
[0082] 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。
[0083] 对于条件一，当跟踪目标与摄像机的距离发生快速改变时，目标在视频中的大小 将会发生大幅度的变化，会导致目标区域的面积发生变化，从而使跟踪发生一定偏差。因 此，可设定当相邻两帧中跟踪目标面积变化超过15%时，对当前目标模板进行更新。
[0084] 对于条件二，当跟踪目标运动速度较快时，目标的质心坐标将发生较大变化；此 外，当跟踪发生偏移时，目标质心同样会产生较大的变化。因此，可设定当连续两帧的目标 质心坐标变化超过10 %时，对当前目标模板进行更新。
[0085] 对于条件三，在跟踪过程中，由于环境及物体本身运动的影响，会导致部分跟踪点 被遮挡，或者产生其他因素使得特征点数目相对于上一帧图像的特征点数目有一定减少， 当特征点数目减少了 30 %甚至更多时，代表目标表面发生较大变化，将会严重影响到跟踪 的精度，因此，需要对目标模板进行更新。
[0086] 对于条件四，当跟踪目标发生大角度的仿射变换时，特征点将会趋于边缘化，即边 缘区域的特征点远远多于中心区域的特征点。由于跟踪区域大多为跟踪目标的最小外接矩 形，因此，边缘区域大多为跟踪目标周围的环境，若对边缘区域的特征点进行跟踪，极容易 导致目标跟丢，因此需要在这种情况下，对跟踪区域进行特征点更新，使特征点中心化。
[0087] 本发明中的跟踪目标区域为矩形目标区域。中心区域为矩形目标区域中心的36% 的矩形区域。即，中心区域的长为目标矩形区域的60%，中心区域的宽为矩形目标区域的 60%，边缘区域为矩形目标区域除中心区域以外的部分。
[0088] 其中，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，然后进行特征点的检测。
[0089] 如图2所示，多尺度空间构建包括：
[0090] 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；
[0091] 用L(x，y，σ )表示一幅二维图像I (X，y)的尺度空间：
[0093] 其中，發表示卷积运算，G(x，y，σ )是卷积核可变的高斯函数；
[0095] 式中，σ为图像的尺度因子，表示图像被平滑的程度，σ越大图像越模糊。
[0096] 步骤S2,为了提高特征点检测效率，建立3组3层高斯金字塔，共3X3 = 9层图 像，得到任意层图像与〇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；
[0097] 其中，任意层图像与0层图像之间的尺度因子关系为：
[0098] Os=O 0ks (3)
[0099] 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，...}。
[0100] 本实施例中，图像金字塔的第0层图像平滑尺度σ。= 1. 4。
[0101] 相邻层图像之间的尺度因子为：
[0102] k = 21/s (4)
[0103] 式中，S为每组总层数。
[0104] 本实施例中，S为每组总层数3。
[0105] 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。为了获取更多的特征点，将原始图像放大2倍作为第0组图像。
[0106] 在建立了高斯金字塔尺度空间后，需要在每层图像上进行特征点检测。如图3所 示，特征点检测包括：
[0107] 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3的Bresenham圆上共有16个像素点，对圆周上每一个 像素点X逐一检测，判断中心点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；
[0108] 其中，
[0109] X e {1，2,·· ·，16};
[0110] 如果Ix< I p_t，则中心点p是暗点；
[0111] 如果ip-t < Ix< I p+t，则中心点p是相似点；
[0112] 如果Ip+t彡IxU中心点p是亮点；
[0113] 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。
[0114] 一般情况下，Bresenham圆的半径R可取值1、2、3。本实施例中，Bresenham圆的 半径取值为3, η = 9,此时特征点检测的可重复性最好。
[0115] 步骤S22,重复步骤S11，检测出所有层图像的特征点。
[0116] 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)；
[0117] Det(H) = Ix2Iy2_IxyI yx。
[0118] 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，得到候选特 征点的Hessian矩阵；
[0119] 其中，Hessian矩阵为：
[0121] 式中，Ixx，Ixy，Iyx，I yy是候选特征点处的二阶偏导数。
[0122] 本实施例中，在检测特征点时，使用Hessian矩阵去除不稳定的边缘响应。
[0123] 步骤S55,将主曲率和候选特征点对应的Hessian矩阵的特征值进行比较，得到候 选特征点的特征值与主曲率的比率rat i〇 ;
[0125] 其中，
[0126] α = Γβ (7)
[0127] 式中，α为候选特征点的最大特征值，代表曲率最大的方向，β为候选特征点的 最小特征值，代表曲率最小的方向。
[0128] 如果
，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。
[0129] 本发明中，曲面的主曲率Det(H)和Hessian矩阵的特征值成正比，为了避免直接 计算这些特征值，计算它们的之间的比率。
[0130] 本实施例中，r = 10,此时特征点检测的效率高。
[0131] 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。
[0132] 步骤S77,采用Harris角度检测方法对步骤S66中得到的特征点按特征值从大到 小进行排序，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。
[0133] Harris角度检测是通过数学计算在图像上发现角度特征的一种方法，而且其具有 旋转不变性的特质。基本原理是：角度是一幅图像上最明显与重要的特征，对于一阶导数而 言，角度在各个方向的变化是最大的，而边缘区域在只是某一方向有明显变化。
[0134] 具体的实现步骤为：
[0135] 第一步：
[0136] 计算二维图像I (X，y)