基于特征匹配和MeanShift算法的目标跟踪方法
【技术领域】
[0001] 本发明属于图像处理技术领域，尤其涉及一种基于SIFT特征匹配和MeanShift 算法相结合的目标跟踪方法。
【背景技术】
[0002] 目标跟踪是计算机视觉领域的一个重要分支，它在视频监控、智能交通、人机交 互、军事领域以及机器人视觉导航等中有着广泛的应用。其目的是通过一定的相似性度量 和匹配搜索算法实现目标跟踪和定位。
[0003] 迄今为止，视频序列的目标跟踪技术相对比较完善。针对不同的应用场合及需求， 研究人员已经设计研发了多种目标跟踪方法。通常情况下目标跟踪方法大致可以分为：基 于区域的目标跟踪方法、基于主动轮廓的目标跟踪方法、基于模型的目标跟踪方法和基于 特征的目标跟踪方法等。基于区域的目标跟踪算法通常是把感兴趣的运动目标区域作为 待匹配的模板，按照某种相似性度量准则，通过相关匹配技术在下一帧图像中寻找与目标 模板的最优匹配位置，但是该算法在目标发生局部遮挡和目标发生几何变形时往往效果不 好；基于主动轮廓的目标跟踪算法是利用封闭曲线的演化来表达目标轮廓，该方法通过建 立合适的能量函数来自动演化目标轮廓，而且如果能够对目标实现较好的初始化轮廓，并 且各个目标之间能够分开的话，则在发生局部遮挡的情况下也能够较好的跟踪目标，但初 始化轮廓通常是很困难的；基于模型的目标跟踪算法通常是根据先验信息建立目标的模 型，然后通过模型的匹配来寻找各帧图像中目标的位置；基于特征的目标跟踪算法通常是 利用目标的某些局部特征标识目标，并通过特征匹配在图像序列中跟踪目标，该算法对目 标局部遮挡具有较好的鲁棒性，但是当目标被严重遮挡甚至是全部遮挡时该算法容易出现 目标跟踪误差大，甚至无法跟踪目标的问题
[0004] 在众多跟踪方法中，MeanShift算法是基于跟踪目标的空间色彩直方图特征来实 现目标的识别与跟踪，因其具有运算简单、实时性好的优点而被广泛使用。但当跟踪目标 出现明显尺度变化、旋转、遮挡以及目标运动速度较快等情况下，它容易出现目标跟踪误差 大，甚至无法跟踪目标的问题。
[0005] 为了解决MeanShift算法在跟踪过程中所面临的问题，西安电子科技大学提出的 公告号为CN102999920B的发明专利"基于最近邻分类器和均值漂移的目标跟踪方法"公开 了一种基于最近邻分类器和均值漂移的目标跟踪方法。该方法对通过目标模型与目标搜索 区域中相匹配的SIFT特征点的位置区域和利用MeanShift算法所获得的跟踪目标区域进 行决策级融合来获得最终的目标跟踪结果，该方法虽然在目标快速运动甚至出现运动模糊 时有较好的跟踪效果，但是当目标出现尺度变化或者严重遮挡甚至是全部遮挡时，该方法 容易出现跟踪误差大甚至无法跟踪目标的问题。
[0006] 天津工业大学提出的公开号为CN104331638A的专利申请"基于Meanshift算法 的小型载体视觉导航方法"公开了一种基于Meanshift算法的小型载体视觉导航方法。该 方法利用Meanshift算法实现自然路标的特征提取与跟踪，然后利用图像序列中的自然路 标位置信息确定小型载体的位置，从而获得精确的导航坐标，该方法虽然对正常运动情况 下的小型载体有较好的定位效果，但是当小型载体快速运动或者自然路标被遮挡时，该方 法就会产生较大的定位误差甚至无法定位。
[0007] 南京大学提出的公开号为CN102117487A的专利申请"一种针对视频运动目标的 尺度方向自适应Mean-shift跟踪方法"公开了 一种针对视频运动目标的尺度方向自适应 Mean-shift跟踪方法。该方法首先通过MeanShift算法预测目标的位置，然后通过预测的 目标区域的SIFT特征点的尺度和方向信息来计算目标的尺度和旋转参数。该方法虽然对 目标出现尺度变化和旋转时有较好的跟踪效果，但是当目标出现快速运动或者遮挡时，该 方法就会产生较大的跟踪误差甚至跟丢目标。
[0008] 哈尔滨工程大学提出的公开号为CN104036524A的专利申请"一种改进的SIFT算 法的快速目标跟踪方法"公开了一种针对视频运动目标的尺度方向自适应Mean-shift跟踪 方法。该方法通过SIFT算法获得初始时刻目标的位置，然后在后续每帧视频序列该位置处 仅采用MeanShift算法对目标进行定位。该方法虽然在正常运动情况下能够跟踪目标， 但是当目标出现较大尺度变化或者遮挡时，会出现跟踪误差大甚至跟踪失败的问题。
【发明内容】
[0009] 针对现有技术存在的不足，本发明的目的是提供一种可以避免目标跟踪过程中遇 到尺度变化、遮挡、旋转和快速运动等复杂情况导致跟踪性能变差，实现目标的稳定跟踪的 目标跟踪方法。
[0010] 为了实现上述目的，本发明采取如下的技术解决方案：
[0011] 基于特征匹配和MeanShift算法的目标跟踪方法，包括以下步骤：输入图像序 列，
[0012] 步骤1、采用基于RGB颜色模型的方法对图像序列进行背景重构，然后采用背景差 分法获得初始时刻的目标区域，并对初始时刻的目标区域采用MeanShift算法进行建模， 得到初始时刻的目标区域模型；
[0013] 步骤2、对初始时刻的目标区域模型进行SIFT特征提取，将初始时刻的目标区域 模型的SIFT特征点作为特征库的初始特征点；
[0014] 步骤3、从图像序列中输入单帧图像，通过SIFT特征匹配计算当前帧目标的初始 位置、尺度参数和旋转参数，步骤如下：
[0015] 步骤3-1、在当前帧的候选目标搜索区域提取SIFT特征点；
[0016] 步骤3-2、将SIFT特征点与特征库中的特征点进行匹配，并消除误匹配对，获得正 确匹配对；
[0017] 步骤3-3、采用仿射变换模型，通过正确匹配对计算当前帧的候选目标搜索区域与 前一帧初始时刻的目标区域模型之间的变换参数；
[0018] 仿射变换矩P
，
[0019]目标区域与候选目标搜索区域间的点坐标变换关：
[0020] 其中，[x，y]T和[ij，]7分别表示前一帧和当前帧匹配的点的坐标，氏和H5为前一 帧初始时刻的目标区域模型相对当前帧候选目标搜索区域的平移量，&、氏、!13、!1 4为尺度参 数和旋转参数；
[0021] 步骤3-4、利用目标区域和候选目标搜索区域间的点坐标关系计算当前帧目标的 初始位置以及相对于前一帧目标的尺度参数和旋转参数，进行目标初步定位；
[0022] 步骤4、对当前帧目标进行精确定位；
[0023] 步骤4-1、在步骤3-4获得的当前帧目标的初始位置处采用MeanShift算法建立 候选目标模型；
[0024] 步骤4-2、计算初始时刻的目标区域模型与候选目标模型的相似性系数 P (Xcen，y"cen) ·
[0025]
[0026] 其中，py。％)为候选目标模型的颜色特征概率密度分布，q为目标模型的颜色 特征概率密度分布，pu(x^y。」为候选目标模型在颜色特征值为u时的概率密度，qu表示 目标模型在颜色特征值为u时的概率密度，p(X(]，y。）为中心坐标在点（X(]，y。）处的目标模型 的颜色特征概率密度分布，Ch为候选目标模型在颜色特征值为u时的概率密度中的归一化 常数，Wi是权值系数，u为颜色直方图的颜色索引，（X。％，y。％)为候选目标模型的中心坐标， (X/，y/ )为候选目标模型中第i个像素的坐标，为初始时刻的目标区域模型的 中心坐标，nh为候选目标模型的总像素点数；
[0027] 步骤4-3、采用MeanShift算法对目标进行精确定位；
[0028] 步骤5、计算当前帧目标的遮挡因子，判断目标的遮挡程度，确定目标的跟踪模 式；
[0029] 步骤5-1、计算目标的遮挡因子
，其中， >λ为遮挡程度参量；
V
[0030] 步骤5-2、根据目标的遮挡因子OCC判断目标的遮挡程度，当OCC<阈值thl时执 行步骤5-2-1，否则执行步骤5-2-2;
[0031] 步骤5-2-1、当occ<阈值thl时，认为目标没有被遮挡，对特征库和目标模板进行 更新；更新后，如果图像序列中还有图像要继续跟踪，则读入下一帧图像，返回执行步骤3 ;
[0032] 步骤5-2-2、当occ>阈值thl时，认为目标被遮挡，进入遮挡跟踪模式，当跳出遮 挡跟踪模式时，对特征库和目标模板进行更新；更新后，如果图像序列中还有图像要继续跟 踪，读入下一帧图像，返回执行步骤3;
[0033] 步骤6、图像序列中的所有图像跟踪完毕，结束目标跟踪。
[0034] 进一步的，步骤1中基于RGB颜色模型进行背景重构的方法如下：从连续的Μ帧 图像序列中抽取Ν帧图像构成图像子序列，Ν<Μ;分别对图像子序列的每帧图像在每个点 (x，y)处的RGB分量/,?υ)、/Γ(λ?)、/"(λ%少)按照递增的顺序进行排序，形成数列 尺1[!(1，7)、1?1 (：(1，7)及1?11?(1，7);分别取数列1?1[!(1，7)、1?1 (：