[发明专利]一种基于四叉树的光流跟踪方法

说明书

本发明涉及一种基于四叉树的光流跟踪方法，属于计算机视觉跟踪技术领域，旨在解决现有光流法在复杂环境中使用角点跟踪时定位精度不高的问题。本发明通过各向异性扩散滤波构建图像的非线性尺度空间，并通过求取海森矩阵在不同尺度下响应极值点的基础上，采用四叉树算法对冗杂的极值点进行特征提取，结合稀疏光流法实现对特征点的跟踪。本发明可以克服光流跟踪方法在弱纹理场景下精度不高的缺点，也可以解决特征点匹配法在长时间运行环境下计算复杂度高、鲁棒性低的问题，将该方法应用于视觉里程计时，显著提高了定位精度以及鲁棒性。

技术领域

本发明属于计算机视觉跟踪技术领域，具体涉及一种基于四叉树的光流跟踪方法。

背景技术

视觉目标跟踪是计算机视觉领域的一个重要研究问题，在军民领域都有着广泛应用的场景，包括安防领域中的车辆跟踪、巡检领域中的机器人导航以及智慧生活领域的人机交互等方面。

在视觉目标跟踪方法中，第一类方法是特征点匹配法。该方法是基于特征点检测和描述子匹配来实现目标跟踪，具有精度高的优势。但该方法随着时间增加，计算复杂度骤增，且易跟丢，导致算法实时性不高、鲁棒性不强，所以有较大的场景约束限制。

在视觉目标跟踪方法中，第二类方法是光流跟踪方法。该方法主要采用基于角点的光流跟踪，具有鲁棒性强、实时性好的优势。但该方法对噪声、光源以及尺度变化过于敏感，且角点的检测存在随机性，导致目标的跟踪精度不高。

发明内容

(1)技术问题

为了满足在大范围真实环境下兼具快速性、准确性、鲁棒性的视觉目标跟踪需求，本发明提出一种基于四叉树的光流跟踪方法。该方法融合了特征点匹配法和光流跟踪方法的各自优势，既可以解决特征点匹配法特征点易跟丢等问题，又可以解决光流法定位精度不高等问题。

(2)技术方案

一种基于四叉树的光流跟踪方法，包括如下步骤：

步骤1：实时接收图像序列，对图像进行自适应直方图均衡化预处理；

步骤2：构建图像的非线性尺度空间,完成对特征点的实时提取；

步骤3：对图像基节点进行分裂，基于四叉树算法，均匀提取各图像块特征点；

步骤4：采用稀疏光流法对特征点进行跟踪；

步骤5：输出图像平移向量。

根据本发明的示例性实施例，所述步骤1中，将图像划分为边角区域、边非角区域和对角区域；如果是边角区域，则采用直方图均衡化处理；如果是边非角区域，则采用线性插值处理；如果是对角区域，则采用双线性插值处理，由此完成对图像的自适应直方图均衡化预处理。

根据本发明的示例性实施例，所述步骤2中，构建图像的非线性尺度空间,完成对特征点的实时提取包括如下步骤：

步骤2.1：通过各向异性扩散滤波构建图像的非线性尺度空间，并利用快速显示扩散算法对图像进行过滤，计算不同尺度下图像的海森矩阵的特征值，求取其极值点，设定判断阈值，即实现对图像中特征点的识别；

步骤2.2：对识别的特征点的响应极值进行降序排列。

根据本发明的示例性实施例，所述步骤3中的对图像基节点进行分裂，基于四叉树算法，均匀提取各图像块特征点包括如下步骤：

步骤3.1：对图像进行根节点划分，定义图像根节点为w/h个，其中w为图像像素宽度，h为图像像素高度，如果w/h计算值为小数，则取整为n；

步骤3.2：一个根节点代表一个图像区域，此时图像被分为n个区域，每个区域大小为w/n*h；