[发明专利]基于ORB的实时视频跟踪方法和装置

说明书

本申请公开了一种基于ORB的实时视频跟踪方法和装置，涉及视频跟踪领域。该方法包括：在参考帧中提取颜色信息和ORB特征作为初始参考，确定跟踪目标的初始位置和大小；实时获取当前帧，指定搜索窗口并运行ORB算法得到特征点列表；对每个特征点使用粒子滤波器构造新的粒子，与目标模板进行颜色相似性计算，若超过阈值则认为对应特征点位于跟踪目标上；将其作为新的粒子代替粒子滤波器中权值低于指定值的粒子，根据加权粒子集的均值计算跟踪目标的估计位置。该装置包括：确定模块、提取模块、计算模块和更新模块。本申请在被跟踪对象上趋于稳定，对噪声的敏感性较低，在保持精度的同时显著减少粒子的数量，更有效和高效地用于实时系统。

技术领域

本申请涉及视频跟踪领域，特别是涉及一种基于ORB的实时视频跟踪方法和装置。

背景技术

视频跟踪是指从视频中确定图像序列中特定对象的位置、路径和特征的问题。这是计算机视觉领域的一个活跃的研究课题，在许多实际应用中都有应用，如监视、安全和人机交互等。视频跟踪面临着许多挑战，包括复杂的物体运动、物体的非刚性、光照变化、背景杂乱以及部分或严重的遮挡。为了克服这些挑战提出了很多算法，最著名但也是最简单的算法之一是CPF(Color-based Particle Filter，基于颜色的粒子滤波器)。这是一种求解非线性和/或非高斯贝叶斯滤波问题的数值方法。CPF算法使用颜色分布来定义对象。目标颜色直方图与帧中候选颜色直方图之间的距离是用某种近似度量来评估的。Meanshift算法是一种无参数密度估计的算法，通过沿概率分布梯度方向自适应的迭代运算寻找概率离散分布的最大值，以实时性强、无需参数、收敛速度快等优点获得广泛应用。Camshift算法是一种基于连续自适应均值偏移颜色特征的Meanshift改进算法，可以动态地调节核函数窗口大小以适应目标在追踪过程中尺寸的变化，解决了目标运动过程中的尺寸变化问题。Kalman滤波算法利用线性系统状态方程，通过对含有噪声的视频数据进行递归运算，对追踪目标在视频图像中的可能位置做出统计上的最优估计，常用作交通工具的导航系统。

但是，Meanshift算法不能及时地更新目标模型，固定的核函数严重影响追踪的准确率，目标尺寸发生明显变化可能会导致定位失败，以致丢失目标。Camshift算法同样有处理速度慢的问题。理想情况下，CPF算法需要大量的粒子来精确地跟踪目标。但是，大量的粒子也意味着需要较高的计算能力。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于ORB的实时视频跟踪方法，包括：

在参考帧中提取颜色信息和ORB(Oriented FAST and Rotated BRIEF)特征作为初始参考，确定跟踪目标的初始位置和大小；

从数据集中实时获取当前帧，在所述当前帧上指定搜索窗口，并在所述搜索窗口中运行ORB算法，得到特征点列表；

对于所述特征点列表中的每个特征点，使用粒子滤波器在该位置构造一个新的粒子，并与目标模板进行颜色相似性计算，如果有颜色相似性超过指定阈值，则认为该颜色相似性对应的特征点位于所述跟踪目标上；

将所述颜色相似性超过指定阈值的特征点作为新的粒子，代替所述粒子滤波器中权值低于指定值的粒子，得到更新的加权粒子集，根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置。

可选地，在参考帧中提取颜色信息和ORB特征作为初始参考，确定跟踪目标的初始位置和大小，包括：

在参考帧中提取颜色信息和ORB特征作为初始参考，并在所述参考帧上绘制矩形边框来选择跟踪目标，记录中心点和边框面积，确定所述跟踪目标的初始位置和大小。

可选地，所述方法还包括：

将所述粒子滤波器初始化为N个粒子，并采用高斯公式为每个粒子计算权重，得到加权粒子集。