[發明專利]一種智能視覺中運動目標跟蹤算法

有效

• 申請號: 201710848710.3
• 申請日: 2017-09-20
• 公開（公告）號: CN107742306B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 姜代紅;戴磊;孫天凱;黨向盈
• 申請（專利權）人: 徐州工程學院
• 主分類號: G06T7/254
• 分類號: G06T7/254;G06T7/215;G06T7/246
• 代理公司: 淮安市科翔專利商標事務所 32110
• 代理人: 韓曉斌

1.一種基于智能視覺中運動目標跟蹤方法，其特征在于，包括以下步驟：

S1、對于視頻中原圖像像素灰度為f x,y，對f x,y圖像分割，并計算出最佳閾值T_d；

S2、設t時刻視頻中的第k幀圖像為f_k(x,y)，第k-1幀圖像為f_k-1(x,y)，兩幀圖像的幀差為：

D_k(x,y)＝|f_k(x,y)-f_k-1(x,y)|，

S3、對于視頻中的幀圖像進行閾值分割，從視頻幀間提取運動目標f_obj(x,y)為：

S4、對于步驟S3中所提取的運動目標進行定位；

S5、對于已經定位的目標在視頻中進行目標跟蹤；

所述步驟S1中最佳閾值T_d的計算方法：

S21、初始閾值分割，初始閾值分割采用整幅圖像的平均灰度值進行分割，這種選取基于簡單的圖像統計，避免了分析復雜的圖像灰度直方圖的過程，設一幅大小為M×N的灰度圖像的灰度值為(0，1…，L-1)級，則初始閾值為：

S22、計算目標均值，初始閾值T₀將圖像分割成兩部分，設小于T₀的部分為目標區域C₀，大于T₀的部分為目標區域C₁，即：

C₀、C₁的平均灰度值為：

其中，S0為C₀的平均灰度值，S1為C₁的平均灰度值，其中i為閾值0～T₀；

S23，計算最佳閾值T_d，

2.根據權利要求1所述的一種基于智能視覺中運動目標跟蹤方法，其特征在于，所述步驟S4中目標定位的方法為：

S31、建立尺度空間，通過搜尋所有可能的尺度中的穩定點將圖像用多尺度空間表示，構建高斯金字塔，在對相鄰尺度的圖像進行差分，得到高斯差分尺度空間，檢測到穩定的特征點；

S32、特征點精確定位，精確確定特征點的位置和尺度，同時去掉不穩定的邊緣響應點和低對比度的點；

S33、根據特征點的位置和尺度特征向量，建立目標跟蹤特征模型。

3.根據權利要求2所述的一種基于智能視覺中運動目標跟蹤方法，其特征在于，所述步驟S31中建立尺度空間的方法為：

高斯卷積核實現尺度變換線性核，圖像f(x,y)的尺度空間可表示為在不同尺度下的尺度空間與高斯核的卷積，定義如下：

L(x,y,σ)＝G(x,y，σ)*f(x,y)

其中G(x,y,σ)是尺度可變高斯函數，計算公式如下：

其中(x,y)是空間坐標，σ為尺度空間因子，將圖像f(x,y)與不同尺度空間因子σ下的高斯核G(x,y,σ)進行卷積操作，可構成高斯金字塔，為了有效的在尺度空間檢測到穩定的特征點，對相鄰尺度的圖像k、k-1進行差分，得到高斯差分尺度空間定義如下：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,(k-1)σ))*I(x,y)＝L(x,y,(k-1)σ)-L(x,y,σ)。

4.根據權利要求3所述的一種基于智能視覺中運動目標跟蹤方法，其特征在于，所述的步驟32中特征點精確定位的方法為：

D(x,y,σ)的泰勒二次展開式為：

求導并讓式D(X)一階導數等于0，可以得到極值點：

對應極值點，代入D(X)中可得：

獲取了特征點的精確位置以及尺度后，為使描述算子對圖像旋轉具有不變性計算位置(x,y)處梯度幅度大小和方向公式如下：

θ(x,y)＝tan^-1{[L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}

其中L為特征點所在尺度。