[发明专利]一种基于光流点的视频目标跟踪方法

说明书

本发明公开了一种基于光流点的视频目标跟踪方法，采用直线逼近法粗选目标图形的边际标记点集，使用ORB算子检测特征关键点并计算得到对应的特征描述向量，得到初始关键点集，同时识别目标图形的灰度梯度，将边际标记点集与初始关键点集进行重合比较，加权获得重点光流点，随后继续取第二帧到第六百帧重复步骤，构建初始特征库，进行目标追踪时，初始特征库抓取当前追踪帧中的重点光流点，采用金字塔Lucas‑Kanade光流法进行前向光流和后向光流评估，随后使用ORB算法检测并描述当前帧视频图像，得到关键点集，再经过三组三点定位构型来与初始特征库复向查验完成追踪及确认定位，本发明的优点在于将光流法追踪与RGB灰度追踪定位有效整合，有效减少了计算量。

技术领域

本发明涉及视频目标追踪领域，具体地说，是一种基于光流点的视频目标跟踪方法。

背景技术

运动目标跟踪是计算机视觉领域的核心技术之一，也是安防监控、人机交互、智能交通、航空航天、医学诊断等多个领域的关键应用技术。目前为止，视觉跟踪已经形成了一套基本理论，并积累了大量的研究成果。常见的运动目标跟踪技术包括基于检测的跟踪、基于匹配的跟踪、基于滤波的跟踪、基于融合的跟踪等。这些方法分别从不同的角度分析视觉跟踪过程的特性，并建立相应模型来处理，但是单一的跟踪方法都存在一定的局限性或者固有的缺陷。比如常规的基于匹配的算法，具有跟踪稳定、精度高的特点，但是由于目标表观模型一般是基于全局特征或者是基于区域块特征的，导致搜索区域较大，计算量大、实时性较差，且当目标的尺寸、外形及姿态发生变化或者目标被遮挡时，目标模型更新不及时或更新过度都会影响算法的稳定性和有效性。

光流(optical flow)是空间运动物体在观察成像平面上的像素运动的瞬时速度，光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法，通常将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种基于光流点的视频目标跟踪方法。

技术方案：本发明所述一种基于光流点的视频目标跟踪方法，包括以下步骤：

S1、分解待处理视频，将待处理视频逐帧分解；

S2、取待处理视频的第一帧，人工选取目标图形，采用直线逼近法粗选目标图形的边际标记点集；

S3、使用ORB算子检测特征关键点并计算得到对应的特征描述向量，得到初始关键点集，同时识别目标图形的灰度梯度；

S4、将边际标记点集与初始关键点集进行重合比较，根据二者的对应点间的游离度为各个点进行加权，游离度越低权重越高，加权值区间为0～1，加权值超过0.5的点为重点光流点；

S5、继续取第二帧到第六百帧，重复S2～S4的步骤，同时将第一帧到第六百帧获得的边际标记点集及初始关键点集根据第一帧到第六百帧获得的灰度梯度进行立体排布，并根据立体排布中体现的灰度梯度变量获得第一帧到第六百帧的光流度中重点光流点变化趋势，得到初始特征库；

S6、后续视频中需要追踪目标图形时，根据初始特征库抓取当前追踪帧中的重点光流点，采用金字塔Lucas-Kanade光流法进行前向光流和后向光流评估，随后使用ORB算法检测并描述当前帧视频图像，得到关键点集；

S7、对S6中获得的关键点集中取三组三点定位构型来与初始特征库复向查验，确认其符合目标图形的重点光流点权重定义，从而完成对的视频目标的追踪定位。

作为优选的，S4中获取重点光流点后将各个重点光流点在S5中获得的立体排布中复配，标记目标图形在立体排布状态下的几何中心点，将获得的几何中心点纳入初始特征库。

作为优选的，S7中取三组三点定位构型来与初始特征库复向查验的同时将几何中心点与选取的三组三点定位构型进行重合匹配查验。