[發(fā)明專利]一種物體跟蹤方法

在審

• 申請?zhí)枺?/td>: 201410176044.X
• 申請日: 2014-04-28
• 公開（公告）號: CN103996207A
• 公開（公告）日: 2014-08-20
• 發(fā)明（設(shè)計）人: 王好謙;張新;邵航;戴瓊海
• 申請（專利權(quán)）人: 清華大學(xué)深圳研究生院
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 深圳新創(chuàng)友知識產(chǎn)權(quán)代理有限公司 44223
• 代理人: 王震宇

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是一種物體跟蹤方法。

背景技術(shù)

物體追蹤是計算機視覺研究的重要方向之一，在生物醫(yī)學(xué)、虛擬現(xiàn)實、機器人、安全監(jiān)控、等領(lǐng)域有著廣泛的應(yīng)用。目前國內(nèi)外學(xué)者在物體跟蹤方面已經(jīng)取得了很多的研究成功。應(yīng)用比較多的跟蹤方法有：幀差法、背景差分法、光流法、參數(shù)建模等方法。但是在實際應(yīng)用當(dāng)中，由于檢測環(huán)境的復(fù)雜性，現(xiàn)有的跟蹤算法還是有一定的局限性。其中使用高斯混合模型(GMM)背景建模的運動檢測方法作為經(jīng)典的跟蹤方法，在背景較為固定的場合應(yīng)用最多。但是，由于GMM跟蹤方法僅對背景進(jìn)行建模，沒有提取任何與前景有關(guān)的信息，當(dāng)相鄰幀之間出現(xiàn)較大的背景差異或者光照條件顯著改變時，基于GMM的跟蹤方法會出現(xiàn)較大誤差。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的不足，提供一種跟蹤性能好，實時性、魯棒性強的物體跟蹤方法。

為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種物體跟蹤方法，包括以下步驟：

a.背景建模步驟：根據(jù)背景圖像建立所述背景圖像的GMM模型；

b.前景建模步驟：根據(jù)多個角度及距離下拍攝的被跟蹤物體圖像，提取被跟蹤物體圖像中的特征點，并計算這些特征點的描述算子，以所述特征點的描述算子作為描述前景物體的初始特征，建立前景目標(biāo)物體特征向量集；

c.跟蹤步驟：

對于當(dāng)前圖像幀，將圖像中的每個像素與已建立的GMM模型進(jìn)行匹配，初步確定目標(biāo)物體區(qū)域，對初步確定的目標(biāo)物體區(qū)域進(jìn)行特征點檢測，并計算特征點描述算子，對計算所得的特征點描述算子與前景目標(biāo)物體特征向量集中的特征點描述算子進(jìn)行匹配；

如果成功匹配的特征點個數(shù)不多于預(yù)定個數(shù)，整幅圖像判斷為背景；

如果匹配成功的特征點個數(shù)超過預(yù)定個數(shù)，則根據(jù)匹配成功的特征點確定被跟蹤物體所在的前景區(qū)域，其他區(qū)域為背景區(qū)域。

在進(jìn)一步的技術(shù)方案中，

所述前景建模步驟中，使用SURF算法提取被跟蹤物體圖像中的特征點并計算特征點的SURF描述算子；所述跟蹤步驟中，使用SURF算法對初步確定的目標(biāo)物體區(qū)域進(jìn)行特征點檢測并計算SURF描述算子。

還包括以下步驟：

d.背景模型更新步驟：使用所述跟蹤步驟確定的背景區(qū)域，對所述背景圖像的GMM模型進(jìn)行更新，用于針對后續(xù)圖像幀的所述跟蹤步驟。

還包括以下步驟：

e.前景模型更新步驟：將所述跟蹤步驟確定的前景區(qū)域內(nèi)未匹配成功的特征點加入所述前景目標(biāo)物體特征向量集，用于針對后續(xù)圖像幀的所述跟蹤步驟。

所述背景建模步驟包括：

a1.使用k-means算法對圖像像素在RGB空間進(jìn)行聚類；

a2.使用k-means聚類結(jié)果初始化EM算法，通過EM算法的多次迭代獲得背景圖像的GMM模型。

步驟a1中，像素聚類的數(shù)目為3～5，

k-means算法使用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)：

J=Σi=1kΣp∈Xi||p-mi||2]]>

其中，p表示所有像素的RGB灰度值，k表示k-means算法最終的聚類結(jié)果數(shù)，k取值為3，X_i表示第i個聚類子集，i為聚類子集索引，取值為1、2、3，m_i表示第i個聚類子集的聚類中心；

步驟a2中，根據(jù)k-means聚類結(jié)果計算每個聚類的均值、方差和各個聚類占總樣本數(shù)的比例，初始化EM算法，通過EM算法的多次迭代，直至3個高斯模型的參數(shù)不再顯著變化，此時迭代獲得的參數(shù)即背景圖像的初始高斯混合模型參數(shù)。