一種基于SURF特征的改進Mean Shift的目標跟蹤方法
【專利摘要】本發(fā)明屬于目標跟蹤領域，具體涉及一種基于SURF特征的改進Mean?Shift的目標跟蹤方法。本發(fā)明包括：獲取動態(tài)視頻；從動態(tài)視頻中獲取一張待跟蹤目標圖像；檢測待跟蹤目標圖像的SURF特征，存入數(shù)據(jù)庫中；數(shù)據(jù)庫中待跟蹤目標SURF特征與動態(tài)視頻中的每幀圖像的SURF特征進行匹配，當檢測到待跟蹤目標后，確定目標在圖像中的位置；根據(jù)目標位置區(qū)域初始化Mean?Shift模板；Mean?Shift對動態(tài)視頻中之后每一幀圖像進行迭代跟蹤直到初始模板再次更新；根據(jù)跟蹤目標確定模板更新頻率。本發(fā)明解決了Mean?Shift跟蹤方法目標模板不能更新的問題，以及核帶寬無法改變的問題。
【專利說明】—種基于SURF特征的改進Mean Sh ift的目標跟蹤方法
【技術(shù)領域】
[0001]本發(fā)明屬于目標跟蹤領域，具體涉及一種基于SURF特征的改進Mean Shift的目標跟蹤方法。
【背景技術(shù)】
[0002]目標跟蹤是指在一序列圖像的每幅圖像中找到所感興趣的運動目標所處的位置，它是計算機視覺領域的一個重要研究方向，經(jīng)常應用于視頻監(jiān)控、人工智能、人機交互等方面。目標跟蹤可以提供被監(jiān)控目標的運動軌跡，也為目標的運動分析提供了可靠的數(shù)據(jù)信息。目標視頻目標跟蹤算法主要有基于對比度分析的方法，基于特征匹配的方法，核方法，運動檢測(光流法)等等。
[0003]運動目標跟蹤在工業(yè)、智能監(jiān)控、人機界面、虛擬現(xiàn)實、運動分析等許多領域有著廣泛的應用前景，在科學和工程中有著重要的研究價值，吸引了國內(nèi)外越來越多研究者的興趣。視頻跟蹤技術(shù)近年來引起越來越多的研究者們關注，這主要由于兩方面原因:一方面，計算和存儲成本的大幅度下跌使得以視頻速率或近似視頻速率采集存儲圖像序列成為可能；另一方面，視頻跟蹤技術(shù)的極為廣闊的市場應用前景也是推動此研究的主要動力。目前，目標跟蹤技術(shù)已經(jīng)被廣泛應用于眾多生活和工作領域。
[0004]2006年Bay和Tuytelaar提出SURF特征，由于SURF特征在處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情況下具有很強的匹配能力，此后被廣泛用于工件識別、醫(yī)學圖像配準、人臉識別、3D目標檢索跟蹤、目標識別和圖像特征匹配中，盡管作為SIFT算法的加速版，但是SURF算法在處理兩幅圖像時速度仍然較慢。2002年Dorin Comaniciu將MeanShift引入到了目標跟蹤領域，極大減少了跟蹤算法的計算量，Mean Shift是一種基于無參密度估計的目標跟蹤方法，以核密度直方圖作為描述目標模型和候選模型的特征，MeanShift跟蹤方法計算量不大，在目標區(qū)域已知的情況下完全可以做到實時跟蹤。其次，作為一個無參數(shù)密度估計方法，很容易作為一個模塊和別的方法集成。另外，采用核函數(shù)直方圖建模，對邊緣遮擋、目標旋轉(zhuǎn)、變形和背景運動不敏感，但是跟蹤過程中窗寬的大小保持不變，同時不能對目標模板進行實時更新，在目標的運動中，目標的姿態(tài)、環(huán)境的光線等會發(fā)生變化，用場景圖像中已經(jīng)變化了的目標的候選模板去匹配初始模板，會導致跟蹤失敗?；诖?，本發(fā)明提出了一種基于SURF特征的改進Mean Shift的目標跟蹤方法，并將其成功應用于視頻圖像中的目標跟蹤。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服Mean Shift跟蹤方法已有技術(shù)的不足，提出一種基于SURF特征的改進Mean Shift的目標跟蹤方法。
[0006]本發(fā)明的目的是這樣實現(xiàn)的:
[0007](I)獲取動態(tài)視頻；
[0008](2)從動態(tài)視頻中獲取一張待跟蹤目標圖像；[0009](3)檢測待跟蹤目標圖像的SURF特征，存入數(shù)據(jù)庫中:
[0010](3.1)尺度空間構(gòu)建:
[0011]利用框狀濾波器建立多尺度空間，其中框狀濾波器的尺寸為=Size =9* (σ-1.2)，size代表濾波器的尺寸，σ為多尺度空間的尺度；
[0012](3.2)快速 Hessian 矩陣檢測:
[0013]對于待跟蹤目標圖像中給定的像素點(X，X) = f(x，y)，則像素點的Hessian矩陣為:
【權(quán)利要求】
1.一種基于SURF特征的改進Mean Shift的目標跟蹤方法，其特征在于: (1)獲取動態(tài)視頻； (2)從動態(tài)視頻中獲取一張待跟蹤目標圖像； (3)檢測待跟蹤目標圖像的SURF特征，存入數(shù)據(jù)庫中: (3.1)尺度空間構(gòu)建: 利用框狀濾波器建立多尺度空間，其中框狀濾波器的尺寸為:size = 9*(0-1.2)，size代表濾波器的尺寸，σ為多尺度空間的尺度； (3.2)快速Hessian矩陣檢測: 對于待跟蹤目標圖像中給定的像素點(X，X) = f(x，y)，則像素點的Hessian矩陣為:

【文檔編號】G06T7/20GK104036523SQ201410273186
【公開日】2014年9月10日 申請日期:2014年6月18日 優(yōu)先權(quán)日:2014年6月18日
【發(fā)明者】管鳳旭, 劉曉龍, 廉德源, 趙拓, 楊長青, 姜倩 申請人:哈爾濱工程大學