[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105513092A - 一种用于目标跟踪的模板特征选择方法 - Google Patents

一种用于目标跟踪的模板特征选择方法 Download PDF

Info

Publication number
CN105513092A
CN105513092A CN201510845774.9A CN201510845774A CN105513092A CN 105513092 A CN105513092 A CN 105513092A CN 201510845774 A CN201510845774 A CN 201510845774A CN 105513092 A CN105513092 A CN 105513092A
Authority
CN
China
Prior art keywords
template
light stream
unique
interval
stream vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510845774.9A
Other languages
English (en)
Other versions
CN105513092B (zh
Inventor
齐志权
王宝锋
陈思忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201510845774.9A priority Critical patent/CN105513092B/zh
Publication of CN105513092A publication Critical patent/CN105513092A/zh
Application granted granted Critical
Publication of CN105513092B publication Critical patent/CN105513092B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20076Probabilistic image processing

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开一种用于目标跟踪的模板特征选择方法,属于视觉跟踪技术领域。该方法用于解决现有的长程目标跟踪过程中,由于模板内非目标匹配点导致的模板跟踪漂移的问题。具体为:首先计算模板内原始匹配特征点对的光流矢量,然后对所计算的光流矢量进行极坐标化,并在极坐标空间内对其进行概率密度统计生成角度分布直方图;最后对角度分布直方图进行中值滤波,获得目标匹配特征点,有效剔除目标模板内的非目标特征点。

Description

一种用于目标跟踪的模板特征选择方法
技术领域
本发明涉及一种视觉跟踪技术,尤其涉及目标跟踪中模板特征点的光流场分析、运动场分析及概率密度分布分析,属于图像处理与模式识别领域。
背景技术
模板跟踪是图像处理与模式识别领域重要的组成部分,被广泛应用于智能监控,人机交互以及无人平台导航等各种系统的视觉跟踪模块中。其基本过程可以描述为:在没有任何先验知识的情况下,用矩形窗口在第一帧图像中选定某个物体(即模板),然后在后续视频序列中对该物体进行跟踪。
目前,研究者已经对模板跟踪算法进行了大量的研究,其中基于模板特征匹配的LK光流法是最重要的技术手段之一。其技术流程是:首先对目标模板进行特征提取,获得模板内的特征点;然后利用LK光流法在下一帧图像中对各特征点进行跟踪,获得各特征点的匹配特征点,由此形成匹配特征点对;最后通过两帧图像之间匹配特征点(匹配特征点对)的运动场求得两帧图像之间的几何变换关系,并最终获得该帧图像中目标的位置和大小,完成一个跟踪周期。不断重复上述跟踪周期即可在整个视频序列中的实现目标跟踪。该技术手段的假设是:虽然模板内各特征点通过LK光流法被独立跟踪匹配,但是作为被追踪目标的一部分,模板内所有特征点遵循运动一致性。
然而,现有的基于特征匹配的模板跟踪方法的缺点是:随着跟踪周期的不断进行,模板容易发生漂移,并最终导致目标丢失。其主要原因在于,虽然模板内大部分区域被跟踪目标所覆盖,但背景像素不可避免的被引入,进而背景图像中的像素点及背景与目标轮廓的交点也往往被提取为特征点,并被LK光流法跟踪。因此,所获得的两帧图像之间匹配的特征点对中存在非目标特征点对。但是这些非目标特征点并不属于目标的一部分,不符合运动一致性假设,因此对几何变换的求解造成干扰,对下一帧中模板尺寸和位置的估计造成偏差。随着跟踪周期的不断重复,模板内的非目标特征点不断被引入,模板偏差不断积累,并最终造成模板的漂移。
发明内容
为解决目标跟踪过程中由于非目标特征点被引入而造成的模板漂移问题,本发明提出一种用于目标跟踪的模板特征选择方法,通过对两帧图像之间的匹配特征点对形成的光流场进行基于方向分布的概率密度分析,剔除模板中的非目标特征点,从而遏制目标跟踪过程中的模板漂移。
该方法的具体步骤为:
步骤一、计算模板内原始匹配特征点对的光流矢量
设模板内有N个原始匹配特征点对,根据LK光流法跟踪原始匹配特征点,对于第n+1帧图像内的特征点 P n + 1 = { p i n + 1 | p i n + 1 = x i n + 1 y i n + 1 , i = 1 , 2 , ... , N } 和第n帧图像中对应的特征点按照下述公式(1)计算模板内每个原始匹配特征点对的光流矢量di(n|n+1),1≤i≤N:
d i ( n | n + 1 ) = x i n + 1 - x i n , y i n + 1 - y i n , , 1 ≤ i ≤ N - - - ( 1 )
其中,n为图像帧号;分别为在第n帧图像In和第n+1帧图像In+1中对应的第i个特征点,分别为特征点和特征点在图像坐标系中的坐标;
步骤二、采用极坐标表示模板内原始匹配点对的光流矢量
依据下述公式(2)
得到各原始匹配特征点对的光流矢量的极坐标表示(ρi(n|n+1),θi(n|n+1));其中ρi(n|n+1)为光流矢量di(n|n+1)的长度,θi(n|n+1)为光流矢量di(n|n+1)的方向角;
步骤三、在极坐标空间内对光流矢量进行概率密度统计,获得光流矢量在每个区间的概率密度,并由此生成角度分布直方图;所述角度分布直方图的单位宽度为Δθ,高度为Fb(j),其中:Δθ为将光流矢量的极坐标空间等分为J个区间后,每个区间的宽度;Fb(j)光流矢量在第j个区间的概率密度,j=1,2,…,J;
步骤四、对角度分布直方图进行中值滤波,满足中值滤波条件的区间内的光流矢量的特征点为所跟踪的目标特征点,予以保留;不满足值滤波条件的区间内的光流矢量的特征点为非目标特征点,从模板中删除。
有益效果:
根据目标特征点运动一致性假设,通过对模板内原始匹配特征点对的光流场进行方向分布密度分析,剔除模板内原始匹配特征点对中非目标点(即背景特征点和背景与目标交界特征点),从而有效抑制目标跟踪过程中模板漂移的问题,大大提高目标跟踪算法的准确性。
附图说明
图1为所述的用于目标跟踪的模板特征选择方法的流程图;
图2为原始匹配特征点光流矢量图;
图3为特征点光流矢量的极坐标图;
图4为特征点光流矢量的角度分布直方图;
图5为目标匹配特征点及其光流矢量图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细说明。
本实施例提供一种用于目标跟踪的模板特征选择方法,用于解决目标跟踪过程中由于非目标特征点被引入而造成的模板漂移的问题。
该方法的整体流程如图1所示:
步骤一、计算模板内原始匹配特征点对的光流矢量,获得光流场D(n|n+1);
设模板内原始匹配特征点对的个数为N,根据LK光流法跟踪到的原始匹配特征点,对第n+1帧图像In+1内的特征点 P n + 1 = { p i n + 1 | p i n + 1 = x i n + 1 y i n + 1 , i = 1 , 2 , ... , N } 和第n帧图像In中对应的特征点按照下述公式(1)计算模板内每个原始匹配特征点对的光流矢量di(n|n+1),1≤i≤N:
d i ( n | n + 1 ) = x i n + 1 - x i n , y i n + 1 - y i n , , 1 ≤ i ≤ N - - - ( 1 )
其中,n为图像帧号;分别为在第n帧图像In和第n+1帧图像In+1中对应的第i个特征点,分别为特征点和特征点在图像坐标系中的坐标;N为模板内原始匹配特征点的总对数。
最终得到模板内原始匹配点的光流场D(n|n+1)={di(n|n+1)|1≤i≤N},如图2所示。
步骤二、将模板内原始匹配点的光流场D(n|n+1)极坐标化
根据模板内各原始匹配特征点对的光流矢量di(n|n+1)求解以下方程:
得到各原始匹配特征点对的光流矢量的极坐标表示(ρi(n|n+1),θi(n|n+1)),如图3所示。其中ρi(n|n+1)为光流矢量di(n|n+1)长度,θi(n|n+1)为光流矢量di(n|n+1)的方向角。
步骤三、在光流矢量的极坐标空间内对其进行概率密度统计并生成角度分布直方图,具体步骤为:
(301)将极坐标0~360°的角度范围等分为J个区间,其中每个区间宽度为Δθ;
(302)统计落入第j个区间内的光流矢量的个数Sj,j=1,2,…,J;然后按下述公式(2)求出光流矢量在第j个区间的概率密度Fb(j):
F b ( j ) = S j N , j = 1 , 2 , ... , J
(303)根据步骤(302)所计算的第j个区间的概率密度Fb(j),在0~360°的角度范围内对光流矢量的分布建立角度分布直方图,如图4所示;其中直方图各单位宽度为Δθ,高度为Fb(j)。
步骤四、对角度分布直方图进行中值滤波,获得目标匹配特征点,具体步骤为:
(401)对角度分布直方图进行去重处理,得到单一的角度直方图幅值unique(Fb(j));
(402)对单一的角度直方图幅值按大小进行排序,找到其中间值median(unique(Fb(j)));
(403)以中间值median(unique(Fb(j)))为门限,如果第j个区间的直方图幅值unique(Fb(j))满足:
unique(Fb(j))≥median(unique(Fb(j))),j=1,2,…,J
则认为处于第j个区间内的光流矢量的特征点为所跟踪的目标特征点,予以保留;相反,认为不满足该条件的区间内的光流矢量的特征点为非目标特征点,予以删除;最后保留的特征点即为模板内的目标特征点,如图5所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (3)

1.一种用于目标跟踪的模板特征选择方法,其特征在于,具体步骤为:
步骤一、计算模板内原始匹配特征点对的光流矢量
设模板内有N个原始匹配特征点对,根据LK光流法跟踪原始匹配特征点,对于第n+1帧图像内的特征点 P n + 1 = { p i n + 1 | p i n + 1 = x i n + 1 y i n + 1 , i = 1 , 2 , ... , N } 和第n帧图像中对应的特征点 P n = { p i n | p i n = x i n y i n , i = 1 , 2 , ... , N } , 按照下述公式(1)计算模板内每个原始匹配特征点对的光流矢量di(n|n+1),1≤i≤N:
d i ( n | n + 1 ) = x i n + 1 - x i n , y i n + 1 - y i n , 1 ≤ i ≤ N - - - ( 1 )
其中,n为图像帧号;分别为在第n帧图像In和第n+1帧图像In+1中对应的第i个特征点, x i n y i n x i n + 1 y i n + 1 分别为特征点和特征点在图像坐标系中的坐标;
步骤二、采用极坐标表示模板内原始匹配点对的光流矢量
依据下述公式(2)
得到各原始匹配特征点对的光流矢量的极坐标表示(ρi(n|n+1),θi(n|n+1));其中ρi(n|n+1)为光流矢量di(n|n+1)的长度,θi(n|n+1)为光流矢量di(n|n+1)的方向角;
步骤三、在极坐标空间内对光流矢量进行概率密度统计,获得光流矢量在每个区间的概率密度,并由此生成角度分布直方图;所述角度分布直方图的单位宽度为Δθ,高度为Fb(j),其中:Δθ为将光流矢量的极坐标空间等分为J个区间后,每个区间的宽度;Fb(j)光流矢量在第j个区间的概率密度,j=1,2,…,J;
步骤四、对角度分布直方图进行中值滤波,满足中值滤波条件的区间内的光流矢量的特征点为所跟踪的目标特征点,予以保留;不满足值滤波条件的区间内的光流矢量的特征点为非目标特征点,从模板中删除。
2.如权利要求1所述的用于目标跟踪的模板特征选择方法,其特征在于,所述步骤三生成角度分布直方图的具体步骤为:
(301)将极坐标0~360°的角度范围等分为J个区间,其中每个区间宽度为Δθ;
(302)统计落入第j个区间内的光流矢量的个数Sj,j=1,2,…,J,求出光流矢量在第j个区间的概率密度Fb(j):
F b ( j ) = S j N , j = 1 , 2 , ... , J
(303)根据步骤(302)所计算的光流矢量在第j个区间的概率密度Fb(j),在0~360°的角度范围内对光流矢量的分布建立角度分布直方图。
3.如权利要求1或2所述的用于目标跟踪的模板特征选择方法,其特征在于,所述步骤四中对角度分布直方图进行中值滤波的具体步骤为:
(401)对角度分布直方图进行去重处理,得到单一的角度直方图幅值unique(Fb(j));
(402)对单一的角度直方图幅值按大小进行排序,获得其中间值median(unique(Fb(j)));
(403)以中间值median(unique(Fb(j)))为门限,如果第j个区间的直方图幅值unique(Fb(j))满足:
unique(Fb(j))≥median(unique(Fb(j))),j=1,2,…,J
则认为其满足中值滤波条件,否则,认为其不满足中值滤波条件。
CN201510845774.9A 2015-11-26 2015-11-26 一种用于目标跟踪的模板特征选择方法 Expired - Fee Related CN105513092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510845774.9A CN105513092B (zh) 2015-11-26 2015-11-26 一种用于目标跟踪的模板特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510845774.9A CN105513092B (zh) 2015-11-26 2015-11-26 一种用于目标跟踪的模板特征选择方法

Publications (2)

Publication Number Publication Date
CN105513092A true CN105513092A (zh) 2016-04-20
CN105513092B CN105513092B (zh) 2018-05-22

Family

ID=55721049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510845774.9A Expired - Fee Related CN105513092B (zh) 2015-11-26 2015-11-26 一种用于目标跟踪的模板特征选择方法

Country Status (1)

Country Link
CN (1) CN105513092B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685830A (zh) * 2018-12-20 2019-04-26 浙江大华技术股份有限公司 目标跟踪方法、装置和设备及计算机存储介质
CN109993777A (zh) * 2019-04-04 2019-07-09 杭州电子科技大学 一种基于双模板自适应阈值的目标跟踪方法及系统
CN113012216A (zh) * 2019-12-20 2021-06-22 舜宇光学(浙江)研究院有限公司 特征分类优化方法和slam定位方法及其系统和电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923717A (zh) * 2009-06-10 2010-12-22 新奥特(北京)视频技术有限公司 一种对快速运动目标的特征点准确跟踪的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923717A (zh) * 2009-06-10 2010-12-22 新奥特(北京)视频技术有限公司 一种对快速运动目标的特征点准确跟踪的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BAOJIE FAN ET AL.: "A robust template tracking algorithm with weighted active drift correction", 《PATTERN RECOGNITION LETTERS》 *
DAVID SCHREIBER: "Robust template tracking with drift correction", 《PATTERN RECOGNITION LETTERS》 *
张忠义: "基于改进LK光流的目标跟踪算法研究", 《信息技术》 *
蒋菱 等: "基于LK光流跟踪法的有效目标点增强追踪", 《微型机与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685830A (zh) * 2018-12-20 2019-04-26 浙江大华技术股份有限公司 目标跟踪方法、装置和设备及计算机存储介质
CN109993777A (zh) * 2019-04-04 2019-07-09 杭州电子科技大学 一种基于双模板自适应阈值的目标跟踪方法及系统
CN109993777B (zh) * 2019-04-04 2021-06-29 杭州电子科技大学 一种基于双模板自适应阈值的目标跟踪方法及系统
CN113012216A (zh) * 2019-12-20 2021-06-22 舜宇光学(浙江)研究院有限公司 特征分类优化方法和slam定位方法及其系统和电子设备
CN113012216B (zh) * 2019-12-20 2023-07-07 舜宇光学(浙江)研究院有限公司 特征分类优化方法和slam定位方法及其系统和电子设备

Also Published As

Publication number Publication date
CN105513092B (zh) 2018-05-22

Similar Documents

Publication Publication Date Title
Zhu et al. Overview of environment perception for intelligent vehicles
CN109102522B (zh) 一种目标跟踪方法及装置
CN110738690A (zh) 一种基于多目标追踪框架的无人机视频中车速校正方法
Teoh et al. Symmetry-based monocular vehicle detection system
CN104217427B (zh) 一种交通监控视频中车道线定位方法
Chougule et al. Reliable multilane detection and classification by utilizing cnn as a regression network
CN101714256B (zh) 基于全方位视觉的动态目标识别和定位方法
Teng et al. Real-time lane detection by using multiple cues
CN104574439A (zh) 一种融合卡尔曼滤波与tld算法的目标跟踪方法
CN104282020A (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN115049700A (zh) 一种目标检测方法及装置
CN105678287B (zh) 一种基于脊度量的车道线检测方法
CN104134209A (zh) 一种视觉导航中的特征提取与匹配方法及系统
CN112862858A (zh) 一种基于场景运动信息的多目标跟踪方法
CN104036523A (zh) 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN105279769A (zh) 一种联合多特征的层次粒子滤波跟踪方法
Tang et al. UAV attitude and position estimation for vision-based landing
Meshram et al. Traffic surveillance by counting and classification of vehicles from video using image processing
CN106600643A (zh) 一种基于轨迹分析的人数统计方法
CN105513092A (zh) 一种用于目标跟踪的模板特征选择方法
Wang et al. Pedestrian abnormal event detection based on multi-feature fusion in traffic video
Farag et al. An advanced road-lanes finding scheme for self-driving cars
Qing et al. A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation
CN105761507A (zh) 一种基于三维轨迹聚类的车辆计数方法
CN103996207A (zh) 一种物体跟踪方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180522

Termination date: 20181126

CF01 Termination of patent right due to non-payment of annual fee