一種基于orb特征點匹配的目標跟蹤方法
【專利摘要】本發(fā)明涉及一種基于ORB特征點匹配的目標跟蹤方法。采用ORB(Oriented?FAST?and?Rotated?BRIEF)特征點集表示目標物體的圖像特征，在目標物體跟蹤過程中，采用不斷加入新的特征點和裁剪離群值的方法來迭代更新ORB特征點集。并在連續(xù)兩幀間采用最鄰近搜索算法找出匹配的特征點對，接下來根據特征點對采用隨機抽樣一致和多重變換模型相結合的方法計算出跟蹤目標的運動變換模型。本發(fā)明技術方案處理復雜的外觀形態(tài)變化、背景混亂、光照變化和目標物體遮擋等場景的魯棒性更好，效率更高。
【專利說明】—種基于ORB特征點匹配的目標跟蹤方法

【技術領域】
[0001]本發(fā)明涉及計算機視覺跟蹤【技術領域】，具體涉及基于ORB特征點匹配的目標跟蹤方法。

【背景技術】
[0002]目標跟蹤是計算機視覺領域的重要研究課題，基于高性能計算機的飛速發(fā)展、物美價廉的攝影機的便利性及日益增長的自動化視頻分析需求，人類對視覺目標跟蹤算法的探究產生了極大興趣。近年來，視覺跟蹤在很多領域都有非常廣泛的應用，包括運動手勢識另IJ、行人跟蹤、智能監(jiān)控、人機交互、智能交通檢測以及車輛導航等。伴隨著數字家庭產業(yè)的發(fā)展及數字家庭產業(yè)鏈的完善，視頻跟蹤在智能家居監(jiān)控的應用逐步深入，在面向數字家庭的多業(yè)務應用集成支撐平臺的基礎上，為數字家庭用戶提供家居和社區(qū)安防等具有特色的數字家庭互動服務。
[0003]盡管國內外學者已經研究發(fā)現(xiàn)多種目標跟蹤方法，但是面臨幾個重要問題。第一，目標物體的外觀變化。在實際的場景中，目標的外觀受到諸如光照變化、姿勢形態(tài)改變、鏡頭抖動、目標大小改變等因素的影響而不斷變化。第二，復雜的背景干擾。在交通檢測、車輛導航、行人跟蹤等場景下，目標跟蹤因受復雜的背景干擾而具有巨大的挑戰(zhàn)性。實際的復雜環(huán)境中存在大量噪聲，而且背景雜亂，目標物體的顏色也容易和背景的顏色相混淆。第三，遮擋問題。在實際的視頻場景中，目標物體被部分遮擋甚至完全遮擋是最普通常見的情況，考察一種目標跟蹤方法的魯棒性，就必須要測試該方法對遮擋問題的處理能力。第四，實時性問題。前面三種問題都是在考察目標跟蹤算法的魯棒性，而目標跟蹤能夠滿足實時處理的需求也是目標跟蹤領域的難點問題。
[0004]在對此方法的研究和實踐過程中，本發(fā)明的發(fā)明人發(fā)現(xiàn):由于特征點描述子對處理噪聲、檢測誤差和幾何光學的形變都具有較好的魯棒性，本發(fā)明提出一種基于ORB特征點匹配的目標跟蹤方法，從而實現(xiàn)有效的目標跟蹤。


【發(fā)明內容】

[0005]本發(fā)明提供一種基于ORB特征點匹配的目標跟蹤方法，處理復雜的外觀形態(tài)變化、背景混亂、光照變化和目標物體遮擋等場景的魯棒性好，效率高。
[0006]本發(fā)明提供一種基于ORB特征點匹配的目標跟蹤方法，包括以下步驟:
[0007](I)對輸入的原始圖像幀首先提取0RB(OFAST and rBRIEF)特征點集；
[0008](2)在描述子空間內與上一幀時刻的目標物體的ORB特征點集相匹配產生當前幀的特征集；
[0009](3)根據上一幀目標所在的位置運用隨機抽樣一致和多重變換模型相結合的方法計算出跟蹤目標的運動變換；
[0010](4)最后通過不斷加入新的特征點和裁剪離群值來更新產生最終當前幀時刻合適的目標特征集。
[0011]所述的ORB特征點描述子由一個二進制字符串表示，字符串的每一位由特征點附近隨機選取兩個大小為SXS的圖像塊組成一對相互比較大小產生，這里取η = 256位長度的二進制字符串。更具體地說，我們把一個大小為SXS的圖像塊P用二進制字符串定義，定義如公式(I)所示:

【權利要求】
1.一種基于ORB特征點匹配的目標跟蹤方法，其特征在于，該方法包含以下步驟: 對輸入的原始圖像幀首先提取ORB特征點集； 在描述子空間內與上一幀時刻的目標物體的ORB特征點集相匹配產生當前幀的特征集; 根據上一幀目標所在的位置運用隨機抽樣一致和多重變換模型相結合的方法計算出跟蹤目標的運動變換； 最后通過不斷加入新的特征點和裁剪離群值來更新產生最終當前幀時刻合適的目標特征集。
2.根據權利要求1所述的基于ORB特征點匹配的目標跟蹤方法，其特征在于:所述的ORB特征點描述子由一個二進制字符串表示，字符串的每一位由特征點附近隨機選取兩個大小為SXS的圖像塊組成一對相互比較大小產生，這里取η = 256位長度的二進制字符串，將一個大小為SXS的圖像塊P用二進制字符串定義，定義如公式(I)所示:
.其中，P (X)和P (y)分別是P在像素點X和y的灰度值；通過選取一組特定的<χ, y>點對作為集合，這樣便產生了一個η位的字符串作為BRIEF描述子，定義如公式(2):
3.根據權利要求1所述的基于ORB特征點匹配的W標跟蹤方法，其特征在于:所述的給定兩個長度為η位的ORB特征點描述子DjP Dj，兩者之間的相似性P (Di, Dj)由計算機非常高效的海明距來表示，其相似性度量定義如下:
其中，Di (k)和Dj (k)分別為ORB特征點描述子Di和Dj的第k位，而函數δ [χ]的值當X為O時等于1，否則等于O; 當新的ORB特征點集St在當前幀t被提取出來后，我們嘗試找出它的子集i，S屬于St并且它的每一個元素都與上一幀t-1的目標物體的特征點集57—f匹配度高； 設定Z)丨e St，根據上一幀t-ι的目標物體的特征點集,并在整個描述子空間內運用最鄰近搜索算法找出最優(yōu)匹配U(A)，定義如下:
4.根據權利要求1所述的基于ORB特征點匹配的目標跟蹤方法，其特征在于:所述的評價一個根據模型M e {Mt，Ms, Ma, MJ估計得候選變換T對于描述目標物體的運動是否合適，用跟前一幀目標物體位置的比較規(guī)定了一種距離度量和一種條件概率，評價一個模型M
其中，Ne(M)表示一致的特征點的個數，Pr(M)表示候選模型的概率，而Cp (M)則表示模型M的復雜度。這三個影響因子的具體情況將在下面描述；給定一個特定的模型M和從特征點集合5:隨機選取的最少滿足要求的數目iV=個的匹配特征點，然后特征點集合S的所有數據都被用于測試，那些能夠很好地適用于變換模型M的形成了一個一致的點集C (M)，而點集C (M)的大小即N。(M);這里我設置模型M的復雜度Cp (M)；根據上一幀目標物體的位置定義了一個距離度量，定義如公式(6):
其中，Y (u): [0, I] —R2為上一幀t-1目標物體的標準化邊界，而MU (u))是在模型M下的目標物體邊界；如果被跟蹤的目標物體的邊界是離散的，那么其邊界可以用多邊形Q= 表示，距離度量為:
定義某個特定運動變換模型M的概率Pr (M)如公式(8):
其中，λ是表示衰減率的恒定參數。
5.根據權利要求1所述的基于ORB特征點匹配的目標跟蹤方法，其特征在于:所述的ORB特征點集通過動態(tài)地加入新的特征點和裁剪離群值的方法反復迭代更新，特征點匹配和變換模型估計之后，目標物體的特征點集里的第i個特征點的第t幀師的能量值K得到更新，定義如公式(9):
公式(9)表示一個特征點如果用估計的變換模型能與上一幀t-1的目標物體特征點集中的一點相匹配，那么說明這個特征點是一致的，而它的能量值被賦值為上一幀t-Ι該點能量值加上一個增量α ;同理相反的情況，如果不能被估計的變換模型相匹配，那么說明這個特征點是離群的、異常的，它的能量值將被賦予一個減量β，而未匹配的點，其能量值保持不變。
【文檔編號】G06T7/20GK104200487SQ201410376616
【公開日】2014年12月10日 申請日期:2014年8月1日 優(yōu)先權日:2014年8月1日
【發(fā)明者】王若梅, 韓冠亞, 陳湘萍, 謝雪峰 申請人:廣州中大數字家庭工程技術研究中心有限公司, 中山大學