[發(fā)明專利]一種基于SURF特征的改進(jìn)Mean Shift的目標(biāo)跟蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410273186.8
• 申請(qǐng)日: 2014-06-18
• 公開（公告）號(hào): CN104036523A
• 公開（公告）日: 2014-09-10
• 發(fā)明（設(shè)計(jì)）人: 管鳳旭;劉曉龍;廉德源;趙拓;楊長(zhǎng)青;姜倩
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06T7/20
• 分類號(hào): G06T7/20
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于SURF特征的改進(jìn)Mean?Shift的目標(biāo)跟蹤方法，其特征在于：

(1)獲取動(dòng)態(tài)視頻；

(2)從動(dòng)態(tài)視頻中獲取一張待跟蹤目標(biāo)圖像；

(3)檢測(cè)待跟蹤目標(biāo)圖像的SURF特征，存入數(shù)據(jù)庫(kù)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*(σ-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(cè)：

對(duì)于待跟蹤目標(biāo)圖像中給定的像素點(diǎn)(X，X)＝f(x，y)，則像素點(diǎn)的Hessian矩陣為：

H(f(x,y))=∂2f∂x2∂2f∂x∂y∂2f∂x∂y∂2f∂y2]]>

H矩陣判別式為：

det(H)=∂2f∂x2∂2f∂y2-(∂2f∂x∂y)2]]>

判別式的值是H矩陣的特征值，根據(jù)判定結(jié)果的符號(hào)將所有點(diǎn)分類，由判別式值的正負(fù)判斷該點(diǎn)是不是極值點(diǎn)，

H(x,σ)對(duì)像素點(diǎn)在尺度σ上定義為：

H(x,σ)=Lxx(x,σ)Lxx(x,σ)Lxy(x,σ)Lyy(x,σ)]]>

其中L_xx(x,σ)是高斯函數(shù)的核函數(shù)二階導(dǎo)與待跟蹤目標(biāo)圖像在X點(diǎn)的卷積，分別計(jì)算L_xy(x,σ)和L_yy(x,σ)，其中

為待跟蹤目標(biāo)圖像中每個(gè)像素計(jì)算出H行列式的特征值，并用這個(gè)值來判別特征點(diǎn)，將框狀濾波器與圖像卷積的結(jié)果D_xx、D_xy、D_yy分別代替L_xx、L_xy、L_yy得到近似Hessian的矩陣H_approx，行列式為：

det(H_approx)＝D_xxD_yy-(0.9D_xy)²；

(3.3)SURF特征描述子生成：

經(jīng)過Hessian矩陣檢測(cè)過的每個(gè)像素點(diǎn)與像素點(diǎn)本身的3維鄰域的26個(gè)點(diǎn)的大小比較，如果是這26個(gè)點(diǎn)中的最大值或者最小值，則保留下來，當(dāng)做初步的特征點(diǎn)；

計(jì)算半徑為6s的鄰域內(nèi)的點(diǎn)在z、y方向的Haar小波響應(yīng)，s為特征點(diǎn)所在的尺度值，Haar小波邊長(zhǎng)取4s，為Haar小波響應(yīng)的響應(yīng)值賦高斯權(quán)重系數(shù)，將60范圍內(nèi)的響應(yīng)相加以形成新的矢量，遍歷整個(gè)圓形區(qū)域，選擇最長(zhǎng)矢量的方向?yàn)樘卣鼽c(diǎn)的主方向，通過特征點(diǎn)逐個(gè)進(jìn)行計(jì)算，得到每一個(gè)特征點(diǎn)的主方向；

以興趣點(diǎn)為中心，將坐標(biāo)軸旋轉(zhuǎn)到主方向，按照主方向選取邊長(zhǎng)為20s的正方形區(qū)域，并將正方形區(qū)域分成4*4的子區(qū)域，在每一個(gè)子區(qū)域內(nèi)按照5*5的大小進(jìn)行采樣，分別計(jì)算主方向的水平和垂直方向上的Haar小波響應(yīng)，記為d_x和d_y賦予權(quán)重系數(shù)，對(duì)每個(gè)子區(qū)域的響應(yīng)以及響應(yīng)的絕對(duì)值求和，在每個(gè)子區(qū)域得到一個(gè)4維向量V＝(Σd_x,|Σd_x|,Σd_y,|Σd_y|)^T，16個(gè)子區(qū)域形成一個(gè)64維的描述向量；

(4)數(shù)據(jù)庫(kù)中待跟蹤目標(biāo)SURF特征與動(dòng)態(tài)視頻中的每幀圖像的SURF特征進(jìn)行匹配，當(dāng)檢測(cè)到待跟蹤目標(biāo)后，確定目標(biāo)在圖像中的位置：

對(duì)兩幅圖像進(jìn)行特征匹配，采用歐式距離的最近鄰法，M₁、M₂分別為參考圖像和待匹配圖像用SURF算法提取的興趣點(diǎn)集合，對(duì)M₁中任一興趣點(diǎn)m_1i，M₂中與m_1i的歐式距離最近和次近的兩個(gè)興趣點(diǎn)分別為m_2j、m_2j′，對(duì)應(yīng)距離分別為di_j、d_ij′，如果di_j≤λ*d_ij′，λ為閾值，則m_1i與m_2j為匹配點(diǎn)對(duì)，根據(jù)所有匹配點(diǎn)所在的位置確定目標(biāo)的區(qū)域位置；

(5)根據(jù)目標(biāo)位置區(qū)域初始化Mean?Shift模板：

待跟蹤目標(biāo)圖像和待匹配圖像的特征點(diǎn)匹配后，確定待跟蹤目標(biāo)在圖像中的位置區(qū)域，目標(biāo)區(qū)域即Mean?Shift核函數(shù)作用的區(qū)域，區(qū)域的大小等于核函數(shù)的尺度，圖像像素的值域?yàn)镽GB顏色空間，按照直方圖的方式將RGB顏色空間中的每個(gè)子空間R、G和B空間分成個(gè)相等的區(qū)間，每個(gè)區(qū)間成為一格Bin，構(gòu)成特征空間，對(duì)初始目標(biāo)區(qū)域內(nèi)所有的像素點(diǎn)，計(jì)算特征空間中每個(gè)特征值的概率，作為初始目標(biāo)模型的描述；

(6)Mean?Shift對(duì)動(dòng)態(tài)視頻中之后每一幀圖像進(jìn)行迭代跟蹤直到初始模板再次更新：

以后的每幀圖像中可能存在目標(biāo)候選區(qū)域中對(duì)特征空間每個(gè)特征值的計(jì)算成為待候選模型描述，利用相似性函數(shù)最大得到關(guān)于目標(biāo)的Mean?Shift向量，Mean?Shift向量即是目標(biāo)從初始位置向正確位置轉(zhuǎn)移的向量，基于Mean?Shift跟蹤算法的收斂性，不斷迭代計(jì)算Mean?Shift向量，在當(dāng)前幀中目標(biāo)最終會(huì)收斂于一個(gè)位置,從而確定跟蹤目標(biāo)區(qū)域；

(7)根據(jù)跟蹤目標(biāo)確定模板更新頻率，當(dāng)達(dá)到更新條件時(shí)返回步驟(4)。