一种基于轮廓梯度的目标跟踪方法技术

本发明专利技术具体公开一种基于轮廓梯度的目标跟踪方法,通过从输入的视频或图像序列的初始帧中分割候选目标，并提取出参考图像；提取参考图像轮廓作为标准特征模板，并进行尺度、角度变换，得到多尺度多角度模板序列；输入视频或图像序列的下一帧，提取该目标图像的梯度特征；将多尺度多角度模板序列在目标图像的特征图像上进行步长为1的滑动窗口扫描，并计算两者匹配的相似度；根据匹配位置、尺度因子、角度因子等信息，在目标图像中分割出目标所在的子区域作为下一次检测的参考图像进行更新；直至视频或图像序列所有帧检测完毕。本发明专利技术目的是：在于提供一种基于轮廓梯度的目标跟踪方法，以适应目标的尺度变化和/或角度变化，提高目标跟踪的准确度。

【技术实现步骤摘要】
一种基于轮廓梯度的目标跟踪方法
本专利技术属于计算机图像处理
，具体公开一种基于轮廓梯度的目标跟踪方法。
技术介绍
在安防监控任务中，为了实现目标自动跟踪的需求，常常需要在视频或者连续图像序列中确定出感兴趣区域的目标位置，并将每一帧图像中的目标位置对应起来。目标跟踪技术的研究内容，主要分为以下两个方面：一，对所捕获的视频序列中的运动目标进行检测、跟踪、识别和提取所需信息，如目标的轨迹及相关运动参数如速度、加速度、位置等。二，利用获取的各项运动参数对目标进行预测和估计以辅助决策。因此，精确提取运动目标的特征是提高目标跟踪、识别与分类精度的前提；而跟踪的精确度又影响到高层决策的精确与困难程度。传统的目标跟踪技术方案可以描述如下：(1)在采集的图像序列中上确定一个模板，通常称为参考图像，参考图像中记载有需要被跟踪的目标；(2)将参考图像的每个像素点作为特征点，形成原始特征点集；或者，为了提高运算的效率，从参考图像内相隔等间距把像素点均匀提取出来(该过程可被称为等间距采样)，形成原始特征点集；(3)对原始特征点集及其邻域作运算，得到新的特征点集，根据新的特征点集在待匹配图像上确定匹配区域；(4)计算匹配区域和参考模板之间的灰度或纹理信息，利用最小化误差的方法，通过迭代，得到匹配区域与参考图像之间的匹配系数矩阵，其中匹配系数最大值对应的区域即为被跟踪的目标。(5)对采集到的图像序列重复步骤(3)-(4)，通过图像帧与帧之间的模板匹配，最终实现了目标连续的跟踪。传统的目标跟踪方法，存在以下缺点：(1)得到参考图像后，将其作为标准模板，对此不再更新。但实际的跟踪系统中，随着摄像机等图像采集设备的运动、目标发生运动、尺度或旋转时，可能确定的参考图像会部分移出摄像机的画面采集范围，从而参考图像的部分区域并不在后续图像序列的图像中，若采用初始参考图像，则会导致跟踪失败，出现丢失目标的情况。因此，设计一种具有较强抗干扰能力的跟踪方法具有很好的应用价值。(2)获得的参考图像的特征点随意性大，通常包含的图像信息较少，不能很好的表征图像特征，可靠性、稳定性不高，使得跟踪算法不具备良好的鲁棒性。(3)特征匹配计算难以达到实时，影响了目标跟踪的响应速度。
技术实现思路
本专利技术的目的是：在于提供一种基于轮廓梯度的目标跟踪方法，以适应目标的尺度变化和/或角度变化，提高目标跟踪的准确度；首先通过sobel算子提取指定目标的轮廓及其梯度向量作为标准尺度模板，然后通过尺度和角度采样得到多尺度多角度的模板序列；其次，通过模板匹配方法得到最优匹配信息，包括位置、尺度因子和角度因子；最后，根据最优匹配信息切割出目标图像上的最优匹配区域，并将其轮廓及其梯度向量作为更新的标准尺度模板。本专利技术的目的是通过以下技术方案实现的：一种基于轮廓梯度的目标跟踪方法，包括以下步骤；步骤1：从输入的视频或图像序列的初始帧中分割候选目标，提取出包含候选目标的参考图像；步骤2：提取目标参考图像的轮廓，得到参考图像各像素点坐标序列pi＝(xi,yi)T及其对应的水平、竖直方向的梯度序列di＝(ti,ui)T，作为标准特征模板；若目标参考图像的尺寸为m×n，根据预设阈值条件T检测到边缘点的个数为L，则i＝1,2,3,...,m×n，其中仅L个点为sobel边缘点，而其他的非边缘点所对应的梯度定义为(0,0)；sobel边缘检测的过程，就是利用sobel算子与参考图像的所有像素点及其邻域作卷积，然后根据预设阈值条件T确定出边缘点的过程；经过sobel边缘检测，可以得到点pi＝(xi,yi)T及其对应的梯度方向di＝(ti,ui)T；步骤3：对标准特征模板进行尺度、角度di＝(ti,ui)T变换，得到多尺度多角度模板序列(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T，以增强匹配的鲁棒性；步骤4：输入视频或图像序列的下一帧，提取该目标图像的梯度特征gr＝(vr,wr)T；对尺寸为M×N目标图像使用与步骤2相同的方法及预设阈值条件进行sobel边缘检测，得到目标图像的梯度特征gr＝(vr,wr)T，其中，r＝1,2,3,...,M×N，L'为检测到的目标图像中边缘点的个数，当且仅当像素点为边缘时对应的梯度有值，否则为(0,0)；步骤5：将步骤3中得到的M组多尺度多角度模板图(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T分别与目标图像的特征图像进行步长为定值的滑动窗口扫描，并计算两者匹配的相似度，比较所有模板、所有窗口位置下得到的相似度，则相似度取得最大值所对应的窗口位置，即为最佳匹配位置，是当前帧实现目标跟踪的最终结果；步骤6：根据最佳匹配位置、尺度因子和角度因子在目标图像中分割出目标所在的子区域，并将该子区域作为下一次检测的参考图像进行更新；步骤7：重复步骤2至步骤6的内容，直至视频或图像序列所有帧检测完毕。进一步，所述步骤3中对标准特征模板进行适当的尺度、角度变换的方法，包括：a)将标准尺度模板序列(pi,di)T每一点pi＝(xi,yi)T的横坐标xi放大/缩小sx倍，纵坐标yi放大/缩小sy倍；b)经过不同变换因子sx、sy处理后，可得到多个多尺度特征模板序列(Pi1,di)T，(Pi2,di)T，(Pi3,di)T，...,(Pik,di)T，其中k为进行不同尺度变换的次数；c)对b)得到的所有多尺度特征模板进行适当的角度变换，对多尺度特征模板序列(Pij,di)T,(j＝1,2,3,...,k)进行角度为θ的旋转，设向右旋转为正方向，模板序列(Pij,di)T的每一点Pij＝(Xij,Yij)T,以(0,0)为中心顺时针旋转θ，得到点Pij'＝(Xij',Yij')T，用数学公式可以表示为:d)得到M组多尺度多角度模板序列(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T。进一步，所述尺度变换因子sx、sy范围为0.9～1.1，所述角度θ的范围为-30°到30°。进一步，所述步骤5中相似度的计算方法，包括：1)对目标图像上任一点(x,y)，其梯度方向记为gx,y＝(vx,y,wx,y)T；2)参考图像的特征模板窗口与待检测目标图像中某同样大小的范围进行匹配时，两点的匹配相似度s可以定义为：特征模板矩阵与目标图像的特征矩阵中相同坐标位置的点对应梯度向量方向夹角归一化余弦值之和；3)非边缘点的梯度向量值为(0，0)，故相似度可简化为相同坐标位置的边缘点对应梯度向量方向夹角归一化余弦值之和:上述公式中，(x,y)值为目标图像中滑动窗口所在位置左上角的坐标，一般可直接用该点坐标或转换为窗口中心点的坐标来表示窗口位置，相似度s的取值范围为0～1；4)将M组多尺度多角度模板(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T分别在目标图像的特征矩阵上进行步长为1的滑动窗口扫描，比较所有模板、所有窗口位置下得到的相似度，则相似度取得最大值所对应的窗口位置，即为最佳匹配位置，是当前帧实现目标跟踪的最终结果。进一步，所述步骤5中相似度的快速计算方法，采用快速傅里叶变换(FFT本文档来自技高网...

【技术保护点】
1.一种基于轮廓梯度的目标跟踪方法，其特征在于：包括以下步骤；步骤1：从输入的视频或图像序列的初始帧中分割候选目标，提取出包含候选目标的参考图像；步骤2：提取目标参考图像的轮廓，得到参考图像各像素点坐标序列pi＝(xi,yi)T及其对应的水平、竖直方向的梯度序列di＝(ti,ui)T，作为标准特征模板；若目标参考图像的尺寸为m×n，根据预设阈值条件T检测到边缘点的个数为L，则i＝1,2,3,...,m×n，其中仅L个点为sobel边缘点，而其他的非边缘点所对应的梯度定义为(0,0)；sobel边缘检测的过程，就是利用sobel算子与参考图像的所有像素点及其邻域作卷积，然后根据预设阈值条件T确定出边缘点的过程；经过sobel边缘检测，可以得到点pi＝(xi,yi)T及其对应的梯度方向di＝(ti,ui)T；步骤3：对标准特征模板进行尺度、角度di＝(ti,ui)T变换，得到多尺度多角度模板序列(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T，以增强匹配的鲁棒性；步骤4：输入视频或图像序列的下一帧，提取该目标图像的梯度特征gr＝(vr,wr)T；对尺寸为M×N目标图像使用与步骤2相同的方法及预设阈值条件进行sobel边缘检测，得到目标图像的梯度特征gr＝(vr,wr)T，其中，r＝1,2,3,...,M×N，L'为检测到的目标图像中边缘点的个数，当且仅当像素点为边缘时对应的梯度有值，否则为(0,0)；步骤5：将步骤3中得到的M组多尺度多角度模板图(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T分别与目标图像的特征图像进行步长为定值的滑动窗口扫描，并计算两者匹配的相似度，比较所有模板、所有窗口位置下得到的相似度，则相似度取得最大值所对应的窗口位置，即为最佳匹配位置，是当前帧实现目标跟踪的最终结果；步骤6：根据最佳匹配位置、尺度因子和角度因子在目标图像中分割出目标所在的子区域，并将该子区域作为下一次检测的参考图像进行更新；步骤7：重复步骤2至步骤6的内容，直至视频或图像序列所有帧检测完毕。...

【技术特征摘要】
1.一种基于轮廓梯度的目标跟踪方法，其特征在于：包括以下步骤；步骤1：从输入的视频或图像序列的初始帧中分割候选目标，提取出包含候选目标的参考图像；步骤2：提取目标参考图像的轮廓，得到参考图像各像素点坐标序列pi＝(xi,yi)T及其对应的水平、竖直方向的梯度序列di＝(ti,ui)T，作为标准特征模板；若目标参考图像的尺寸为m×n，根据预设阈值条件T检测到边缘点的个数为L，则i＝1,2,3,...,m×n，其中仅L个点为sobel边缘点，而其他的非边缘点所对应的梯度定义为(0,0)；sobel边缘检测的过程，就是利用sobel算子与参考图像的所有像素点及其邻域作卷积，然后根据预设阈值条件T确定出边缘点的过程；经过sobel边缘检测，可以得到点pi＝(xi,yi)T及其对应的梯度方向di＝(ti,ui)T；步骤3：对标准特征模板进行尺度、角度di＝(ti,ui)T变换，得到多尺度多角度模板序列(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T，以增强匹配的鲁棒性；步骤4：输入视频或图像序列的下一帧，提取该目标图像的梯度特征gr＝(vr,wr)T；对尺寸为M×N目标图像使用与步骤2相同的方法及预设阈值条件进行sobel边缘检测，得到目标图像的梯度特征gr＝(vr,wr)T，其中，r＝1,2,3,...,M×N，L'为检测到的目标图像中边缘点的个数，当且仅当像素点为边缘时对应的梯度有值，否则为(0,0)；步骤5：将步骤3中得到的M组多尺度多角度模板图(Pi1',di)T，(Pi2',di)T，(Pi3',di)T，......,(PiM',di)T分别与目标图像的特征图像进行步长为定值的滑动窗口扫描，并计算两者匹配的相似度，比较所有模板、所有窗口位置下得到的相似度，则相似度取得最大值所对应的窗口位置，即为最佳匹配位置，是当前帧实现目标跟踪的最终结果；步骤6：根据最佳匹配位置、尺度因子和角度因子在目标图像中分割出目标所在的子区域，并将该子区域作为下一次检测的参考图像进行更新；步骤7：重复步骤2至步骤6的内容，直至视频或图像序列所有帧检测完毕。2.根据权利要求1所述的一种基于轮廓梯度的目标跟踪方法，其特征在于：所述步骤3中对标准特征模板进行适当的尺度、角度变换的方法，包括：a)将标准尺度模板序列(pi,di)T每一点pi＝(xi,yi)T的横坐标xi放大/缩小sx倍，纵坐标yi放大/缩小sy倍；b)经过不同变换因子sx、sy处理后，可得到多个多尺度特征模板序列(Pi1,di)T，(Pi2,di)T，(Pi3,di)T，...,(Pik,di)T，其中k为进行不同尺度变换的次数；c)对b)得到的所有多尺度特征模板进行适当的角度变换，对多尺度特...

【专利技术属性】
技术研发人员：李波，左春婷，蔡宇，黄艳金，
申请(专利权)人：中林信达北京科技信息有限责任公司，
类型：发明
国别省市：北京,11