一种基于分块的自适应相关目标定位方法技术

本发明专利技术公开了一种基于分块的自适应相关目标定位方法，包括：S1、获取初始帧目标模板，对所述初始帧目标模板中多个模板小块进行初始化；S2、对所述初始帧目标模板进行降采样，得到采样模板；S3、根据所述采样模板对当前图像的目标进行粗定位，得到目标粗定位位置；S4、根据所述粗定位位置得到当前图像的当前帧小块；S5、根据聚类投票算法对所述当前帧小块进行处理，得到目标的精确中心。本发明专利技术的基于分块的自适应相关目标定位方法基于分块进行单连接层次凝聚聚类，能够精确定位待跟踪目标的中心，并且计算量小，计算速度快。

A Block-based Adaptive Correlated Target Location Method

The invention discloses an adaptive correlation target location method based on block, which includes: S1, acquiring the initial frame target template, initializing multiple template blocks in the initial frame target template; S2, downsampling the initial frame target template to obtain the sampling template; S3, roughly locating the target of the current image according to the sampling template, and obtaining the target roughness. Location position; S4, get the current frame block of the current image according to the rough location; S5, process the current frame block according to the clustering voting algorithm, and get the precise center of the target. The method of adaptive correlation target localization based on block is based on single connection hierarchical agglomeration clustering, which can accurately locate the center of the target to be tracked, and has low computational complexity and fast computational speed.

【技术实现步骤摘要】
一种基于分块的自适应相关目标定位方法
本专利技术属于图像处理领域，具体涉及一种基于分块的自适应相关目标定位方法。
技术介绍
相关跟踪算法是一种模板类算法，它将包含目标的图像作为模板在序列图像上以不同的偏移值位移，根据相关函数逐象素计算模板图像和实时图像间的相似程度，最终使得相关函数取得最大值的位置就是目标位置。相关跟踪无需对图像进行分割和特征提取处理，而只在原始图像数据上进行运算，从而保留了图像的全部信息，能适应复杂结构的目标和背景，有较强的抗局部干扰能力，而且对目标的局部变化不敏感，在许多复杂环境场景中是一种切实可行的跟踪测量方法。因此，很多实际跟踪系统都采用这种方法。具体的，该算法是把一个预先存储的目标模板作为识别和确定目标位置的依据，然后将目标模板在实时图像上以不同的偏移值位移，根据相关函数逐象素计算模板图像和实时图像间的相似程度，相关函数取得最大值的位置就是目标位置。本方案选取的相关函数为归一化互相关(NormalizedCrossCorrelation，简称NCC)，是一种经典的相关匹配算法，使用归一化互相关系数(即两幅图像各相应像素的灰度值乘积的平均值)来衡量两幅图像的相似程度。其计算公式一般有以下两种方式：其中，上述两个公式的区别在于：下面的公式进行了去均值处理，能很好地适应光照变化。计算得出的归一化互相关系数的值越大表示两幅图像越相似，反之其值越小说明两幅图像的相似程度越低。因此互相关最大时的搜索窗口位置就是模板图像在待匹配图像中的位置。具体过程如下：如图1所示，设目标模板图像T的大小为M×M，当前帧图像中待搜索区域S的大小为N×N，T在S上逐像素平移，模板覆盖下的区域称为子图Sij，其中(i,j)为子图左上角的像点在S图中的坐标，这里称之为参考点，其取值范围为(N-M+1)＞i＞1，(N-M+1)＞j＞1。根据相关函数计算每一幅子图与模板T的相似程度：式中，c(T)为模板图像的均值，c(S)为在以(m，n)为起点大小为i×j区域的均值，模板尺寸为M×M。通过上式计算得到匹配范围内各像素点(i,j)处的R(i,j)值，互相关系数R(i,j)值最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置。NCC算法具有很高的准确性和适应性，对图像灰度值的线性变换具有“免疫性”，即所求的NCC值不受灰度值的线性变换的影响。但是其缺点也是比较明显的，主要存在以下缺点：(1)考虑到图像中的自相关值都比较大，因此在互相关计算过程中，相似度形成以模板存在的真实位置为中心的平缓的峰，往往无法检测到准确的尖峰位置，使得确定模板的准确位置很难；(2)采用固定大小的模板，使得算法对于尺度即旋转变化的适应性变差，不能及时更新到目标的真实大小和方向，造成目标最终的漂移甚至丢失；(3)当模板或者待检测图像太大时，导致计算量很大，实时性差。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于分块的自适应相关目标定位方法。本专利技术要解决的技术问题通过以下技术方案实现：本专利技术实施例提供了一种基于分块的自适应相关目标定位方法，包括：S1、获取初始帧目标模板，对所述初始帧目标模板中多个模板小块进行初始化；S2、对所述初始帧目标模板进行降采样，得到采样模板；S3、根据所述采样模板对当前图像的目标进行粗定位，得到目标粗定位位置；S4根据所述粗定位位置得到当前图像的当前帧小块；S5、根据聚类投票算法对所述当前帧小块进行处理，得到目标的精确中心。在一个具体实施方式中，所述步骤S1包括：S11、对所述初始帧目标模板中预定区域进行特征点提取，得到多个第一特征点；S12、根据所述第一特征点得到对应的所述模板小块；S13、计算任意两个第一特征点之间的相对距离和相对角度，得到任意两个所述预定目标块之间的相对距离和相对角度。在一个具体实施方式中，所述步骤S12包括：以每个所述第一特征点为中心，采样第一尺寸的区域作为所述模板小块。在一个具体实施方式中，所述步骤S2包括：若判断所述初始帧目标模板大小大于预定尺寸，则将所述初始帧目标模板降采样到所述预定尺度。在一个具体实施方式中，所述步骤S3包括：将上一帧目标位置的3-4倍邻域作为搜索区域进行采样，在采样窗口中采用初始帧目标模板进行滑动匹配，获取当前图像中互相关系数最大的位置作为所述目标粗定位位置。在一个具体实施方式中，所述步骤S4包括：S41、以所述目标粗定位位置为中心的第二区域进行特征点提取，得到多个第二特征点；S42、以每个所述第二特征点为中心，采样第二尺寸的区域作为待匹配区域；S43、使用每个所述模板小块分别在每个所述待匹配区域使用互相关算法计算互相关系数，记录与所述待匹配区域匹配时的所述模板小块的最佳匹配位置和最大匹配互相关系数；S44、判断每个所述待匹配区域中的最大互相关系数是否大于预定系数，若否，则删除该匹配区域，若是，则保留该最大互相关系数作为该待匹配区域的最大互相关系数；S45、将保留的待匹配区域中最大互相关系数对应的位置作为中心，采样第一尺寸的区域作为当前图像的当前帧小块。在一个具体实施方式中，所述步骤S45之后还包括：S406、计算当前帧中两两当前帧小块的相对距离；S407、计算与每个所述两两当前帧小块的相对距离对应的预定目标块之间的相对距离的比值，得到尺度因子；S408、对每个所述尺度因子进行排序，选择排序后的中间值为目标尺度估计结果。在一个具体实施方式中，所述步骤S45之后还包括：S416、计算当前帧中两两当前帧小块的相对角度；S417、计算与每个所述两两当前帧小块的相对角度对应的预定目标块之间的相对角度的差值，得到旋转因子；S418、对每个所述旋转因子进行排序，选择排序后的中间值为目标旋转角度估计结果。在一个具体实施方式中，所述步骤S5包括：S51、计算所述当前帧小块的中心点位置与所述模板小块中心点位置构成的向量；S52、计算两两向量之间的向量距离，并对所述向量距离进行排序；S53、判断所述向量距离小于预定距离时，对所述当前帧小块进行聚类，得到多个类；S54、将聚类后的每个类中的帧小块的中心点的坐标值的均值作为目标中心点，得到目标的精确中心。与现有技术相比，本专利技术的有益效果：1、本专利技术的基于分块的自适应相关目标定位方法基于分块进行单连接层次凝聚聚类，能够精确定位待跟踪目标的中心，并且计算量小，计算速度快。2、本专利技术基于分块的自适应相关目标定位方法能能够评估目标分块的尺度变化和旋转角度变化，增强了算法的自适应性，进一步提高了跟踪性能。附图说明图1为现有技术的归一化互相关算法搜索方法示意图；图2为本专利技术实施例提供的一种基于分块的自适应相关目标定位方法流程图。具体实施方式下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。实施例一请参见图2，图2为本专利技术实施例提供的一种基于分块的自适应相关目标定位方法流程图，包括：S1、获取初始帧目标模板，对所述初始帧目标模板中多个模板小块进行初始化；S2、对所述初始帧目标模板进行降采样，得到采样模板；S3、根据所述采样模板对当前图像的目标进行粗定位，得到目标粗定位位置；S4根据所述粗定位位置得到当前图像的当前帧小块；S5、根据聚类投票算法对所述当前帧小块进行处理，得到目标的精确中心。在一个具体实施方式中本文档来自技高网...

【技术保护点】
1.一种基于分块的自适应相关目标定位方法，其特征在于，包括：S1、获取初始帧目标模板，对所述初始帧目标模板中多个模板小块进行初始化；S2、对所述初始帧目标模板进行降采样，得到采样模板；S3、根据所述采样模板对当前图像的目标进行粗定位，得到目标粗定位位置；S4、根据所述粗定位位置得到当前图像的当前帧小块；S5、根据聚类投票算法对所述当前帧小块进行处理，得到目标的精确中心。

【技术特征摘要】
1.一种基于分块的自适应相关目标定位方法，其特征在于，包括：S1、获取初始帧目标模板，对所述初始帧目标模板中多个模板小块进行初始化；S2、对所述初始帧目标模板进行降采样，得到采样模板；S3、根据所述采样模板对当前图像的目标进行粗定位，得到目标粗定位位置；S4、根据所述粗定位位置得到当前图像的当前帧小块；S5、根据聚类投票算法对所述当前帧小块进行处理，得到目标的精确中心。2.根据权利要求1所述的基于分块的自适应相关目标定位方法，其特征在于，所述步骤S1包括：S11、对所述初始帧目标模板中预定区域进行特征点提取，得到多个第一特征点；S12、根据所述第一特征点得到对应的所述模板小块；S13、计算任意两个第一特征点之间的相对距离和相对角度，得到任意两个所述预定目标块之间的相对距离和相对角度。3.根据权利要求2所述的基于分块的自适应相关目标定位方法，其特征在于，所述步骤S12包括：以每个所述第一特征点为中心，采样第一尺寸的区域作为所述模板小块。4.根据权利要求2所述的基于分块的自适应相关目标定位方法，其特征在于，所述步骤S2包括：若判断所述初始帧目标模板大小大于预定尺寸，则将所述初始帧目标模板降采样到所述预定尺度。5.根据权利要求2所述的基于分块的自适应相关目标定位方法，其特征在于，所述步骤S3包括：将上一帧目标位置的3-4倍邻域作为搜索区域进行采样，在采样窗口中采用初始帧目标模板进行滑动匹配，获取当前图像中互相关系数最大的位置作为所述目标粗定位位置。6.根据权利要求5所述的基于分块的自适应相关目标定位方法，其特征在于，所述步骤S4包括：S41、以所述目标粗定位位置为中心的第二区域进行特征点提取，得到多个第二特征点；S42、以每个所述第二特征点为中心，采样第二尺...

【专利技术属性】
技术研发人员：邵晓鹏，刘飞，俱青，郝璐璐，李先通，赵小明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61