一種抗遮擋目標檢測的多特征點跟蹤方法
【專利摘要】本發(fā)明公開了一種用于遮擋目標檢測的多特征點跟蹤方法。本發(fā)明的新穎之處在于提出一種基于特征光流分割和卡爾曼濾波估計的運動目標跟蹤方法。這種方法在特征光流的計算中采用由粗到細的層級匹配算法，具有更好的匹配精度；并采用有效的遮擋判決算法，當特征點被遮擋和丟失時能估計它們的位置。這種方法能夠有效地解決運動目標作大機動和經(jīng)歷遮擋時目標跟蹤困難的問題。
【專利說明】一種抗遮擋目標檢測的多特征點跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明與計算機視覺、圖像理解和計算機圖形學有關(guān)，在目標被全遮擋和部分遮 擋的情況下，目標的檢測與跟蹤變得尤為困難，本發(fā)明涉及一種解決這種復雜條件下運動 目標的檢測與分割方法，利用建立的特征點光流聚類算法和遮擋判決算法的實現(xiàn)對遮擋目 標的可靠檢測。

【背景技術(shù)】
[0002] 復雜背景下的運動目標自動跟蹤技術(shù)是圖象處理、模式識別和計算機圖形技術(shù)的 重要課題，在軍事、國防和工業(yè)等領(lǐng)域有著廣泛的應用前景，跟蹤系統(tǒng)有兩個基本運算，即 目標圖象的分割和目標的追蹤，但是當運動目標作大的機動、經(jīng)歷遮擋時，這些運算的穩(wěn)定 性、適應性和計算效率將受到影響，而這些影響會直接改變系統(tǒng)的性能，因此，獲得魯棒性 的跟蹤算法是迫切解決的問題. 利用運動估計進行分割與跟蹤運動目標是一種重要的技術(shù)途徑，基于特征點的光流算 法和基于連續(xù)光流場的算法是經(jīng)常被采用的運動估計技術(shù)，特征光流是通過特征匹配來求 得特征點處的光流，同連續(xù)光流場算法相比較，這種算法具有可以處理大的幀間運動，對噪 聲不敏感和計算量小的特點.但是由于得到的是稀疏的光流場，因而很難提取運動目標的 精確形狀。此外，當運動目標被遮擋時，如何對遮擋情況進行判斷是建立可靠抗遮擋跟蹤算 法的關(guān)鍵. 不同于其它研究方法，本發(fā)明在獲得目標特征點的基礎上，建立一種新穎的目標描述 與遮擋判決方法，這種方法能夠有效判斷出目標進入遮擋和離開遮擋的情況，從而為后續(xù) 的抗遮擋跟蹤奠定基礎。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明建立一種抗遮擋目標檢測的多特征點跟蹤方法.這種方法包含以下過程： 首先利用角檢測器檢測特征點，并利用提出的由粗到細層級匹配算法計算特征光流；其次， 利用特征點光流聚類算法，完成目標的分割，并建立運動目標的描述子；最后，提出一種新 穎的遮擋判決方法，完成對目標被遮擋和脫離遮擋情況的判決，實現(xiàn)對運動目標的可靠跟 蹤· 本發(fā)明的基本原理如下： 一、一種多尺度特征光流計算方法.假設圖象序列中某特征點 另從? = 1時刻的圖象^(X)運動到? = 2時刻的圖象馬(Z + DX) , ￡ΜΓ=(成辦)為

【權(quán)利要求】
1. 一種多尺度特征光流計算方法.假設圖象序列中某特征點 (X力從? = 1時刻的圖象馬(X)運動到1 = 2時刻的圖象馬(f+ DJT) , ￡)_Ζ =(成辦)為 特征點分別沿^和^軸的偏移量，最佳偏移量的計算可以通過最小化灰度的差值平方和得 到
(1) ?Τ為以Ζ為中心的窗，對馬(I + Μ)由一階泰勒級數(shù)展開
(2)
其中 ，計算誤差分別相對于?、+的偏導數(shù)，令它們?yōu)榱?，得? ε

(3) 由此可以解出
(4) 馬、馬分別為·Ει(^0、爲(工）的簡寫，上標Γ為矩陣的轉(zhuǎn)置，-1為矩陣的逆。
2. 為獲得￡)if的估計，可以通過對DZ的初始化，由牛頓-拉富生迭代算法得到
(5) 上標0)表示《次迭代，表示馬(ii+￡)Xw)。
3. 當目標的運動在相對較小的范圍時，利用這種方法不但可以降低匹配過程中的搜索 范圍，減少匹配時間，而且具有很高的匹配精度，此外，本發(fā)明建立一種高斯金字塔多尺度 框架，在該框架下計算特征光流點，可以解決目標作大的運動時，在單一分辨率層上匹配精 度降低的問題。
4. 特征光流場聚類，同一目標上特征點光流近似相同、不同目標上特征點光流不同，可 將光流進行聚類；根據(jù)同一目標上特征點分布具有一定規(guī)律，在光流聚類的基礎上，再對目 標特征點進行一次空間聚類，衡量兩個光流矢量(ft,η)和(a 2，v2)相似的測度函數(shù)為：
(6) 式中，？代表誤差的階。
5. 設定一個比較小的閾值As , -旦兩個光流矢量間的測度函數(shù)β < 就將此二光流 合并為一類，并計算類的平均光流；當判斷某一光流矢量能否歸并到某類中時，需衡量該光 流與類的平均光流的測度函數(shù).由上一步得到若干個類，同一類中的光流是相似的，但是， 由于各種噪聲的影響，每類中可能存在噪聲點，這些噪聲點一般表現(xiàn)為"離群"，為去掉這些 離群的點，本發(fā)明假設同一類中的點到類中心的距離服從參數(shù)為(Α σ)的正態(tài)分布，把到 類中心的距離大于或等于(.W+2cr)的點從此類中刪除.例如，假設某類中包括《個特征點 OUi), (?,…>(?）則對Α σ的估計值為
(7) (8) (9) (10) 如果^?(" + 2σ),則從該類中刪除點(心乃）。
6. 目標描述與遮擋判決方法，對聚類后目標的描述，由每類中的特征點構(gòu)成的最 小凸多邊形來描述目標，根據(jù)最小凸多邊形構(gòu)成的面積發(fā)生變化的思想，建立判決算法，假 設由最小凸多邊形構(gòu)成的區(qū)域為$￠),其面積,本發(fā)明定義ω(?)為時刻.?時鞏《)的 估計面積4同觀測面積ΛΟ)之差，表示為
(11)
當目標沒有被遮擋時，為零均值高斯白噪聲序列，對ΔΑ>)的影響可以分階段考 慮：當目標進入遮擋時，Mb)會明顯地增加；當目標脫離遮擋時，會顯著地減小，定 義 (12) (13) 則判決函數(shù)為 如果九 脫離遮擋 （14) 如果ΜΒ-￡：Μ>；? 進入遮擋 （15) 其中，為期望的變化幅值；為判決門限。
【文檔編號】G06T7/20GK104156976SQ201310174467
【公開日】2014年11月19日 申請日期:2013年5月13日 優(yōu)先權(quán)日:2013年5月13日
【發(fā)明者】張澤旭 申請人:哈爾濱點石仿真科技有限公司