CN104021564A - 一种基于局部不变特征检测的自适应均值漂移算法 - Google Patents
一种基于局部不变特征检测的自适应均值漂移算法 Download PDFInfo
- Publication number
- CN104021564A CN104021564A CN201410289886.6A CN201410289886A CN104021564A CN 104021564 A CN104021564 A CN 104021564A CN 201410289886 A CN201410289886 A CN 201410289886A CN 104021564 A CN104021564 A CN 104021564A
- Authority
- CN
- China
- Prior art keywords
- point
- invariant feature
- local invariant
- calculate
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部不变特征检测的自适应均值漂移算法。本发明将局部不变特征检测与自适应均值漂移算法相结合,在搜索过程中引入对物体局部不变特征点的检测与匹配,通过得到的匹配特征点重新计算搜索区域使搜索区域能够很好的约束在目标范围周围,最终确保追踪过程的准确性。本发明在搜索精度和稳定方面相对于自适应均值漂移算法有了很大的提高。
Description
技术领域
本发明涉及运动物体的实时追踪,具体是一种目标跟踪方法所用的自适应均值漂移算法。
背景技术
均值漂移是指在图像中选择某点作为起点,计算出该点当前偏移量的平均差值,并将该点移动到其偏移量指向的新位置,以移动后的位置作为新的起点,继续计算并移动,直至到达满足约束条件的位置。因此该算法通过不断地迭代得到最优解。均值漂移算法主要是针对物体进行非刚体运动的一种目标跟踪方法。这种方法将目标区域用一种非参数的直方图核密度估计函数进行描述,以Bhattacharyya系数作为相似度准则,不断的对其均值偏移矢量进行迭代,来寻找与目标区域相似度最高的候选区域,从而实现对运动目标的跟踪。
自适应均值漂移算法主要基于图像中连续动态变化的色彩概率分布,具有良好的稳定性和实时性。它在视频图像中通过目标颜色特征确定目标的当前位置和大小,将获取到的位置和大小应用到下一帧的图像中,初始化下一帧的搜索窗口,重复该搜索过程即可实现对目标的追踪。主要原理就是随着时间的变化,当目标发生运动时,颜色概率分布也会随着时间的变化而变化,通过对图像颜色概率分布的变化计算,实现对目标的实时跟踪。
自适应均值漂移算法是一种基于密度梯度上升的非参数方法,通过迭代运算找到目标位置,实现目标跟踪。它显著的优点是算法计算量小,简单易实现,很适合于实时跟踪场合;但是跟踪小目标和快速移动目标时常常失败,而且在全部遮挡情况下不能自我恢复跟踪。当背景的颜色与目标相近,或者目标附近有与目标的色调相近的算法比较物体,则搜索窗口会自动将其包括在内,导致跟踪窗口扩大,甚至有时会将跟踪窗口扩大到整个视频框架,最终导致跟踪失败。
发明内容
本发明的目的是在于针对上述已有技术的不足,提出一种基于局部不变特征检测的自适应均值漂移算法,以局部不变特征检测来约束自适应均值漂移算法的搜索窗口,达到精确的目标跟踪。
一种基于局部不变特征检测的自适应均值漂移算法,其特征在于,包括以下步骤:
步骤1:在视频的起始帧 选择将要追踪的目标区域;
步骤2:将图像从RGB颜色空间映射到HSV颜色空间,并计算目标区域的颜色概率分布;
步骤3:计算提取出目标区域的局部不变特征点;
步骤4:根据概率分布分别计算的零阶矩和的一阶矩、的一阶矩,计算出搜索窗口的质心,;
步骤5:在下一帧中以作为搜索窗口的起始点,以为搜索窗口,搜索窗口的大小满足,取近似结果的奇数;
步骤6:计算搜索区域中的局部不变特征点;
步骤7:比较和得到匹配的特征点,并根据匹配的特征点重新构建帧中的目标区域;
步骤8:返回步骤4,进行重复搜索,直至跟踪结束者满足搜索停止条件。
进一步地,所述步骤3包括以下步骤:
首先建尺度空间其中为尺度因子,*为卷积运算符,为高斯函数,计算高斯差分空间,;
其次对差分空间求导得出极值点,其中是相对于采样点的偏移;通过阈值,和Hessian矩阵,去除低对比度点和边缘点;根据邻域内像素点的梯度大小和方向角来确定特征点的方向;
最后选取的邻域窗口内的子区域,将每个子区域中的8个方向的向量信息依次排序,构成一个维的特征向量,即SIFT特征描述符;。
本发明的有益效果:自适应均值算法在搜索过程中,由于搜索窗口不断扩大或遮挡会引起误差,所以本发明在自适应均值漂移算法中引入局部不变特征检测,从而提高搜索精度,达到精确的目标跟踪。
附图说明
图1 基于局部不变特征检测的自适应均值漂移算法搜索流程图。
具体实施方法
如图1所示,本发明提供一种基于局部不变特征检测的自适应均值漂移方法,该方法的具体实施步骤如下:
步骤1:在视频的起始帧选择将要追踪的目标区域。
步骤2:将图像从RGB颜色空间映射到HSV颜色空间,并计算目标区域的颜色概率分布。
步骤3:计算提取出目标区域的局部不变特征点。
首先构建尺度空间其中为尺度因子,*为卷积运算符。为高斯函数。计算高斯差分空间;
其次对差分空间求导得出极值点,其中是相对于采样点的偏移;通过阈值,和Hessian矩阵,去除低对比度点和边缘点;根据邻域内像素点的梯度大小和方向角来确定特征点的方向;
最后选取的邻域窗口内的子区域,将每个子区域中的8个方向的向量信息依次排序,构成一个维的特征向量,即SIFT特征描述符;。
步骤4:根据概率分布分别计算的零阶矩和的一阶矩、的一阶矩。计算出搜索窗口的质心,。
步骤5:在下一帧中以作为搜索窗口的起始点,以为搜索窗口。搜索窗口的大小满足,取近似结果的奇数。
步骤6:计算中搜索区域的局部不变特征点。
步骤7:比较和得到匹配的特征点,并根据匹配的特征点重新构建帧中的目标区域。
步骤8:返回步骤4,进行重复搜索,直至跟踪结束或者满足搜索停止条件。
Claims (2)
1.一种基于局部不变特征检测的自适应均值漂移算法,其特征在于,包括以下步骤:
步骤1:在视频的起始帧 选择将要追踪的目标区域;
步骤2:将图像从RGB颜色空间映射到HSV颜色空间,并计算目标区域的颜色概率分布;
步骤3:计算提取出目标区域的局部不变特征点;
步骤4:根据概率分布分别计算的零阶矩和的一阶矩、的一阶矩,计算出搜索窗口的质心,;
步骤5:在下一帧中以作为搜索窗口的起始点,以为搜索窗口,搜索窗口的大小满足,取近似结果的奇数;
步骤6:计算搜索区域中的局部不变特征点;
步骤7:比较和得到匹配的特征点,并根据匹配的特征点重新构建帧中的目标区域;
步骤8:返回步骤4,进行重复搜索,直至跟踪结束者满足搜索停止条件。
2.根据权利要求1所述的一种基于局部不变特征检测的自适应均值漂移算法,其特征在于:所述步骤3包括以下步骤:
首先建尺度空间其中为尺度因子,*为卷积运算符,为高斯函数,计算高斯差分空间;
其次对差分空间求导得出极值点,其中是相对于采样点的偏移;通过阈值,和Hessian矩阵,去除低对比度点和边缘点;根据邻域内像素点的梯度大小和方向角来确定特征点的方向;
最后选取的邻域窗口内的子区域,将每个子区域中的8个方向的向量信息依次排序,构成一个维的特征向量,即SIFT特征描述符;。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410289886.6A CN104021564A (zh) | 2014-06-26 | 2014-06-26 | 一种基于局部不变特征检测的自适应均值漂移算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410289886.6A CN104021564A (zh) | 2014-06-26 | 2014-06-26 | 一种基于局部不变特征检测的自适应均值漂移算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104021564A true CN104021564A (zh) | 2014-09-03 |
Family
ID=51438302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410289886.6A Pending CN104021564A (zh) | 2014-06-26 | 2014-06-26 | 一种基于局部不变特征检测的自适应均值漂移算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104021564A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN106289364A (zh) * | 2016-08-09 | 2017-01-04 | 重庆大学 | 一种传感器漂移的自适应调节方法 |
CN106296742A (zh) * | 2016-08-19 | 2017-01-04 | 华侨大学 | 一种结合特征点匹配的在线目标跟踪方法 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924871A (zh) * | 2010-02-04 | 2010-12-22 | 苏州大学 | 基于均值偏移的视频目标跟踪方法 |
CN101950426A (zh) * | 2010-09-29 | 2011-01-19 | 北京航空航天大学 | 一种多摄像机场景下车辆接力跟踪方法 |
CN102117487A (zh) * | 2011-02-25 | 2011-07-06 | 南京大学 | 一种针对视频运动目标的尺度方向自适应Mean-shift跟踪方法 |
-
2014
- 2014-06-26 CN CN201410289886.6A patent/CN104021564A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924871A (zh) * | 2010-02-04 | 2010-12-22 | 苏州大学 | 基于均值偏移的视频目标跟踪方法 |
CN101950426A (zh) * | 2010-09-29 | 2011-01-19 | 北京航空航天大学 | 一种多摄像机场景下车辆接力跟踪方法 |
CN102117487A (zh) * | 2011-02-25 | 2011-07-06 | 南京大学 | 一种针对视频运动目标的尺度方向自适应Mean-shift跟踪方法 |
Non-Patent Citations (4)
Title |
---|
翟海涛 等: "基于SIFT特征度量的Mean Shift目标跟踪算法", 《计算机应用与软件》 * |
谭锦辉: "一种融合CAMShift和SIFT的视频对象跟踪算法", 《仪器仪表学报》 * |
赵昆: "基于传感器信息融合的室内运动物体分类与跟踪研究", 《万方学位论文》 * |
龙忠杰 等: "基于CamShift算法的目标跟踪研究", 《北京信息科技大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN105335986B (zh) * | 2015-09-10 | 2018-11-30 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN106289364A (zh) * | 2016-08-09 | 2017-01-04 | 重庆大学 | 一种传感器漂移的自适应调节方法 |
CN106289364B (zh) * | 2016-08-09 | 2018-08-03 | 重庆大学 | 一种传感器漂移的自适应调节方法 |
CN106296742A (zh) * | 2016-08-19 | 2017-01-04 | 华侨大学 | 一种结合特征点匹配的在线目标跟踪方法 |
CN106296742B (zh) * | 2016-08-19 | 2019-01-29 | 华侨大学 | 一种结合特征点匹配的在线目标跟踪方法 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN107609571B (zh) * | 2017-08-02 | 2023-09-05 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335986B (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
CN106780557B (zh) | 一种基于光流法和关键点特征的运动目标跟踪方法 | |
CN108022254B (zh) | 一种基于征点辅助的时空上下文目标跟踪方法 | |
CN103927764B (zh) | 一种结合目标信息和运动估计的车辆跟踪方法 | |
CN111667506A (zh) | 一种基于orb特征点的运动估计方法 | |
CN103942536B (zh) | 一种迭代更新轨迹模型的多目标跟踪方法 | |
Xiao et al. | An enhanced adaptive coupled-layer LGTracker++ | |
CN104021564A (zh) | 一种基于局部不变特征检测的自适应均值漂移算法 | |
CN108537832B (zh) | 基于局部不变灰度特征的图像配准方法、图像处理*** | |
Zhou et al. | A robust object tracking algorithm based on SURF | |
CN104240231A (zh) | 基于局部结构二进制模式的多源图像配准 | |
Huang et al. | Adaptive assignment for geometry aware local feature matching | |
CN106651909A (zh) | 一种基于背景加权的尺度方向自适应均值漂移方法 | |
Zhang et al. | Mean-shift algorithm integrating with SURF for tracking | |
Wei et al. | A SIFT-based mean shift algorithm for moving vehicle tracking | |
Tang et al. | Place recognition using line-junction-lines in urban environments | |
Tian et al. | A fast and accurate algorithm for matching images using Hilbert scanning distance with threshold elimination function | |
Kim et al. | Edge-segment-based background modeling: Non-parametric online background update | |
Chen et al. | A mean shift algorithm based on modified Parzen window for small target tracking | |
Kheng | Mean shift tracking | |
Rafique et al. | Deformable object tracking using clustering and particle filter | |
CN109035277A (zh) | 基于显著性轮廓特征片段的目标识别方法 | |
Yao et al. | Kernel based articulated object tracking with scale adaptation and model update | |
Ardeshir et al. | Using a novel concept of potential pixel energy for object tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140903 |