[发明专利]一种融合模板匹配和灰预测的目标跟踪方法

说明书

技术领域

本发明属于计算机视觉跟踪技术，特别是一种融合模板匹配和灰预测的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域一项基础的核心技术，是后续各种高层视觉处理的基础。目标跟踪技术在民用和军用的许多领域中都具有极为广泛的应用前景，如视频监控、智能交通、导弹精确制导等。模板匹配是图像处理、模式识别和目标跟踪等方面的基础算法。该算法有操作简单、对图像质量要求不高等优点，但同时也有计算量大和实时性差等缺点。

近年来，主要有两种方法来解决模板匹配的计算量大和实时性差的问题：一是粗细结合的模板匹配法(1.Mohammad Gharavi-Alkhansari,A Fast Globally Optimal Algorithm for Template Matching Using Low-Resolution Pruning,IEEE T IMAGE PROCESS,2001,vol.10(4),pp.526～533.)；二是用预测目标位置的方法来缩小传统目标匹配的搜索范围，从而减少模板匹配的计算量。卡尔曼滤波是常用的预测目标位置的方法，并和其他算法相结合应用在目标跟踪中(2.Xiaohe Li,Taiyi Zhang,etc.,Object tracking using an adaptive Kalman filter combined with mean shift,OE Letters,2010,vol.49(2),pp.1～3)。卡尔曼滤波只适用于线性高斯的环境下，虽然有学者提出了扩展卡尔曼滤波和无迹卡尔曼滤波，但还是依赖于复杂的运动模型，这影响着跟踪的速度和精度。

灰系统理论是邓聚龙在20世纪70年代末提出的，其中灰预测是建立时轴上现在与未来的定量关系，根据系统现在的信息建立模型并预测未来。GM(1,1)是灰预测最简单实用的模型，可以处理小样本、贫信息和不确定的问题。GM(1,1)中的第一个“1”是指模型为一阶差分方程，第二个是指模型只含有一个变量。

发明内容

本发明的目的是提供一种融合灰预测和模板匹配的目标跟踪方法，用于解决传统的模板匹配计算量大和实时性差的问题。

为达到上述目的，本发明的技术解决方案是：一种融合模板匹配和灰预测的目标跟踪方法，步骤如下：

步骤1、在第一帧图像中选取所要跟踪的目标，以此建立目标模板；

步骤2、根据前四帧已知的目标位置信息，建立灰预测GM(1,1)模型；

步骤3、从第五帧图像开始，以GM(1,1)模型生成的预测位置为中心进行模板匹配；

步骤4、根据目标尺寸和环境的变化，使用加权策略更新目标模板。

本发明与现有技术相比，其显著优点为：(1)具有模板匹配和灰预测方法的各自优点，如模板匹配的对图像质量要求不高和灰预测的模型简单、计算量小等优点。(2)利用GM(1,1)模型预测每帧图像中目标的位置，只需要之前的4个已知位置即可建立精准的预测模型，(3)采用麦克劳林公式代替指数运算，进一步减小计算量。(4)采用具有自适应阈值的序贯相似度检测法，提高跟踪算法的准确性和实时性。(5)使用实用的加权策略来更新模板，以应对跟踪过程中目标尺寸和环境光照的变化。

附图说明

图1是本发明融合模板匹配和灰预测的目标跟踪方法框图。

图2是GM(1,1)模型代表含义说明图。

图3是模板匹配示意图。

图4是模板更新过程示意图。

具体实施方式

一种融合模板匹配和灰预测的视觉跟踪算法，包括以下步骤：

第一步，建立目标模板。在第一帧图像中选取所要跟踪的目标，以此建立目标模板。

第二步，建立预测模型。计算目标在前四帧图像中的位置，以此建立灰预测初始GM(1,1)模型。目标运动在图像中是二维的，因此分别建立横向和纵向的GM(1,1)模型。为了进一步减小运算量和提高实时性，用麦克劳林公式来近似计算指数函数，并只取前四项。

第三步，匹配模板。从第五帧图像开始，以GM(1,1)模型的预测位置为中心来匹配模板图像。具体使用序贯相似度检测法(Sequential Similarity Detection Algorithm,SSDA)，该算法使用自适应的阈值来减小匹配计算量：当对应像素绝对差的和超过阈值时，停止模板匹配；当小于时，将绝对差的和作为下一次匹配的阈值。

第四步，更新模板。考虑到环境光照的变化，以及目标尺寸和旋转改变，使用加权策略更新目标模板，具体计算过程如下：