[发明专利]一种物体跟踪方法

权利要求书

1.一种物体跟踪方法，其特征在于，包括以下步骤：

a.背景建模步骤：根据背景图像建立所述背景图像的GMM模型；

b.前景建模步骤：根据多个角度及距离下拍摄的被跟踪物体图像，提取被跟踪物体图像中的特征点，并计算这些特征点的描述算子，以所述特征点的描述算子作为描述前景物体的初始特征，建立前景目标物体特征向量集；

c.跟踪步骤：

对于当前图像帧，将图像中的每个像素与已建立的GMM模型进行匹配，初步确定目标物体区域，对初步确定的目标物体区域进行特征点检测，并计算特征点描述算子，对计算所得的特征点描述算子与前景目标物体特征向量集中的特征点描述算子进行匹配；

如果成功匹配的特征点个数不多于预定个数，整幅图像判断为背景；

如果匹配成功的特征点个数超过预定个数，则根据匹配成功的特征点确定被跟踪物体所在的前景区域，其他区域为背景区域。

2.如权利要求1所述的物体跟踪方法，其特征在于，所述前景建模步骤中，使用SURF算法提取被跟踪物体图像中的特征点并计算特征点的SURF描述算子；所述跟踪步骤中，使用SURF算法对初步确定的目标物体区域进行特征点检测并计算SURF描述算子。

3.如权利要求1所述的物体跟踪方法，其特征在于，还包括以下步骤：

d.背景模型更新步骤：使用所述跟踪步骤确定的背景区域，对所述背景图像的GMM模型进行更新，用于针对后续图像帧的所述跟踪步骤。

4.如权利要求1所述的物体跟踪方法，其特征在于，还包括以下步骤：

e.前景模型更新步骤：将所述跟踪步骤确定的前景区域内未匹配成功的特征点加入所述前景目标物体特征向量集，用于针对后续图像帧的所述跟踪步骤。

5.如权利要求1至4任一项所述的物体跟踪方法，其特征在于，所述背景建模步骤包括：

a1.使用k-means算法对图像像素在RGB空间进行聚类；

a2.使用k-means聚类结果初始化EM算法，通过EM算法的多次迭代获得背景图像的GMM模型。

6.如权利要求5所述的物体跟踪方法，其特征在于，

步骤a1中，像素聚类的数目为3～5，

k-means算法使用误差平方和准则函数作为聚类准则函数：

J=Σi=1kΣp∈Xi||p-mi||2]]>

其中，p表示所有像素的RGB灰度值，k表示k-means算法最终的聚类结果数，k取值为3，X_i表示第i个聚类子集，i为聚类子集索引，取值为1、2、3，m_i表示第i个聚类子集的聚类中心；

步骤a2中，根据k-means聚类结果计算每个聚类的均值、方差和各个聚类占总样本数的比例，初始化EM算法，通过EM算法的多次迭代，直至3个高斯模型的参数不再显著变化，此时迭代获得的参数即背景图像的初始高斯混合模型参数。

7.如权利要求1至4任一项所述的物体跟踪方法，其特征在于，所述跟踪步骤中，如果匹配成功的特征点个数超过预定个数，则计算匹配成功的像素点所形成的凸包，并计算出凸包的最小外接矩形，将所述最小外接矩形内的图像区域确定为被跟踪物体所在的前景区域，而所述最小外接矩形之外的区域为背景区域。