[发明专利]一种物体跟踪方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是一种物体跟踪方法。

背景技术

物体追踪是计算机视觉研究的重要方向之一，在生物医学、虚拟现实、机器人、安全监控、等领域有着广泛的应用。目前国内外学者在物体跟踪方面已经取得了很多的研究成功。应用比较多的跟踪方法有：帧差法、背景差分法、光流法、参数建模等方法。但是在实际应用当中，由于检测环境的复杂性，现有的跟踪算法还是有一定的局限性。其中使用高斯混合模型(GMM)背景建模的运动检测方法作为经典的跟踪方法，在背景较为固定的场合应用最多。但是，由于GMM跟踪方法仅对背景进行建模，没有提取任何与前景有关的信息，当相邻帧之间出现较大的背景差异或者光照条件显著改变时，基于GMM的跟踪方法会出现较大误差。

发明内容

本发明的主要目的在于克服现有技术的不足，提供一种跟踪性能好，实时性、鲁棒性强的物体跟踪方法。

为实现上述目的，本发明采用以下技术方案：

一种物体跟踪方法，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。

在进一步的技术方案中，

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。

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。

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。

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。

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。