[发明专利]一种基于OpenCV的视频目标跟踪算法

摘要

本发明公开了一种基于OpenCV的视频目标跟踪算法，其特点是该视频目标跟踪算法以选定的模板与视频帧进行匹配，通过相关系数的计算找出视频帧中与模板图像最相似的子图位置，模板的更新根据卡尔曼滤波器的预测位置和相关系数值确定，具体算法包括：模板匹配、位置预测和模板更新。本发明与现有技术相比具有目标的识别和跟踪不受环境变化的影响，能及时准确地识别和跟踪目标物体，支持跟踪物体的更新，使系统在跟踪时能动态更新模板，跟踪在环境和物体变化的情况下更准确，以多个参数作为跟踪的依据，跟踪更可靠，在目标物体移动、背景不断变化和有阴影影响的情况下不易丢失跟踪。

主权项

一种基于OpenCV的视频目标跟踪算法，其特征在于该视频目标跟踪算法以选定的模板与视频帧进行匹配，通过相关系数的计算找出视频帧中与模板图像最相似的子图位置，模板的更新根据卡尔曼滤波器的预测位置和相关系数值确定，具体算法按下述步骤进行：（1）、模板匹配以已知的小图像为模板，将模板叠放在被搜索的大图像中移动搜寻目标，被模板覆盖的目标区域为子图，在被搜索的大图像中搜索全部可能的位置并计算每个位置上子图与模板的相关系数，计算得到的相关系数存放在一个数组中，其中最大值对应的位置即为与模版最为匹配的子图位置，其相关系数按下式（a）计算，对于每一个子图，计算出相应的归一化相关系数R(i,j)（‑1≤R(i,j)≤1），并找出R的最大值Rmax(im,jm)，其对应的子图即为匹配目标，当模板和子图完全一样时，相关系数R(i,j)=1； R ( i , j ) = Σ x = 1 n Σ y = 1 m S ij ( x , y ) * T ( x , y ) Σ x = 1 n Σ y = 1 m [ S ij ( x , y ) ] 2 Σ x = 1 n Σ y = 1 m [ T ( x , y ) ] 2 - - - ( a ) 其中：n、m表示模板T的宽度和高度，i、j表示子图Sij在大图中的坐标位置，x、y表示子图Sij的内部坐标值，Sij（x，y）表示在子图Sij中坐标为（x，y）的点的像素值，T（x，y）表示在模板T中坐标为（x，y）的点的像素值；（2）、位置预测对于新获取的一帧图像，采用卡尔曼滤波器根据前几帧的最佳匹配位置来预测该帧中最佳匹配位置；所述卡尔曼滤波器由时间更新的预测方程和测量更新的校正方程组成，所述预测方程由下式（b）计算的向前推算状态变量和下式（c）计算的向前推算误差协方差构造下一个时间状态的先验估计；所述校正方 程由下式（d）计算的卡尔曼增益、下式（e）计算的后验估计和下式（f）计算的后验协方差作为下一次计算的先验估计，每次只需根据以前的测量变量递归计算当前的状态；向前推算状态变量： x ^ k - = A x ^ k - 1 + B u k - 1 - - - ( b ) 向前推算误差协方差： P k - = A P k - 1 A T + Q - - - ( c ) 卡尔曼增益： K k = P k - H T ( HP k - H T + R ) - 1 - - - ( d ) 后验估计： x ^ k = x ^ k - + K k ( z k - H x ^ k - ) - - - ( e ) 后验协方差： P k = ( I - K k H ) P K - - - - ( f ) 其中：A为状态转移矩阵，B为控制矩阵或单位矩阵；Q为过程噪声协方差矩阵；H为测量矩阵；R为测量噪声协方差矩阵；P为后验错误协方差矩阵；I为单位矩阵；uk‑1为观测噪声；zk存储实际测量结果，xk为状态变量；（3）、模板更新根据预测变量yk与观测变量zk间的距离distance以及zk对应的相关系数值Rmax来判定是否更新当前模板，点yk（x1，y1）与点zk（x2，y2）间的距离distance按下式（g）计算；当distance≤30时：Rmax大于0.90时则继续跟踪；Rmax小于0.90且大于0.85时则更新模板；Rmax小于0.85时则丢失跟踪；当distance>30时：Rmax大于0.85时则用yk作为跟踪点；Rmax小于0.85时则丢失跟踪； dis tan ce = ( x 1 - x 2 ) 2 + ( y 1 - y 2 ) 2 - - - ( g ) .