一种目标跟踪方法及装置与流程

本发明涉及目标跟踪
技术领域：
，特别涉及一种目标跟踪方法及装置。
背景技术：
目标跟踪是指在一序列图像的每幅图像中找到所感兴趣的运动目标所处的位置,它是计算机视觉领域的一个重要研究方向,经常应用于视频监控、人工智能、人机交互等方面。目标跟踪可以提供被监控目标的运动轨迹,也为目标的运动分析提供了可靠的数据信息。目标视频目标跟踪算法主要有基于对比度分析的方法，基于特征匹配的方法，核方法，运动检测(光流法)等等。运动目标跟踪在智能监控、人机界面、虚拟现实、运动分析等许多领域有着广泛的应用前景，在科学和工程中有着重要的研究价值，吸引了国内外越来越多研究者的兴趣。视频跟踪技术近年来引起越来越多的研究者们关注,这主要由于两方面原因:一方面,计算和存储成本的大幅度下跌使得以视频速率或近似视频速率采集存储图像序列成为可能；另一方面,视频跟踪技术的极为广阔的市场应用前景也是推动此研究的主要动力。目前，目标跟踪技术已经被广泛应用于众多生活和工作领域。2002年dorincomaniciu将均值偏移meanshift算法引入到了目标跟踪领域，极大减少了跟踪算法的计算量，meanshift算法是一种基于无参密度估计的目标跟踪方法，以核密度直方图作为描述目标模型和候选模型的特征，meanshift跟踪方法计算量不大,在目标区域已知的情况下完全可以做到实时跟踪。其次,作为一个无参数密度估计算法,很容易作为一个模块和别的算法集成。另外,采用核函数直方图建模,对边缘遮挡、目标旋转、变形和背景运动不敏感，但是跟踪过程中窗宽的大小保持不变，同时不能对目标模板进行实时更新,在目标的运动中,目标的姿态、环境的光线等会发生变化,用场景图像中已经变化了的目标的候选模板去匹配初始模板,会导致跟踪失败。davidlowe在1999年提出了sift(scale-invariantfeaturetransform，尺度不变特征转换)算法，并于2004年进行了更深入的发展和完善，自从sift提出后就引起了许多学者的关注，因为sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力，随着sift算法的不断发展，目前这种方法被广泛应用于工件识别，医学图像配准，移动机器人定位与地图创建，图像拼接，人脸识别，3d目标检索跟踪、目标识别、纹理识别、宽基线图像匹配和图像特征匹配中，但是sift算法匹配速度较慢，因此y.ke和r.sukthankar运用pca(principalcomponentanalysis，主成分分析)技术将sift算法进行降维，有效地提高了匹配速度，但是实时性仍然较差。技术实现要素：根据本发明实施例提供的方案解决的技术问题是基于pca-sift(principalcomponentanalysis-scale-invariantfeaturetransform，主成分分析-尺度不变特征转换)特征的目标跟踪方法实时性较慢的缺点。根据本发明实施例提供的一种目标跟踪方法，包括：通过对目标图像中的待跟踪目标进行目标特征分析，提取所述待跟踪目标的pca-sift特征，并保存所述待跟踪目标的pca-sift特征；通过对动态视频中的每帧图像中的pca-sift特征进行检测，获取与所述待跟踪目标的pca-sift特征相匹配的多张目标图像；利用所获取的多张目标图像，对meanshift模板进行初始化处理，以便利用所述meanshift模板对动态视频中的每帧图像进行目标跟踪。根据本发明实施例提供的一种目标跟踪装置，包括：提取模块，用于通过对目标图像中的待跟踪目标进行目标特征分析，提取所述待跟踪目标的pca-sift特征，并保存所述待跟踪目标的pca-sift特征；获取模块，用于通过对动态视频中的每帧图像中的pca-sift特征进行检测，获取与所述待跟踪目标的pca-sift特征相匹配的多张目标图像；目标跟踪模块，用于利用所获取的多张目标图像，对meanshift模板进行初始化处理，以便利用所述meanshift模板对动态视频中的每帧图像进行目标跟踪。根据本发明实施例提供的方案，通过pca-sift特征提取与mean-shift结合，使目标跟踪更加准确且速度得到很大的提升，具有较好的实时性和快速性，能为快速跟踪物体提供了一条非常有效的途径，可广泛应用于视频监控，运动分析等领域。附图说明图1是本发明实施例提供的一种目标跟踪方法流程图；图2是本发明实施例提供的一种目标跟踪装置示意图；图3是本发明实施例提供的pca-sift局部极值点示意图；图4是本发明实施例提供的改进sift算法的快速目标跟踪方法程序流程图。具体实施方式以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。图1是本发明实施例提供的一种目标跟踪方法流程图，如图1所示，包括：步骤s101：通过对目标图像中的待跟踪目标进行目标特征分析，提取所述待跟踪目标的pca-sift特征，并保存所述待跟踪目标的pca-sift特征；步骤s102：通过对动态视频中的每帧图像中的pca-sift特征进行检测，获取与所述待跟踪目标的pca-sift特征相匹配的多张目标图像；步骤s103：利用所获取的多张目标图像，对meanshift模板进行初始化处理，以便利用所述meanshift模板对动态视频中的每帧图像进行目标跟踪。其中，所述对目标图像中的待跟踪目标进行目标特征分析之前，还包括：根据对待跟踪目标的跟踪设置，从预置的动态视频中选取一帧包含待跟踪目标的目标图像。其中，所述通过对目标图像中的待跟踪目标进行目标特征分析，提取所述待跟踪目标的pca-sift特征包括：通过构建尺度空间对所述待跟踪目标进行多尺度特征分析，确定所述待跟踪目标关键点所在的初步位置和初步尺度；通过对所述待跟踪目标关键点所在的初步位置和初步尺度进行精确定位分析，得到待跟踪目标关键点所在的精确位置和精确尺度；通过对所述待跟踪目标关键点所在的精确位置和精确尺度进行目标特征分析，提取所述待跟踪目标的pca-sift特征。其中，所述利用所获取的多张目标图像，对meanshift模板进行初始化处理包括：通过对所获取的多张目标图像中的待跟踪目标进行位置分析，得到所述待跟踪目标在各张目标图像中的位置区域；利用所述位置区域内，计算特征空间中每个特征值的概率。其中，所述利用所述meanshift模板对动态视频中的每帧图像进行目标跟踪包括：利用所述meanshift模板对每帧图像中存在的位置区域进行迭代目标跟踪，确定目标跟踪区域。图2是本发明实施例提供的一种目标跟踪装置示意图，如图2所示，包括：提取模块201，用于通过对目标图像中的待跟踪目标进行目标特征分析，提取所述待跟踪目标的pca-sift特征，并保存所述待跟踪目标的pca-sift特征；获取模块202，用于通过对动态视频中的每帧图像中的pca-sift特征进行检测，获取与所述待跟踪目标的pca-sift特征相匹配的多张目标图像；目标跟踪模块203，用于利用所获取的多张目标图像，对meanshift模板进行初始化处理，以便利用所述meanshift模板对动态视频中的每帧图像进行目标跟踪。其中，所述获取模块202还具体用于根据对待跟踪目标的跟踪设置，从预置的动态视频中选取一帧包含待跟踪目标的目标图像。其中，所述提取模块201包括：确定单元，用于通过构建尺度空间对所述待跟踪目标进行多尺度特征分析，确定所述待跟踪目标关键点所在的初步位置和初步尺度，并通过对所述待跟踪目标关键点所在的初步位置和初步尺度进行精确定位分析，得到待跟踪目标关键点所在的精确位置和精确尺度；提取单元，用于通过对所述待跟踪目标关键点所在的精确位置和精确尺度进行目标特征分析，提取所述待跟踪目标的pca-sift特征。其中，所述目标跟踪模块203具体用于通过对所获取的多张目标图像中的待跟踪目标进行位置分析，得到所述待跟踪目标在各张目标图像中的位置区域，并利用所述位置区域内，计算特征空间中每个特征值的概率。其中，所述目标跟踪模块203具体用于利用所述meanshift模板对每帧图像中存在的位置区域进行迭代目标跟踪，确定目标跟踪区域。图3是本发明实施例提供的pca-sift局部极值点示意图，如图3所示，上中下三个分别为三个尺度层图像，矩形小区域中的圆形代表像素点，标记‘x’的像素点的特征值若大于周围像素则可确定该点为该区域的特征点。图4是本发明实施例提供的改进sift算法的快速目标跟踪方法程序流程图，如图4所示，实验环境为：安卓5.1系统，1.4ghz，3g内存，具体包括:步骤一：通过移动终端摄像装置获取动态视频。步骤二：通过图像采集软件从动态视频中获取一张目标的图像。步骤三：提取目标图像的pca-sift特征并保存到数据库中。(1)尺度空间构建，初步确定关键点位置和所在尺度。尺度空间是为了模拟图像的多尺度特征，一幅二维图像i(x,y)的尺度空间用它与高斯函数g(x,y,σ)的卷积来表示：其中l(x,y,σ)表示尺度函数，表示卷积，用公式1表示：其中σ是尺度因子，它用于控制一幅图像被平滑的程序。pca-sift算法用dog(differenceofgauss，高斯差分)构造的高斯差分金字塔来表示尺度空间，而dog用尺度图像的差值来表示，如式2所示：在构建高斯金字塔时，首先第一阶第一层将原始图像扩大两倍，与不同尺度因子的高斯核g(x,y,σ)进行卷积形成高斯金字塔的第一阶。第二阶的第一层图像是对第一阶的中间层图像下采样得到，并于不同尺度因子高斯核g(x,y,σ)进行卷积形成其余几层图像，其余阶的形成方法类似。当高斯金字塔创建后，对第一阶的相邻两层图像作差形成高斯差分金字塔的第一阶，但层数比高斯金字塔少一层，其他阶依次类推。将处于中间层的像素点在以其自身为中心的3*3*3的三维空间内进行极值检测，如果某像素点在dog尺度空间本层以及上下两层的26个邻域中是最大或者最小值时，则将该点标记为局部极值点，认为该点是图像在该尺度下的一个候选特征点。(2)精确确定关键点的位置和尺度。由于图像的离散性，使得检测到的极值点在连续图像函数中，并不一定是极值点。所以，要对极值点的位置进行精确定位；此外，有的极值点的值很小，这样的点容易受到噪声的干扰而变得不稳定，要给予去除。pca-sift算法对局部极值点进行三维二次函数拟合来精确定位特征点的二维图像位置和尺度。(3)生成pca-sift描述符。为使特征描述符具有旋转不变性，需要根据极值点领域像素的梯度分布特性为每个极值点指定一个或多个方向基准。在高斯金字塔中，像素点(x,y)处的梯度和方向的计算，如式3，式4所示：统计极值点领域像素点梯度的梯度方向直图，选取具有最大梯度值得柱所对应的方向作为主方向。当存在一个大于最大梯度80％的另一个或者多个梯度柱时，将其所对应的方向作为辅方向，当一个特征点有辅方向时，把它也作为特征点得主方向，即一个特征点具有多个主方向，根据每个主方向分别计算特征描述符，即一个特征点有多个特征描述符，这可以增加匹配的鲁棒性。当选取主方向后，要对它进行插值，使其角度更加精确。在特征点的所在尺度上，把以特征点为中心的坐标轴逆时针旋转到特征点的主方向，用旋转后的坐标取相应的像素值，若旋转后坐标超出了图像的边界，则其像素值设为边界像素值，取一个适合大小的像素块。除了像素块的外围像素，按式5计算每个像素点的垂直和水平梯度：gx＝pixel(r,c+1)-pixel(r,c-1)gy＝pixel(r+1,c)-pixel(r-1,c)(5)把生成的梯度向量进行归一化、将向量值限制在某个范围、再次进行归一化。用投影矩阵乘以归一化后的梯度向量，得到一个向量，这个向量就是pca-sift的描述符。步骤四：数据库中待跟踪目标pca-sift特征与动态视频中的每帧图像的pcf-sift特征进行匹配，当检测到待跟踪目标后，确定目标在图像中的位置。目标图像和待匹配图像的pca-sift特征点进行匹配确定目标在图像中位置，pca-sift特征匹配采用关键点特征向量的欧式距离作为相似性度量，即取参考图像中的某个关键点，找出待匹配图像中欧式距离最近的2个关键点，在这2个关键点中，如果最近的距离除以次近的距离小于某个阈值，则接受这一对匹配点。步骤五：根据目标位置区域初始化meanshift模板。待跟踪目标图像和待匹配图像的特征点匹配后，确定待跟踪目标在图像中的位置区域，这个目标区域就是meanshift核函数作用的区域,区域的大小等于核函数的尺度,图像像素的值域为rgb颜色空间，按照直方图的方式将rgb颜色空间中的每个子空间r、g和b空间分成个相等的区间，每个区间成为一格bin,构成特征空间，对初始目标区域内所有的像素点,计算特征空间中每个特征值的概率,作为初始目标模型的描述。步骤六：meanshift对动态视频中之后每一帧图像进行迭代跟踪直到初始模板再次更新。以后的每帧图像中可能存在目标候选区域中对特征空间每个特征值的计算成为待候选模型描述。利用相似性函数最大得到关于目标的meanshift向量，这个向量即是目标从初始位置向正确位置转移的向量，基于meanshift跟踪算法的收敛性,不断迭代计算meanshift向量，在当前帧中目标最终会收敛于一个位置,从而确定跟踪目标区域。步骤七：根据实际跟踪目标确定模板更新频率，当达到更新条件时返回步骤四。实验结果表明发明方法与原有的sift跟踪方法相比具有很好的实时性和鲁棒性,第一次实验主要对比两种方法的实时性，由于sift跟踪方法实时性较差，每秒只能处理两到四帧图像，而改进后的sift跟踪方法可以实时处理每帧图像，参考表1；第二次实验为该发明方法的跟踪结果。表1：两种跟踪方法实时性对比表视频总帧数跟踪帧数丢失帧数pca-sift跟踪方法15018132改进后pca-sift1501428根据本发明实施例提供的方案，通过pca-sift特征提取与mean-shift结合，使目标跟踪更加准确且速度得到很大的提升，完全可以满足实时性。尽管上文对本发明进行了详细说明，但是本发明不限于此，本
技术领域：
技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。当前第1页12