[发明专利]一种改进SIFT算法的快速目标跟踪方法

说明书

技术领域

本发明属于目标跟踪领域，具体涉及一种改进SIFT算法的快速目标跟踪方法。

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Dorin Comaniciu将Mean Shift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，Mean Shift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，Mean Shift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。David Lowe在1999年提出了SIFT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，实时性较差。基于Mean Shift跟踪方法的实时性，本发明提出了一种改进SIFT算法的快速目标跟踪方法。

发明内容

本发明的目的在于克服SIFT特征目标跟踪方法已有技术的不足，提供一种解决了基于SIFT特征的目标跟踪方法实时性较慢的缺点的改进SIFT算法的快速目标跟踪方法。

本发明的目的是这样实现的：

(1)采集装置获取动态视频；

(2)从动态视频中获取一张目标图像；

(3)提取目标图像的SIFT特征并保存到数据库中；

(3.1)尺度空间极值检测，初步确定关键点位置和所在尺度：

对目标图像通过与不同核值的高斯函数进行卷积运算构成高斯尺度空间，通过对高斯尺度空间进行采样，建立高斯金字塔；将高斯金字塔的相邻层相减，得到DOG金字塔，以处于中间层的像素点为中心的3*3*3的三维空间内进行极值检测，如果像素点在DOG金字塔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，则将该像素点标记为局部极值点，该像素点是图像在该尺度下的一个候选特征点；

(3.2)精确确定关键点的位置和尺度：

通过对步骤(1)得到的候选特征点进行三维二次函数拟合以获得亚像素级的精确定位，去除低于对比度γ的特征点以及不稳定的边缘响应点；

(3.3)利用特征点邻域像素的梯度方向统计特性为指定方向参数，使特征点具有旋转不变性。

(3.4)SIFT特征向量生成：

将坐标轴旋转为关键点的方向，以关键点为中心取8*8的窗口，在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，形成种子点，关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息；

(4)目标的SIFT特征与动态视频中的每帧图像的SIFT特征进行匹配，检测到目标后，确定目标在图像中的位置：

目标图像和待匹配图像的SIFT特征点进行匹配确定目标在图像中位置，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，取参考图像中的关键点，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；