[发明专利]基于OpenCV的目标尺度自适应跟踪方法

说明书

本发明公开了一种基于OpenCV的目标尺度自适应跟踪方法，该方法先利用均值漂移算法对目标进行定位跟踪，每隔6帧运用SIFT变换提取目标特征，将模板图像与跟踪实时图像进行特征匹配，通过仿射变换确立匹配点之间的映射关系，得到尺度变换因子，从而更新实时图像中候选区域目标模板的尺寸，解决运动目标尺度不断增大导致容易丢失跟踪或误跟踪的问题。

技术领域

本发明计算机视觉技术领域，具体地指一种基于OpenCV的目标尺度自适应跟踪方法。

背景技术

运动目标跟踪是计算机视觉领域的一个重要研究方向，在视频监控、自动导航、空间遥感、红外医疗图像病理分析、城市红外污染分析、森林防火和海面人员搜救等领域有广泛的应用前景。

目标跟踪方法主要包括两类：1)基于状态估计的跟踪方法；2)基于匹配的跟踪方法。基于状态估计的方法主要有Kalman滤波和粒子滤波，基于匹配的跟踪方法主要有均值漂移，SIFT(Scale Invariant Feature Transform)等。均值漂移跟踪方法是一种基于核密度估计的无参快速模式匹配方法，通过迭代运算找到目标位置，在目标跟踪领域应用广泛。均值漂移算法在颜色空间对目标进行跟踪，对于颜色和纹理特征较为丰富的可见光目标，显示了良好的跟踪性能，适合实时目标跟踪。但跟踪的目标前后两帧图像之间发生较大的平移、旋转和尺度缩放等变换时，会极大的增加对目标稳定跟踪的难度。

SIFT点特征是David G.Lowe 1999年提出、2004年完善总结的局部特征描述子，是基于高斯尺度空间的，对尺度缩放、平移和旋转具有不变性的尺度不变特征变换，在图像匹配领域取得了较好的效果。但是，SIFT算法非常依赖图像的内容和质量，而红外图像视觉效果模糊、分辨率低、噪声多，很难提取到足够的特征点。导致跟踪算法不能继续进行，且算法实现复杂、计算量大，阻碍了目标的实时跟踪。

至今，有不少学者对均值漂移算法做了改进，如采用正负10％的增量对核窗宽进行修正，但当目标逐渐增大时，特别是当目标大小超出核窗宽大小时，核窗宽很难扩大，反而经常会变小。现有技术存在的问题是：仅靠单一或较少的信息量作为跟踪的标准不够准确，在目标尺度不断增大的情况下较容易丢失跟踪或误跟踪。

发明内容

本发明的目的就是要提供一种基于OpenCV的目标尺度自适应跟踪方法，该方法先利用均值漂移算法对目标进行定位跟踪，每隔6帧运用SIFT变换提取目标特征，将模板图像与跟踪实时图像进行特征匹配，通过仿射变换确立匹配点之间的映射关系，得到尺度变换因子，从而更新实时图像中候选区域目标模板的尺寸，解决运动目标尺度不断增大导致容易丢失跟踪或误跟踪的问题。

为实现此目的，本发明所设计的基于OpenCV的目标尺度自适应跟踪方法，其特征在于，它包括如下步骤：

步骤1：获取运动目标的视频帧图像序列，在视频帧图像序列的任意帧中设定初始搜索窗口，在初始搜索窗口中选定要跟踪的目标，使初始搜索窗口中选定的目标恰好包含整个实际的目标，并使用鼠标响应函数获取初始搜索窗口的宽度a和高度b；

对运动目标的视频帧图像进行计数，保存当前帧的图像为I₁，保存之后第A帧的图像为I₂，此后每隔A帧将图像交替保存为I₁和I₂，依次循环，将初始搜索窗口区域从RGB颜色空间转换为HSV颜色空间，建立均值漂移模型，统计搜索窗内所有像素点的颜色值，建立直方图并归一化，得到目标区域的模型描述，即得到了目标区域的密度概率函数；

步骤2：根据目标的归一化直方图，在序列图像中通过相似度度量寻找与目标最为相似的候选区域，将前一帧的中心位置作为搜索窗口的中心，应用均值漂移迭代算法求解当前帧目标的新位置坐标，实现目标中心位置由前一帧位置到当前帧位置的跟踪；