[發(fā)明專利]一種基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法

在審

• 申請?zhí)枺?/td>: 201410203353.1
• 申請日: 2014-05-14
• 公開（公告）號: CN103985138A
• 公開（公告）日: 2014-08-13
• 發(fā)明（設(shè)計）人: 胡伏原;董治方;凌燕
• 申請（專利權(quán)）人: 蘇州盛景空間信息技術(shù)有限公司
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06T7/00
• 代理公司: 蘇州慧通知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32239
• 代理人: 安紀(jì)平

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)視覺領(lǐng)域中的特征點(diǎn)跟蹤范疇，尤其涉及一種基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法。

背景技術(shù)

特征點(diǎn)跟蹤是目標(biāo)檢測、目標(biāo)跟蹤、三維重建及目標(biāo)識別等研究領(lǐng)域的前提步驟。其中最為廣泛的特征點(diǎn)跟蹤包括：KLT跟蹤及各種改進(jìn)算法；SIFT特征點(diǎn)跟蹤。

KLT跟蹤算法主要適用于小運(yùn)動模型，如物體在相鄰兩幀中運(yùn)動距離較小或相機(jī)在兩幀中位移較小。為突破這個限制，改進(jìn)的KLT算法大都利用金字塔分層算法由粗到精的擴(kuò)大運(yùn)動位移，且使用迭代算法逐步提高計算精度，但還是不能解決較大運(yùn)動跟蹤。另外，KLT跟蹤都采用較為簡單的模型(如對應(yīng)像素點(diǎn)間亮度差的平方和；或坐標(biāo)經(jīng)過放射變換后計算亮度差的平方和)來描述兩點(diǎn)是否為匹配點(diǎn)，且求得最佳匹配點(diǎn)都是使代價函數(shù)最小的局部極值點(diǎn)。因此，KLT跟蹤算法在適用條件和跟蹤模型都存在了很多不足，因此使用范圍受限。

基于SIFT描述符匹配的SIFT特征點(diǎn)跟蹤算法能夠解決KLT的不足之處。SIFT特征點(diǎn)具有穩(wěn)定、尺度不變性、亮度不變性、旋轉(zhuǎn)不變性等優(yōu)點(diǎn)。同時通過提取特征點(diǎn)鄰域內(nèi)的梯度信息生成的128維描述符向量使得SIFT特征點(diǎn)的匹配工作變得非常簡單，另外，經(jīng)典的Ratio比值法又使SIFT點(diǎn)匹配準(zhǔn)確度上了更大一個臺階。因此，使用SIFT特征點(diǎn)實現(xiàn)點(diǎn)跟蹤是非常有價值的。

目前SIFT點(diǎn)跟蹤算法基本都是采用兩兩圖像間基于描述符間歐式距離的SIFT點(diǎn)匹配，然后將匹配結(jié)果組成跟蹤序列。這種幀到幀的匹配方式在短序列圖像中效果不錯，但是當(dāng)需要對長序列圖像進(jìn)行SIFT點(diǎn)跟蹤時，容易出現(xiàn)誤差累積問題。

有鑒于上述現(xiàn)有的長序列圖像進(jìn)行SIFT點(diǎn)跟蹤存在的缺陷，本發(fā)明人基于從事此類產(chǎn)品設(shè)計制造多年豐富的實務(wù)經(jīng)驗及專業(yè)知識，并配合學(xué)理的運(yùn)用，積極加以研究創(chuàng)新，以期創(chuàng)設(shè)一種新型基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法，使其更具有實用性。經(jīng)過不斷的研究、設(shè)計，并經(jīng)反復(fù)試作樣品及改進(jìn)后，終于創(chuàng)設(shè)出確具實用價值的本發(fā)明。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于，克服現(xiàn)有的長序列圖像進(jìn)行SIFT點(diǎn)跟蹤存在的缺陷，而提供一種新型基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法，提高精確度，從而更加適于實用，且具有產(chǎn)業(yè)上的利用價值。

本發(fā)明的目的及解決其技術(shù)問題是采用以下技術(shù)方案來實現(xiàn)的。依據(jù)本發(fā)明提出的一種基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法，該算法包括如下步驟：

1)讀入序列圖像文件；

2)提取前三幀圖像的SIFT特征點(diǎn)；

3)創(chuàng)建SIFT特征點(diǎn)跟蹤序列；

4)更新跟蹤特征點(diǎn)的Kalman模型；

5)Kalman預(yù)測特征點(diǎn)位置；

6)預(yù)測位置是否超出圖像邊界；

7)讀入下一幀圖像；

8)結(jié)束跟蹤該點(diǎn)；

9)預(yù)測位置進(jìn)行SIFT點(diǎn)匹配；

10)更新特征點(diǎn)坐標(biāo)；

11)更新特征點(diǎn)的跟蹤序列。

更為優(yōu)選的，前述的基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法，所述步驟2)為讀取前三幀圖像，對每幀圖像分別進(jìn)行SIFT特征點(diǎn)提取并生成128維描述符。

更為優(yōu)選的，前述的基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法，所述步驟3)根據(jù)描述符向量間的歐式距離及Ratio比值法進(jìn)行幀到幀間的SIFT特征點(diǎn)匹配，然后根據(jù)第一幀到第二幀的匹配關(guān)系及第二幀到第三幀的匹配關(guān)系將匹配點(diǎn)對組成跟蹤序列。

更為優(yōu)選的，前述的基于Kalman濾波器的長序列圖像SIFT特征點(diǎn)跟蹤算法，所述步驟5)假設(shè)沒有外部控制，根據(jù)公式3預(yù)測下一幀特征點(diǎn)的狀態(tài)向量，公式3如下：

xk-=Fxk-1+Buk-1+wk]]>