一种自适应orb目标跟踪方法
【专利摘要】本发明提供了一种自适应ORB目标跟踪方法，对FAST特征不具备方向的问题，加入了FAST特征的方向信息，在特征点描述部分则采用基于像素点二进制位比较的BRIEF特征描述子，并改进了BRIEF描述子对图像噪声敏感和不具有旋转不变性的缺点，与SIFT算法相比，ORB算法不仅具有旋转不变性和抗噪声能力，同时运算速度比SIFT算法提高了两个数量级。本发明的自适应ORB目标跟踪方法充分利用了ORB算法的这一特性，并对ORB算法作出进一步改进，然后在此基础上提出了自适应ORB算法，进一步提高运算的速度和跟踪的准确性，更加符合实时跟踪的要求。
【专利说明】
一种自适应ORB目标跟踪方法
技术领域
[0001 ]本发明涉及一种自适应ORB目标跟踪方法，属于计算机视觉领域。
【背景技术】
[0002] 随着我国的经济不断发展，社会的不断进步，人口的流动量越来越大。庞大的人口 流动量给公共安全带来了极大的挑战，为了有效保障城市安全，越来越多的城市不断加大 公共场所的监控力度，其中，视频监控就是一个有效的途径。例如，在一个机场，大约要安装 2000多个摄像机。目前的监控技术主要是通过摄像机采集被监控场所的实时画面，然后将 通过显示设备将采集到的画面进行显示，最终要通过人工来观看监控视频以判断是否有突 发事件发生。这是一种被动的监控方式，同时，有研究表明，当人盯着屏幕超过10分钟，将有 90%的视频信息将被漏掉，这将使监控的效果大打折扣。为了提高监控效果，同时将监控操 作人员从繁杂而枯燥的"盯屏幕"任务解脱出来，就需要我们发展智能视频分析，尽量减少 人工干预。智能视频分析包括三个关键步骤:对感兴趣的运动目标进行检测，对检测到的目 标进行跟踪，最终对跟踪的目标进行行为分析。所以跟踪在整个智能视频分析中扮演着极 其关键重要的作用。
[0003] 近年来，在智能视频分析方面取得了很大的发展，有许多学者相继提出了各种行 之有效的方法，典型的有SIFT算法，Harris角点检测算法和SUSAN算法，它们都可以产生高 质量的特征点，例如，SIFT算法具有很好的尺度不变性和旋转不变性，同时对视角和光照变 化也具有一定的不变性。但是这些算法的计算量都很大，不利于一些实时跟踪的应用或者 在低功耗产品上的应用。针对以上算法的不足，有学者提出了例如FAST检测子、BRIEF描述 子等来减小计算量，但是，这些算法在减少运算量的同时，也带来了一些不足，例如:FAST特 征不具有方向性，而BRIEF描述子对图像噪声比较敏感，同时也不具有旋转不变性。
【发明内容】
[0004] 为了解决现有技术的不足，本发明提供了一种自适应ORB目标跟踪方法，对FAST特 征不具备方向的问题，加入了FAST特征的方向信息，在特征点描述部分则采用基于像素点 二进制位比较的BRIEF特征描述子，并改进了BRIEF描述子对图像噪声敏感和不具有旋转不 变性的缺点，与SIFT算法相比，ORB算法不仅具有旋转不变性和抗噪声能力，同时运算速度 比SIFT算法提高了两个数量级。本发明的自适应ORB目标跟踪方法充分利用了ORB算法的这 一特性，并对ORB算法作出进一步改进，然后在此基础上提出了自适应ORB算法，进一步提高 运算的速度和跟踪的准确性，更加符合实时跟踪的要求。
[0005] 本发明为解决其技术问题所采用的技术方案是：提供了一种自适应ORB目标跟踪 方法，包括以下步骤：
[0006] (1)对于动态视频的当前帧，框选目标区域，在目标区域内检测该帧的特征点并加 上方向信息：
[0007] (1.1)利用FAST算子对当前帧进行特征点检测，得到当前帧的所有FAST特征点；
[0008] (1.2)在检测到的FAST特征点中，利用HarriS角点检测算子挑选出HarriS角点响 应值最大的前N个FAST特征点，其中Harr i s角点相应函数为：
[0009] R = detM-k(traceM)2
[0010] 其中，M为矩阵：
[0011]
[0012] 对矩阵M(x，y)对角化得到：
[0013]
[0014] Ix(x，y)和
Iy(x，y)为坐标为(x，y)的像素点的灰度值I(x，y)的偏导数，w(x，y)为高 斯窗口函数，detM=A1A2，traceM=λ!+λ2，k为经验常数因子；
[0015] (1.3)利用图像金字塔产生多尺度特征；
[0016] (1.4)对N个FAST特征点分别加上方向信息，包括以下过程：
[0017] (1.4.1)对于一个FAST特征点，定义以该FAST特征点为中心的像素块的矩：
[0018]
[0019]其中，mij为像素块的矩，i和j分别是矩的阶数的系数；
[0020] (1.4.2)对于像素块，通过以下公式计算其亮度质心C:
[0021]
[0022] 其中，mm是像素块的0阶矩，πκ^Ρ_是像素块的1阶矩；
[0023] 设像素块的中心点为0，则中心点0到亮度质心C构成向量，则FAST特征点的方 向为Θ:
[0024] Θ =atan2(m〇i ,mio)
[0025] (2)对FAST特征点进行描述：
[0026] (2.1)对当前帧进行高斯模糊；
[0027] (2.2)生成BRIEF描述子，包括以下过程：
[0028] (2.2.1)在D X D的图像块区域定义一个τ测试： 1:/(Ρ1)</(Ρ2)
[0029] τ{1\Ρ\,Ρ2) = { ： 0: ?[Ρ\)> ?(Ρ2)
[0030] 其中，I(Pl)表示点Pl(u，v)处的灰度值，Ι(Ρ2)表示点P2(p，q)处的灰度值，D为设 置值；
[0031] (2.2.2)在D X D的图像块区域中随机选出η对点PI i，P2i进行τ测试，得到长度为n的 二进制串，即BRIEF描述」
[0032] (2.3)对BRIEF描述子进行旋转，生成steered BRIEF描述子，包括以下过程：
[0033] (2.3.1)将随机选出的η对点Pli，P2i构建特征测试集，用2 X η矩阵表示：
[0034]
[0035] (2.3.2)利用FAST特征点的方向Θ对矩阵S进行旋转，得到矩阵Se:
[0036] Se = ReS
[0037]其中Re为旋转矩阵：
[0038]
[0039] . ο . Jj LBtiI ?a dr_lEF 描述子为：
[0040] gn(I；0)：=fn(I) I (Pli,P2i)eS0
[00411 (2.4)利用贪婪搜索法从特征测试集中筛选出满足要求的steered BRIEF描述子 构成rBRIEF，包括以下过程：
[0042] (2.4.1)计算所有的steered BRIEF描述子与0.5的距离，并对其进行排序，利用排 序后的steered BRIEF描述子构建向量T;
[0043] (2.4.2)进行贪婪搜索：创建一个结果向量R，将向量T中的第一个steered BRIEF 描述子放入R中，并将其从T中提出，然后将T中的下一个steered BRIEF描述子取出来与R中 的所有steered BRIEF描述子进行比较，计算T中取出的steered BRIEF描述子与R中的所有 steered BRIEF描述子的相关性，如果相关性超过设定的阈值threshold，则将取出的 steered BRIEF描述子丢弃，否则将取出的steered BRIEF描述子放入R中；
[0044] (2.4.3)重复步骤（2.4.2)直到R中有η个steered BRIEF描述子，或则T中所有的 steered BRIEF描述子比较完毕；若R中有η个steered BRIEF描述子，则向量R中的steered BRIEF描述子即为rBRIEF描述子，则进入步骤(3)，否则调高threshold，回到步骤(2.4.1)开 始重构向量T并重新进行贪婪搜索；
[0045] (3)进入下一帧，以下一帧作为当前帧对其重复步骤(1)和步骤(2)的过程，得到该 帧的FAST特征点及其rBRIEF描述子；
[0046] (4)计算前后两帧的FAST特征点的描述子之间的汉明距离，如果汉明距离在设定 的阈值范围内，则前后两帧的FAST特征点匹配成功，后一帧匹配成功的特征点所组成的区 域为跟踪区域;否则匹配失败；
[0047] (5)对跟踪区域内的FAST特征点进行统计以计算跟踪区域的重心，计算重心到每 一个FAST特征点的欧氏距离并求出其中的最大值，以重心为圆心，以欧氏距离最大值为半 径画圆，以该圆的外接矩形作为跟踪结果边界框；以后一帧的跟踪结果边界框划定的范围 作为对该帧的下一帧进行预判，将该范围作为下一帧的目标区域，返回步骤(3)，直到完成 动态视频的所有前后两帧的匹配。
[0048]步骤(1.1)中利用FAST算子进行特征点检测，包括以下过程：
[0049] (1. 1.1)从当前帧选取一像素点P作为待检测的点，以像素点P为圆心、半径等于3 像素的离散化的Bresenhan圆上有16个像素点，从上方中间像素点开始顺时针对该16个像 素点进彳丁排序；
[0050] (1.1.2)将像素点P的灰度值Ip分别于第1个、第5个、第9个和第13个像素点的灰度 值进行比较，如果第1个、第5个、第9个和第13个像素点中至少有3个像素点的灰度值都大于 Ip+t，或者都小于IP-t，则继续将P的像素值与Bresenhan圆上其他像素点的灰度值进行比 较，否则将P点丢弃；如果包括第1个、第5个、第9个和第13个像素点在内，有z个连续的像素 点的灰度值都大于Ip+t，或者都小于Ip-t，则P为一个FAST特征点;其中t为设定的阈值。
[0051] z设置为9。
[0052] η 为 256。
[0053] 经验常数因子k取值0.04。
[0054]本发明基于其技术方案所具有的有益效果在于：本发明充分利用ORB算法具有旋 转不变性，运算速度快，跟踪效果好的特点，同时对ORB算法进行了改进，其改进主要体现在 (1)根据当前帧的跟踪结果预判下一帧的跟踪范围，然后在预判区域内进行特征点检测和 特征点描述，从而可以减少计算量，提高跟踪速度，同时在小范围内提取特征并进行匹配， 可以有效提高匹配的正确率，提高跟踪精度；（2)把当前帧的跟踪结果(包含特征点和描述 子的信息)保存起来作为下一帧跟踪模板的图像，节省了下一帧跟踪时对模板图像进行特 征点提取的耗时，从而缩短了跟踪时间；（3)提出了自适应的概念，其自适应性体现在跟踪 结果的边界框bounding box的大小可以根据每一帧中特征点的个数及其分布自行调整。例 如，当跟踪目标缩小时，特征点个数较少且分布较集中，边界框缩小，同时提高了抗干扰能 力。自适应主要是首先对跟踪区域内的特征点进行统计，计算其重心，然后求重心到每一个 特征点的欧式距离，并求出其最大值，以特征点的重心为圆心，最大距离为半径画圆，以该 圆的外接矩形作为跟踪结果边界框。
【附图说明】
[0055]图I FAST特征点检测原理示意图；
[0056]图2示出自适应原理图；
[0057]图3是本发明的流程图；
[0058]图4示出了本发明的方法与ORB算法的跟踪结果对比；
[0059] 图4a_4c是ORB的跟踪结果；
[0060]图4d_4f是本发明的方法的跟踪结果；
[0061 ]图5是本发明与ORB算法跟踪时间对比；
[0062]图6示出了本发明的方法与传统的LK、MSIFT跟踪算法对T50战机的跟踪结果对比； [0063]图6a_6c是LK光流的跟踪结果；
[0064] 图6d_6f是MSIFT算法的跟踪结果；
[0065]图6g_6 i是本发明的方法的跟踪结果；
[0066]图7示出了本发明的方法与传统的LK、MSIFT跟踪算法对T50战机的跟踪时间对比； [0067]图8示出了本发明的方法与传统的LK、MSIFT跟踪算法对DJI S1000飞行器的跟踪 结果对比；
[0068]图8a_8c是LK光流的跟踪结果；
[0069] 图8d_8f是MS IFT算法的跟踪结果；
[0070]图8g-8 i是本发明的方法的跟踪结果；
[0071]图9示出了本发明的方法与传统的LK、MSIFT跟踪算法对DJI S1000飞行器跟踪的 时间对比；
[0072]图10示出了本发明的方法与传统的LK、MSIFT跟踪算法对滑雪运动者的跟踪结果 对比；
[0073] 图IOa-IOc是LK光流的跟踪结果；
[0074] 图IOd-IOf是MSIFT算法的跟踪结果；
[0075]图I Og-10 i是本发明的方法的跟踪结果；
[0076]图11示出了本发明的方法与传统的LK、MSIFT跟踪算法对滑雪运动者的跟踪的时 间对比。
【具体实施方式】
[0077]下面结合附图和实施例对本发明作进一步说明。
[0078] 本发明提供了一种自适应ORB目标跟踪方法，参照图3，包括以下步骤：
[0079] (1)对于动态视频的当前帧，框选目标区域，在目标区域内检测该帧的特征点并加 上方向信息：
[0080] (1.1)利用FAST算子对当前帧进行特征点检测，得到当前帧的所有FAST特征点，参 照图1，包括以下过程：
[0081 ] (1. 1.1)从当前帧选取一像素点P作为待检测的点，以像素点P为圆心、半径等于3 像素的离散化的Bresenhan圆上有16个像素点，从上方中间像素点开始顺时针对该16个像 素点进彳丁排序；
[0082] (1.1.2)将像素点P的灰度值Ip分别于第1个、第5个、第9个和第13个像素点的灰度 值进行比较，如果第1个、第5个、第9个和第13个像素点中至少有3个像素点的灰度值都大于 Ip+t，或者都小于IP-t，则继续将P的像素值与Bresenhan圆上其他像素点的灰度值进行比 较，否则将P点丢弃；如果包括第1个、第5个、第9个和第13个像素点在内，有z个连续的像素 点的灰度值都大于Ip+t，或者都小于Ip-t，则P为一个FAST特征点;其中t为设定的阈值； [0083]比较1、5、9、13像素点能够加快检测速度；
[0084] (1.2)在检测到的FAST特征点中，利用Harris角点检测算子挑选出Harris角点响 应值最大的前N个FAST特征点，其中Harr i s角点相应函数为：
[0085] R = detM-k(traceM)2
[0086] 其中，M为矩阵：
[0087]
[0088]
[0089]
[0090] lxU，y)和lyU，y)艿坐称艿u，y)的傢累总的狄度但ux，y)的偏寺数，w(x，y)为高 斯窗口函数，detM=A1A2，traceM=λ!+λ2，k为经验常数因子；
[0091] (1.3)利用图像金字塔产生多尺度特征：
[0092]图像金字塔产生多尺度是现有技术，图像金字塔是一个图像集，集合中的所有图 像都源于同一个原始图像，而且是通过对原始图像连续降采样得到。要从金字塔第i层生成 第i+1层（用G1+1表示第i+1层，原始图像为第O层，用Go表示），先用高斯核对第i层进行卷积， 然后删除所有的偶数行和偶数列，这样得到第i+Ι层，新得到的图像大小会变为原来的四分 之一。通过对G〇(原始图像)不停迭代，就可以得到整个金字塔，ORB算法中，迭代八次，即：得 到8层金字塔;然后再在每一层图像上重复(1.1 )、（ 1.2)步骤，从而构成多尺度特征；
[0093] (1.4)对N个FAST特征点分别加上方向信息，包括以下过程：
[0094] (1.4.1)对于一个FAST特征点，定义以该FAST特征点为中心的像素块的矩：
[0095]
[0096] 其中，mij为像素块的矩，i和j分别是矩的阶数的系数；
[0097] (1.4.2)对于像素块，通过以下公式计算其亮度质心C:
[0098]
[0099]其中，mm是像素块的0阶矩，πκη和m1Q是像素块的1阶矩；
[0100] 设像素块的中心点为〇,则中心点〇到亮度质心C构成向量,则FAST特征点的方 向为Θ:
[0101] Θ =atan2(m〇i ,mio)
[0102] atan2是正切函数的一个变种，对于任意不同时等于0的实参数X和y，atan2(x,y) 所表达的意思是坐标原点为起点，指向（X, y)的射线在坐标平面上与X轴正方向之间的角 度。当y>〇时，射线与X轴正方向的所得的角的角度指的是X轴正方向绕逆时针方向到达射线 旋转的角的角度;而当y〈〇时，射线与X轴正方向所得的角的角度指的是X轴正方向绕顺时针 方向达到射线旋转的角的角度；
[0103] (2)对FAST特征点进行描述：
[0104] (2.1)对当前帧进行平滑处理，即进行高斯模糊；
[0105] (2.2)生成BRIEF描述子，包括以下过程：
[0106] (2.2.1)在D X D的图像块区域定义一个τ测试：
[0107]
[0108] 其中，I(Pl)表示点Pl(u，v)处的灰度值，Ι(Ρ2)表示点P2(p，q)处的灰度值，D为设 置值；
[0109] (2.2.2)在D X D的图像块区域中随机选出η对点PI i，P2i进行τ测试，得到长度为n的 二进制串，即
[0110] PIi，P2i不是特征点，它们是在以FAST特征点为中心、S X S的区域中选出的，PIi， P2i构成一个点对，最终需要选出η个点对，实验证明，Pli，P2i按照它们到特征点的距离服从
[
i勺高斯分布选取效果最好。
[0111] (2.3)对BRIEF描述子进行旋转，生成steered BRIEF描述子，包括以下过程：
[0112] (2.3.1)将随机选出的η对点Pli，P2i构建特征测试集，用2 X η矩阵表示：
[0113]
[0114] (2.3.2)利用FAST特征点的方向Θ对矩阵S进行旋转，得到矩阵Se:
[0115] Se = ReS
[0116]其中Re为旋转矩阵：
[0117]
[0118] (2.3.3)生成steered BRIEF描述子为：
[0119] gn(I；0)：=fn(I)|(Pli,P2i)eS9
[0120] (2.4)利用贪婪搜索法从特征测试集中筛选出满足要求的steered BRIEF描述子 构成rBRIEF，包括以下过程：
[0121] (2.4.1)计算所有的steered BRIEF描述子与0.5的距离，并对其进行排序，利用排 序后的steered BRIEF描述子构建向量T;
[0122] (2.4.2)进行贪婪搜索：创建一个结果向量R，将向量T中的第一个steered BRIEF 描述子放入R中，并将其从T中提出，然后将T中的下一个steered BRIEF描述子取出来与R中 的所有steered BRIEF描述子进行比较，计算T中取出的steered BRIEF描述子与R中的所有 steered BRIEF描述子的相关性，如果相关性超过设定的阈值threshold，则将取出的 steered BRIEF描述子丢弃，否则将取出的steered BRIEF描述子放入R中；
[0123] (2.4.3)重复步骤（2.4.2)直到R中有η个steered BRIEF描述子，或则T中所有的 steered BRIEF描述子比较完毕；若R中有η个steered BRIEF描述子，则向量R中的steered BRIEF描述子即为rBRIEF描述子，则进入步骤(3)，否则调高threshold，回到步骤(2.4.1)开 始重构向量T并重新进行贪婪搜索；
[0124] (3)进入下一帧，以下一帧作为当前帧对其重复步骤(1)和步骤(2)的过程，得到该 帧的FAST特征点及其rBRIEF描述子；
[0125] (4)进行特征点匹配，由于特征点的描述子是一串二进制字符串，所以可以通过计 算rBRIEF描述子之间的汉明距离，如果汉明距离在设定的阈值范围内，则匹配成功，否则匹 配失败:计算前后两帧的FAST特征点的描述子之间的汉明距离，如果汉明距离在设定的阈 值范围内，则前后两帧的FAST特征点匹配成功，后一帧匹配成功的特征点所组成的区域为 跟踪区域;否则匹配失败；
[0126] (5)参照图2,为自适应过程:对跟踪区域内的FAST特征点进行统计以计算跟踪区 域的重心，计算重心到每一个FAST特征点的欧氏距离并求出其中的最大值，以重心为圆心， 以欧氏距离最大值为半径画圆，以该圆的外接矩形作为跟踪结果边界框；以后一帧的跟踪 结果边界框划定的范围作为对该帧的下一帧进行预判，将该范围作为下一帧的目标区域， 返回步骤(3)，直到完成动态视频的所有前后两帧的匹配。
[0127] z设置为9。
[0128] η 为 256。
[0129] 经验常数因子k取值0.04。
[0130] 从图4对比中可以看出，本发明的跟踪准确率优于ORB算法的跟踪准确率;从图5的 对比中，可以看出本发明的跟踪所用的时间低于ORB算法所用的时间，即本发明的跟踪速度 高于ORB的跟踪速度;从图6、图8、图10中可以看出，对不同物体的跟踪，本发明的方法跟踪 的准确率均由于传统的LK、MSIFT算法的跟踪准确率;从图7、图9、图11中可以看出，本发明 跟踪所用的时间均低于传统的LK、MSIFT跟踪算法所用的时间，也即本发明的方法的跟踪速 度高于传统的LK、MSIFT跟踪算法的速度。综上，无论是与传统的LK、MSIFT跟踪算法相比，还 是跟ORB算法相比，本发明的跟踪准确率和跟踪速度均比较有优势，实现了又快又准的目 的。
【主权项】
1. 一种自适应ORB目标跟踪方法，其特征在于包括w下步骤： (1) 对于动态视频的当前帖，框选目标区域，在目标区域内检测该帖的特征点并加上方 向?胃息： (1.1) 利用FAST算子对当前帖进行特征点检测，得到当前帖的所有FAST特征点； (1.2) 在检测到的FAST特征点中，利用化rr i S角点检测算子挑选出化rr i S角点响应值 最大的前N个FAST特征点，其中化rr i S角点相应函数为： R=detM_k(traceM)2其中，Μ为矩阵：对矩阵M(x，y)对角化得到：11^，7)和^(^，7)为坐标为(^，7)的像素点的灰度值1(^，7)的偏导数，*(^，7)为高斯窗 口 函数，(1θ?Μ = λιλ2，?Γ3ΕθΜ = λι+λ2，k为经验常数因子； (1.3) 利用图像金字塔产生多尺度特征； (1.4) 对N个FAST特征点分别加上方向信息，包括W下过程： (1.4.1) 对于一个FAST特征点，定义W该FAST特征点为中屯、的像素块的矩：其中，ΠΗ功像素块的矩，巧Pj分别是矩的阶数的系数； (1.4.2) 对于像素块，通过W下公式计算其亮度质屯、C:其中，m日日是像素块的0阶矩，moi和mi日是像素块的1阶矩； 设像素块的中屯、点为0，则中屯、点0到亮度质屯、C构成向量^5^"，现JFAST特征点的方向为 白： 白= atan2(m〇i,mio) (2) 对FAST特征点进行描述： (2.1) 对当前帖进行高斯模糊； (2.2) 生成BRI邸描述子，包括W下过程： (2.2.1) 在D X D的图像块区域定义一个τ测试：其中，ΚΡ1)表示点Pl(u，v)处的灰度值，ΚΡ2)表示点P2(p，q)处的灰度值，D为设置值； (2.2.2) 在0乂0的图像块区域中随机选出11对点口11，口2进行1巧聯，得到长度为11的二进 制串，旨化RIEF描述子(2.3)对BRI邸描述子进行旋转，生成steered BRIEF描述子，包括W下过程： (2.3.1) 将随机选出的η对点Pli，P2i构建特征测试集，用2 Xn矩阵表示：(2.3.2) 利用FAST特征点的方向目对矩阵S进行旋转，得到矩阵Se: 8θ = Κθ8 其中Re为旋转矩阵：(2.3.3) 生成steered BRIEF描述子为： 抑（I;目）：=fn(I)|(Pli，P2i)eSe (2.4)利用贪婪捜索法从特征测试集中筛选出满足要求的steered BRIEF描述子构成 rBRIEF，包括W下过程： (2.4.1) 计算所有的steered BRIEF描述子与0.5的距离，并对其进行排序，利用排序后 的steered BRIEF描述子构建向量T; (2.4.2) 进行贪婪捜索：创建一个结果向量R，将向量T中的第一个steered BRIEF描述 子放入R中，并将其从T中提出，然后将T中的下一个steered BRIEF描述子取出来与R中的所 有steered BRIEF描述子进行比较，计算T中取出的steered BRIEF描述子与R中的所有 steered BRIEF描述子的相关性，如果相关性超过设定的阔值threshold，则将取出的 steered BRIEF描述子丢弃，否则将取出的steered BRIEF描述子放入R中； (2.4.3) 重复步骤（2.4.2)直到R中有η个steered BRIEF描述子，或则T中所有的 steered BRIEF描述子比较完毕；若R中有η个steered BRIEF描述子，则向量R中的steered BRIEF描述子即为巧RIEF描述子，则进入步骤(3)，否则调高threshold，回到步骤(2.4.1)开 始重构向量T并重新进行贪婪捜索； (3) 进入下一帖，W下一帖作为当前帖对其重复步骤（1)和步骤(2)的过程，得到该帖的 FAST特征点及其巧RIEF描述子； (4) 计算前后两帖的FAST特征点的描述子之间的汉明距离，如果汉明距离在设定的阔 值范围内，则前后两帖的FAST特征点匹配成功，后一帖匹配成功的特征点所组成的区域为 跟踪区域;否则匹配失败； (5) 对跟踪区域内的FAST特征点进行统计W计算跟踪区域的重屯、，计算重屯、到每一个 FAST特征点的欧氏距离并求出其中的最大值，W重屯、为圆屯、，W欧氏距离最大值为半径画 圆，W该圆的外接矩形作为跟踪结果边界框；W后一帖的跟踪结果边界框划定的范围作为 对该帖的下一帖进行预判，将该范围作为下一帖的目标区域，返回步骤(3)，直到完成动态 视频的所有前后两帖的匹配。2.根据权利要求1所述的自适应ORB目标跟踪方法，其特征在于:步骤（1.1)中利用FAST 算子进行特征点检测，包括W下过程： (1.1.1)从当前帖选取一像素点P作为待检测的点，W像素点P为圆屯、、半径等于3像素 的离散化的化e senhan圆上有16个像素点，从上方中间像素点开始顺时针对该16个像素点 进行排序； (1.1.2)将像素点P的灰度值Ip分别于第1个、第5个、第9个和第13个像素点的灰度值进 行比较，如果第1个、第5个、第9个和第13个像素点中至少有3个像素点的灰度值都大于IP+ t，或者都小于Ip-t，则继续将P的像素值与化esenhan圆上其他像素点的灰度值进行比较， 否则将P点丢弃;如果包括第1个、第5个、第9个和第13个像素点在内，有Z个连续的像素点的 灰度值都大于IpW，或者都小于Ip-t，贝化为一个FAST特征点;其中t为设定的阔值。3. 根据权利要求2所述的自适应ORB目标跟踪方法，其特征在于:Z设置为9。4. 根据权利要求1所述的自适应ORB目标跟踪方法，其特征在于:η为256。5. 根据权利要求1所述的自适应ORB目标跟踪方法，其特征在于:经验常数因子k取值 0.04。
【文档编号】G06T7/20GK105844663SQ201610156876
【公开日】2016年8月10日
【申请日】2016年3月21日
【发明人】罗大鹏, 张明东, 罗林波, 刘永文, 曾志鹏, 魏龙生, 马丽, 王勇
【申请人】中国地质大学（武汉）