一種基于orb特征點(diǎn)匹配的目標(biāo)跟蹤方法
【專(zhuān)利摘要】本發(fā)明涉及一種基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法。采用ORB(Oriented?FAST?and?Rotated?BRIEF)特征點(diǎn)集表示目標(biāo)物體的圖像特征，在目標(biāo)物體跟蹤過(guò)程中，采用不斷加入新的特征點(diǎn)和裁剪離群值的方法來(lái)迭代更新ORB特征點(diǎn)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(diǎn)對(duì)，接下來(lái)根據(jù)特征點(diǎn)對(duì)采用隨機(jī)抽樣一致和多重變換模型相結(jié)合的方法計(jì)算出跟蹤目標(biāo)的運(yùn)動(dòng)變換模型。本發(fā)明技術(shù)方案處理復(fù)雜的外觀(guān)形態(tài)變化、背景混亂、光照變化和目標(biāo)物體遮擋等場(chǎng)景的魯棒性更好，效率更高。
【專(zhuān)利說(shuō)明】—種基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺(jué)跟蹤【技術(shù)領(lǐng)域】，具體涉及基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法。

【背景技術(shù)】
[0002]目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究課題，基于高性能計(jì)算機(jī)的飛速發(fā)展、物美價(jià)廉的攝影機(jī)的便利性及日益增長(zhǎng)的自動(dòng)化視頻分析需求，人類(lèi)對(duì)視覺(jué)目標(biāo)跟蹤算法的探究產(chǎn)生了極大興趣。近年來(lái)，視覺(jué)跟蹤在很多領(lǐng)域都有非常廣泛的應(yīng)用，包括運(yùn)動(dòng)手勢(shì)識(shí)另IJ、行人跟蹤、智能監(jiān)控、人機(jī)交互、智能交通檢測(cè)以及車(chē)輛導(dǎo)航等。伴隨著數(shù)字家庭產(chǎn)業(yè)的發(fā)展及數(shù)字家庭產(chǎn)業(yè)鏈的完善，視頻跟蹤在智能家居監(jiān)控的應(yīng)用逐步深入，在面向數(shù)字家庭的多業(yè)務(wù)應(yīng)用集成支撐平臺(tái)的基礎(chǔ)上，為數(shù)字家庭用戶(hù)提供家居和社區(qū)安防等具有特色的數(shù)字家庭互動(dòng)服務(wù)。
[0003]盡管?chē)?guó)內(nèi)外學(xué)者已經(jīng)研究發(fā)現(xiàn)多種目標(biāo)跟蹤方法，但是面臨幾個(gè)重要問(wèn)題。第一，目標(biāo)物體的外觀(guān)變化。在實(shí)際的場(chǎng)景中，目標(biāo)的外觀(guān)受到諸如光照變化、姿勢(shì)形態(tài)改變、鏡頭抖動(dòng)、目標(biāo)大小改變等因素的影響而不斷變化。第二，復(fù)雜的背景干擾。在交通檢測(cè)、車(chē)輛導(dǎo)航、行人跟蹤等場(chǎng)景下，目標(biāo)跟蹤因受復(fù)雜的背景干擾而具有巨大的挑戰(zhàn)性。實(shí)際的復(fù)雜環(huán)境中存在大量噪聲，而且背景雜亂，目標(biāo)物體的顏色也容易和背景的顏色相混淆。第三，遮擋問(wèn)題。在實(shí)際的視頻場(chǎng)景中，目標(biāo)物體被部分遮擋甚至完全遮擋是最普通常見(jiàn)的情況，考察一種目標(biāo)跟蹤方法的魯棒性，就必須要測(cè)試該方法對(duì)遮擋問(wèn)題的處理能力。第四，實(shí)時(shí)性問(wèn)題。前面三種問(wèn)題都是在考察目標(biāo)跟蹤算法的魯棒性，而目標(biāo)跟蹤能夠滿(mǎn)足實(shí)時(shí)處理的需求也是目標(biāo)跟蹤領(lǐng)域的難點(diǎn)問(wèn)題。
[0004]在對(duì)此方法的研究和實(shí)踐過(guò)程中，本發(fā)明的發(fā)明人發(fā)現(xiàn):由于特征點(diǎn)描述子對(duì)處理噪聲、檢測(cè)誤差和幾何光學(xué)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(diǎn)匹配的目標(biāo)跟蹤方法，從而實(shí)現(xiàn)有效的目標(biāo)跟蹤。


【發(fā)明內(nèi)容】

[0005]本發(fā)明提供一種基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法，處理復(fù)雜的外觀(guān)形態(tài)變化、背景混亂、光照變化和目標(biāo)物體遮擋等場(chǎng)景的魯棒性好，效率高。
[0006]本發(fā)明提供一種基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法，包括以下步驟:
[0007](I)對(duì)輸入的原始圖像幀首先提取0RB(OFAST and rBRIEF)特征點(diǎn)集；
[0008](2)在描述子空間內(nèi)與上一幀時(shí)刻的目標(biāo)物體的ORB特征點(diǎn)集相匹配產(chǎn)生當(dāng)前幀的特征集；
[0009](3)根據(jù)上一幀目標(biāo)所在的位置運(yùn)用隨機(jī)抽樣一致和多重變換模型相結(jié)合的方法計(jì)算出跟蹤目標(biāo)的運(yùn)動(dòng)變換；
[0010](4)最后通過(guò)不斷加入新的特征點(diǎn)和裁剪離群值來(lái)更新產(chǎn)生最終當(dāng)前幀時(shí)刻合適的目標(biāo)特征集。
[0011]所述的ORB特征點(diǎn)描述子由一個(gè)二進(jìn)制字符串表示，字符串的每一位由特征點(diǎn)附近隨機(jī)選取兩個(gè)大小為SXS的圖像塊組成一對(duì)相互比較大小產(chǎn)生，這里取η = 256位長(zhǎng)度的二進(jìn)制字符串。更具體地說(shuō)，我們把一個(gè)大小為SXS的圖像塊P用二進(jìn)制字符串定義，定義如公式(I)所示:

【權(quán)利要求】
1.一種基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法，其特征在于，該方法包含以下步驟: 對(duì)輸入的原始圖像幀首先提取ORB特征點(diǎn)集； 在描述子空間內(nèi)與上一幀時(shí)刻的目標(biāo)物體的ORB特征點(diǎn)集相匹配產(chǎn)生當(dāng)前幀的特征集; 根據(jù)上一幀目標(biāo)所在的位置運(yùn)用隨機(jī)抽樣一致和多重變換模型相結(jié)合的方法計(jì)算出跟蹤目標(biāo)的運(yùn)動(dòng)變換； 最后通過(guò)不斷加入新的特征點(diǎn)和裁剪離群值來(lái)更新產(chǎn)生最終當(dāng)前幀時(shí)刻合適的目標(biāo)特征集。
2.根據(jù)權(quán)利要求1所述的基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法，其特征在于:所述的ORB特征點(diǎn)描述子由一個(gè)二進(jìn)制字符串表示，字符串的每一位由特征點(diǎn)附近隨機(jī)選取兩個(gè)大小為SXS的圖像塊組成一對(duì)相互比較大小產(chǎn)生，這里取η = 256位長(zhǎng)度的二進(jìn)制字符串，將一個(gè)大小為SXS的圖像塊P用二進(jìn)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(diǎn)X和y的灰度值；通過(guò)選取一組特定的<χ, y>點(diǎn)對(duì)作為集合，這樣便產(chǎn)生了一個(gè)η位的字符串作為BRIEF描述子，定義如公式(2):
3.根據(jù)權(quán)利要求1所述的基于ORB特征點(diǎn)匹配的W標(biāo)跟蹤方法，其特征在于:所述的給定兩個(gè)長(zhǎng)度為η位的ORB特征點(diǎn)描述子DjP Dj，兩者之間的相似性P (Di, Dj)由計(jì)算機(jī)非常高效的海明距來(lái)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(diǎn)描述子Di和Dj的第k位，而函數(shù)δ [χ]的值當(dāng)X為O時(shí)等于1，否則等于O; 當(dāng)新的ORB特征點(diǎn)集St在當(dāng)前幀t被提取出來(lái)后，我們嘗試找出它的子集i，S屬于St并且它的每一個(gè)元素都與上一幀t-1的目標(biāo)物體的特征點(diǎn)集57—f匹配度高； 設(shè)定Z)丨e St，根據(jù)上一幀t-ι的目標(biāo)物體的特征點(diǎn)集,并在整個(gè)描述子空間內(nèi)運(yùn)用最鄰近搜索算法找出最優(yōu)匹配U(A)，定義如下:
4.根據(jù)權(quán)利要求1所述的基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法，其特征在于:所述的評(píng)價(jià)一個(gè)根據(jù)模型M e {Mt，Ms, Ma, MJ估計(jì)得候選變換T對(duì)于描述目標(biāo)物體的運(yùn)動(dòng)是否合適，用跟前一幀目標(biāo)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(píng)價(jià)一個(gè)模型M
其中，Ne(M)表示一致的特征點(diǎn)的個(gè)數(shù)，Pr(M)表示候選模型的概率，而Cp (M)則表示模型M的復(fù)雜度。這三個(gè)影響因子的具體情況將在下面描述；給定一個(gè)特定的模型M和從特征點(diǎn)集合5:隨機(jī)選取的最少滿(mǎn)足要求的數(shù)目iV=個(gè)的匹配特征點(diǎn)，然后特征點(diǎn)集合S的所有數(shù)據(jù)都被用于測(cè)試，那些能夠很好地適用于變換模型M的形成了一個(gè)一致的點(diǎn)集C (M)，而點(diǎn)集C (M)的大小即N。(M);這里我設(shè)置模型M的復(fù)雜度Cp (M)；根據(jù)上一幀目標(biāo)物體的位置定義了一個(gè)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(biāo)物體的標(biāo)準(zhǔn)化邊界，而MU (u))是在模型M下的目標(biāo)物體邊界；如果被跟蹤的目標(biāo)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(gè)特定運(yùn)動(dòng)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(shù)。
5.根據(jù)權(quán)利要求1所述的基于ORB特征點(diǎn)匹配的目標(biāo)跟蹤方法，其特征在于:所述的ORB特征點(diǎn)集通過(guò)動(dòng)態(tài)地加入新的特征點(diǎn)和裁剪離群值的方法反復(fù)迭代更新，特征點(diǎn)匹配和變換模型估計(jì)之后，目標(biāo)物體的特征點(diǎn)集里的第i個(gè)特征點(diǎn)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(gè)特征點(diǎn)如果用估計(jì)的變換模型能與上一幀t-1的目標(biāo)物體特征點(diǎn)集中的一點(diǎn)相匹配，那么說(shuō)明這個(gè)特征點(diǎn)是一致的，而它的能量值被賦值為上一幀t-Ι該點(diǎn)能量值加上一個(gè)增量α ;同理相反的情況，如果不能被估計(jì)的變換模型相匹配，那么說(shuō)明這個(gè)特征點(diǎn)是離群的、異常的，它的能量值將被賦予一個(gè)減量β，而未匹配的點(diǎn)，其能量值保持不變。
【文檔編號(hào)】G06T7/20GK104200487SQ201410376616
【公開(kāi)日】2014年12月10日 申請(qǐng)日期:2014年8月1日 優(yōu)先權(quán)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(qǐng)人:廣州中大數(shù)字家庭工程技術(shù)研究中心有限公司, 中山大學(xué)