[发明专利]一种基于SURF特征的改进Mean Shift的目标跟踪方法

摘要

本发明属于目标跟踪领域，具体涉及一种基于SURF特征的改进Mean Shift的目标跟踪方法。本发明包括：获取动态视频；从动态视频中获取一张待跟踪目标图像；检测待跟踪目标图像的SURF特征，存入数据库中；数据库中待跟踪目标SURF特征与动态视频中的每帧图像的SURF特征进行匹配，当检测到待跟踪目标后，确定目标在图像中的位置；根据目标位置区域初始化Mean Shift模板；Mean Shift对动态视频中之后每一帧图像进行迭代跟踪直到初始模板再次更新；根据跟踪目标确定模板更新频率。本发明解决了Mean Shift跟踪方法目标模板不能更新的问题，以及核带宽无法改变的问题。

主权项

一种基于SURF特征的改进Mean Shift的目标跟踪方法，其特征在于：(1)获取动态视频；(2)从动态视频中获取一张待跟踪目标图像；(3)检测待跟踪目标图像的SURF特征，存入数据库中：(3.1)尺度空间构建：利用框状滤波器建立多尺度空间，其中框状滤波器的尺寸为：size＝9*(σ‑1.2)，size代表滤波器的尺寸,σ为多尺度空间的尺度；(3.2)快速Hessian矩阵检测：对于待跟踪目标图像中给定的像素点(X，X)＝f(x，y)，则像素点的Hessian矩阵为：$H\left(f(x,y)\right)=\left[\begin{array}{cc}\frac{{\∂}^{2}f}{\∂x^2}& \frac{{\∂}^{2}f}{\∂x\∂y}\\ \frac{{\∂}^{2}f}{\∂x\∂y}& \frac{{\∂}^{2}f}{\∂y^2}\end{array}\right]$H矩阵判别式为：$\det \left(H\right)=\frac{{\∂}^{2}f}{\∂x^2}\frac{{\∂}^{2}f}{\∂y^2}-{\left(\frac{{\∂}^{2}f}{\∂x\∂y}\right)}^2$判别式的值是H矩阵的特征值，根据判定结果的符号将所有点分类，由判别式值的正负判断该点是不是极值点，H(x,σ)对像素点在尺度σ上定义为：$H(x,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{\mathrm{xx}}(x,\mathrm{\σ})& L_{\mathrm{xx}}(x,\mathrm{\σ})\\ L_{\mathrm{xy}}(x,\mathrm{\σ})& L_{\mathrm{yy}}(x,\mathrm{\σ})\end{array}\right]$其中L_xx(x,σ)是高斯函数的核函数二阶导与待跟踪目标图像在X点的卷积，分别计算L_xy(x,σ)和L_yy(x,σ)，其中为待跟踪目标图像中每个像素计算出H行列式的特征值，并用这个值来判别特征点，将框状滤波器与图像卷积的结果D_xx、D_xy、D_yy分别代替L_xx、L_xy、L_yy得到近似Hessian的矩阵H_approx，行列式为：det(H_approx)＝D_xxD_yy‑(0.9D_xy)²；(3.3)SURF特征描述子生成：经过Hessian矩阵检测过的每个像素点与像素点本身的3维邻域的26个点的大小比较，如果是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点；计算半径为6s的邻域内的点在z、y方向的Haar小波响应，s为特征点所在的尺度值，Haar小波边长取4s，为Haar小波响应的响应值赋高斯权重系数，将60范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为特征点的主方向，通过特征点逐个进行计算，得到每一个特征点的主方向；以兴趣点为中心，将坐标轴旋转到主方向，按照主方向选取边长为20s的正方形区域，并将正方形区域分成4*4的子区域，在每一个子区域内按照5*5的大小进行采样，分别计算主方向的水平和垂直方向上的Haar小波响应，记为d_x和d_y赋予权重系数，对每个子区域的响应以及响应的绝对值求和，在每个子区域得到一个4维向量V＝(Σd_x,|Σd_x|,Σd_y,|Σd_y|)^T，16个子区域形成一个64维的描述向量；(4)数据库中待跟踪目标SURF特征与动态视频中的每帧图像的SURF特征进行匹配，当检测到待跟踪目标后，确定目标在图像中的位置：对两幅图像进行特征匹配，采用欧式距离的最近邻法，M₁、M₂分别为参考图像和待匹配图像用SURF算法提取的兴趣点集合，对M₁中任一兴趣点m_1i，M₂中与m_1i的欧式距离最近和次近的两个兴趣点分别为m_2j、m_2j′，对应距离分别为di_j、d_ij′，如果di_j≤λ*d_ij′，λ为阈值，则m_1i与m_2j为匹配点对，根据所有匹配点所在的位置确定目标的区域位置；(5)根据目标位置区域初始化Mean Shift模板：待跟踪目标图像和待匹配图像的特征点匹配后，确定待跟踪目标在图像中的位置区域，目标区域即Mean Shift核函数作用的区域，区域的大小等于核函数的尺度，图像像素的值域为RGB颜色空间，按照直方图的方式将RGB颜色空间中的每个子空间R、G和B空间分成个相等的区间，每个区间成为一格Bin，构成特征空间，对初始目标区域内所有的像素点，计算特征空间中每个特征值的概率，作为初始目标模型的描述；(6)Mean Shift对动态视频中之后每一帧图像进行迭代跟踪直到初始模板再次更新：以后的每帧图像中可能存在目标候选区域中对特征空间每个特征值的计算成为待候选模型描述，利用相似性函数最大得到关于目标的Mean Shift向量，Mean Shift向量即是目标从初始位置向正确位置转移的向量，基于Mean Shift跟踪算法的收敛性，不断迭代计算Mean Shift向量，在当前帧中目标最终会收敛于一个位置,从而确定跟踪目标区域；(7)根据跟踪目标确定模板更新频率，当达到更新条件时返回步骤(4)。