CN105844663A - 一种自适应orb目标跟踪方法 - Google Patents

Abstract

本发明提供了一种自适应ORB目标跟踪方法，对FAST特征不具备方向的问题，加入了FAST特征的方向信息，在特征点描述部分则采用基于像素点二进制位比较的BRIEF特征描述子，并改进了BRIEF描述子对图像噪声敏感和不具有旋转不变性的缺点，与SIFT算法相比，ORB算法不仅具有旋转不变性和抗噪声能力，同时运算速度比SIFT算法提高了两个数量级。本发明的自适应ORB目标跟踪方法充分利用了ORB算法的这一特性，并对ORB算法作出进一步改进，然后在此基础上提出了自适应ORB算法，进一步提高运算的速度和跟踪的准确性，更加符合实时跟踪的要求。

Description

一种自适应ORB目标跟踪方法

技术领域

本发明涉及一种自适应ORB目标跟踪方法，属于计算机视觉领域。

背景技术

随着我国的经济不断发展，社会的不断进步，人口的流动量越来越大。庞大的人口流动量给公共安全带来了极大的挑战，为了有效保障城市安全，越来越多的城市不断加大公共场所的监控力度，其中，视频监控就是一个有效的途径。例如，在一个机场，大约要安装2000多个摄像机。目前的监控技术主要是通过摄像机采集被监控场所的实时画面，然后将通过显示设备将采集到的画面进行显示，最终要通过人工来观看监控视频以判断是否有突发事件发生。这是一种被动的监控方式，同时，有研究表明，当人盯着屏幕超过10分钟，将有90％的视频信息将被漏掉，这将使监控的效果大打折扣。为了提高监控效果，同时将监控操作人员从繁杂而枯燥的“盯屏幕”任务解脱出来，就需要我们发展智能视频分析，尽量减少人工干预。智能视频分析包括三个关键步骤：对感兴趣的运动目标进行检测，对检测到的目标进行跟踪，最终对跟踪的目标进行行为分析。所以跟踪在整个智能视频分析中扮演着极其关键重要的作用。

近年来，在智能视频分析方面取得了很大的发展，有许多学者相继提出了各种行之有效的方法，典型的有SIFT算法，Harris角点检测算法和SUSAN算法，它们都可以产生高质量的特征点，例如，SIFT算法具有很好的尺度不变性和旋转不变性，同时对视角和光照变化也具有一定的不变性。但是这些算法的计算量都很大，不利于一些实时跟踪的应用或者在低功耗产品上的应用。针对以上算法的不足，有学者提出了例如FAST检测子、BRIEF描述子等来减小计算量，但是，这些算法在减少运算量的同时，也带来了一些不足，例如：FAST特征不具有方向性，而BRIEF描述子对图像噪声比较敏感，同时也不具有旋转不变性。

发明内容

为了解决现有技术的不足，本发明提供了一种自适应ORB目标跟踪方法，对FAST特征不具备方向的问题，加入了FAST特征的方向信息，在特征点描述部分则采用基于像素点二进制位比较的BRIEF特征描述子，并改进了BRIEF描述子对图像噪声敏感和不具有旋转不变性的缺点，与SIFT算法相比，ORB算法不仅具有旋转不变性和抗噪声能力，同时运算速度比SIFT算法提高了两个数量级。本发明的自适应ORB目标跟踪方法充分利用了ORB算法的这一特性，并对ORB算法作出进一步改进，然后在此基础上提出了自适应ORB算法，进一步提高运算的速度和跟踪的准确性，更加符合实时跟踪的要求。

本发明为解决其技术问题所采用的技术方案是：提供了一种自适应ORB目标跟踪方法，包括以下步骤：

(1)对于动态视频的当前帧，框选目标区域，在目标区域内检测该帧的特征点并加上方向信息：

(1.1)利用FAST算子对当前帧进行特征点检测，得到当前帧的所有FAST特征点；

(1.2)在检测到的FAST特征点中，利用Harris角点检测算子挑选出Harris角点响应值最大的前N个FAST特征点，其中Harris角点相应函数为：

R＝detM-k(traceM)²

其中，M为矩阵：

$M(x,y)=\underset{x,y}{\Σ}w(x,y)\left[\begin{array}{cc}{I}_x{(x,y)}^2& I_x(x,y)I_y(x,y)\\ I_x(x,y)I_y(x,y)& I_y{(x,y)}^2\end{array}\right]$

对矩阵M(x,y)对角化得到：

$M=\left[\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right]$

I_x(x,y)和I_y(x,y)为坐标为(x,y)的像素点的灰度值I(x,y)的偏导数，w(x,y)为高斯窗口函数，detM＝λ₁λ₂，traceM＝λ₁+λ₂，k为经验常数因子；

(1.3)利用图像金字塔产生多尺度特征；

(1.4)对N个FAST特征点分别加上方向信息，包括以下过程：

(1.4.1)对于一个FAST特征点，定义以该FAST特征点为中心的像素块的矩：

$m_{ij}=\underset{x,y}{\Σ}{x}^i{y}^{j}I(x,y)$

其中，m_ij为像素块的矩，i和j分别是矩的阶数的系数；

(1.4.2)对于像素块，通过以下公式计算其亮度质心C：

$C=\left(\begin{array}{cc}\frac{m_{10}}{m_{00}},& \frac{m_{01}}{m_{00}}\end{array}\right)$

其中，m₀₀是像素块的0阶矩，m₀₁和m₁₀是像素块的1阶矩；

设像素块的中心点为O，则中心点O到亮度质心C构成向量则FAST特征点的方向为θ：

θ＝atan2(m₀₁,m₁₀)

(2)对FAST特征点进行描述：

(2.1)对当前帧进行高斯模糊；

(2.2)生成BRIEF描述子，包括以下过程：

(2.2.1)在D×D的图像块区域定义一个τ测试：

$\mathrm{\&tau;}(I;P1,P2)=\left\{\begin{array}{c}1:I\left(P1\right)<I\left(P2\right)\\ 0:I\left(P1\right)\&GreaterEqual;I\left(P2\right)\end{array}\right.$

其中，I(P1)表示点P1(u,v)处的灰度值，I(P2)表示点P2(p,q)处的灰度值，D为设置值；

(2.2.2)在D×D的图像块区域中随机选出n对点P1_i,P2_i进行τ测试，得到长度为n的二进制串，即BRIEF描述子：

(2.3)对BRIEF描述子进行旋转，生成steered BRIEF描述子，包括以下过程：

(2.3.1)将随机选出的n对点P1_i,P2_i构建特征测试集，用2×n矩阵表示：

$S=\left(\begin{array}{c}P{1}_1,\mathrm{...},P{1}_n\\ P{2}_1,\mathrm{...},P{2}_n\end{array}\right)$

(2.3.2)利用FAST特征点的方向θ对矩阵S进行旋转，得到矩阵S_θ：

S_θ＝R_θS

其中R_θ为旋转矩阵：

$R_{\mathrm{\&theta;}}=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& cos\mathrm{\&theta;}\end{array}\right]$

(2.3.3)生成steered BRIEF描述子为：

g_n(I；θ):＝f_n(I)|(P1_i,P2_i)∈S_θ

(2.4)利用贪婪搜索法从特征测试集中筛选出满足要求的steered BRIEF描述子构成rBRIEF，包括以下过程：

(2.4.1)计算所有的steered BRIEF描述子与0.5的距离，并对其进行排序，利用排序后的steered BRIEF描述子构建向量T；

(2.4.2)进行贪婪搜索：创建一个结果向量R，将向量T中的第一个steered BRIEF描述子放入R中，并将其从T中提出，然后将T中的下一个steered BRIEF描述子取出来与R中的所有steered BRIEF描述子进行比较，计算T中取出的steered BRIEF描述子与R中的所有steered BRIEF描述子的相关性，如果相关性超过设定的阈值threshold，则将取出的steered BRIEF描述子丢弃，否则将取出的steered BRIEF描述子放入R中；

(2.4.3)重复步骤(2.4.2)直到R中有n个steered BRIEF描述子，或则T中所有的steered BRIEF描述子比较完毕；若R中有n个steered BRIEF描述子，则向量R中的steeredBRIEF描述子即为rBRIEF描述子，则进入步骤(3)，否则调高threshold，回到步骤(2.4.1)开始重构向量T并重新进行贪婪搜索；

(3)进入下一帧，以下一帧作为当前帧对其重复步骤(1)和步骤(2)的过程，得到该帧的FAST特征点及其rBRIEF描述子；

(4)计算前后两帧的FAST特征点的描述子之间的汉明距离，如果汉明距离在设定的阈值范围内，则前后两帧的FAST特征点匹配成功，后一帧匹配成功的特征点所组成的区域为跟踪区域；否则匹配失败；

(5)对跟踪区域内的FAST特征点进行统计以计算跟踪区域的重心，计算重心到每一个FAST特征点的欧氏距离并求出其中的最大值，以重心为圆心，以欧氏距离最大值为半径画圆，以该圆的外接矩形作为跟踪结果边界框；以后一帧的跟踪结果边界框划定的范围作为对该帧的下一帧进行预判，将该范围作为下一帧的目标区域，返回步骤(3)，直到完成动态视频的所有前后两帧的匹配。

步骤(1.1)中利用FAST算子进行特征点检测，包括以下过程：

(1.1.1)从当前帧选取一像素点P作为待检测的点，以像素点P为圆心、半径等于3像素的离散化的Bresenhan圆上有16个像素点，从上方中间像素点开始顺时针对该16个像素点进行排序；

(1.1.2)将像素点P的灰度值I_P分别于第1个、第5个、第9个和第13个像素点的灰度值进行比较，如果第1个、第5个、第9个和第13个像素点中至少有3个像素点的灰度值都大于I_P+t，或者都小于I_P-t，则继续将P的像素值与Bresenhan圆上其他像素点的灰度值进行比较，否则将P点丢弃；如果包括第1个、第5个、第9个和第13个像素点在内，有z个连续的像素点的灰度值都大于I_P+t，或者都小于I_P-t，则P为一个FAST特征点；其中t为设定的阈值。

z设置为9。

n为256。

经验常数因子k取值0.04。

本发明基于其技术方案所具有的有益效果在于：本发明充分利用ORB算法具有旋转不变性，运算速度快，跟踪效果好的特点，同时对ORB算法进行了改进，其改进主要体现在(1)根据当前帧的跟踪结果预判下一帧的跟踪范围，然后在预判区域内进行特征点检测和特征点描述，从而可以减少计算量，提高跟踪速度，同时在小范围内提取特征并进行匹配，可以有效提高匹配的正确率，提高跟踪精度；(2)把当前帧的跟踪结果(包含特征点和描述子的信息)保存起来作为下一帧跟踪模板的图像，节省了下一帧跟踪时对模板图像进行特征点提取的耗时，从而缩短了跟踪时间；(3)提出了自适应的概念，其自适应性体现在跟踪结果的边界框bounding box的大小可以根据每一帧中特征点的个数及其分布自行调整。例如，当跟踪目标缩小时，特征点个数较少且分布较集中，边界框缩小，同时提高了抗干扰能力。自适应主要是首先对跟踪区域内的特征点进行统计，计算其重心，然后求重心到每一个特征点的欧式距离，并求出其最大值，以特征点的重心为圆心，最大距离为半径画圆，以该圆的外接矩形作为跟踪结果边界框。

附图说明

图1 FAST特征点检测原理示意图；

图2示出自适应原理图；

图3是本发明的流程图；

图4示出了本发明的方法与ORB算法的跟踪结果对比；

图4a-4c是ORB的跟踪结果；

图4d-4f是本发明的方法的跟踪结果；

图5是本发明与ORB算法跟踪时间对比；

图6示出了本发明的方法与传统的LK、MSIFT跟踪算法对T50战机的跟踪结果对比；

图6a-6c是LK光流的跟踪结果；

图6d-6f是MSIFT算法的跟踪结果；

图6g-6i是本发明的方法的跟踪结果；

图7示出了本发明的方法与传统的LK、MSIFT跟踪算法对T50战机的跟踪时间对比；

图8示出了本发明的方法与传统的LK、MSIFT跟踪算法对DJI S1000飞行器的跟踪结果对比；

图8a-8c是LK光流的跟踪结果；

图8d-8f是MSIFT算法的跟踪结果；

图8g-8i是本发明的方法的跟踪结果；

图9示出了本发明的方法与传统的LK、MSIFT跟踪算法对DJI S1000飞行器跟踪的时间对比；

图10示出了本发明的方法与传统的LK、MSIFT跟踪算法对滑雪运动者的跟踪结果对比；

图10a-10c是LK光流的跟踪结果；

图10d-10f是MSIFT算法的跟踪结果；

图10g-10i是本发明的方法的跟踪结果；

图11示出了本发明的方法与传统的LK、MSIFT跟踪算法对滑雪运动者的跟踪的时间对比。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明提供了一种自适应ORB目标跟踪方法，参照图3，包括以下步骤：

(1)对于动态视频的当前帧，框选目标区域，在目标区域内检测该帧的特征点并加上方向信息：

(1.1)利用FAST算子对当前帧进行特征点检测，得到当前帧的所有FAST特征点，参照图1，包括以下过程：

(1.1.1)从当前帧选取一像素点P作为待检测的点，以像素点P为圆心、半径等于3像素的离散化的Bresenhan圆上有16个像素点，从上方中间像素点开始顺时针对该16个像素点进行排序；

(1.1.2)将像素点P的灰度值I_P分别于第1个、第5个、第9个和第13个像素点的灰度值进行比较，如果第1个、第5个、第9个和第13个像素点中至少有3个像素点的灰度值都大于I_P+t，或者都小于I_P-t，则继续将P的像素值与Bresenhan圆上其他像素点的灰度值进行比较，否则将P点丢弃；如果包括第1个、第5个、第9个和第13个像素点在内，有z个连续的像素点的灰度值都大于I_P+t，或者都小于I_P-t，则P为一个FAST特征点；其中t为设定的阈值；

比较1、5、9、13像素点能够加快检测速度；

(1.2)在检测到的FAST特征点中，利用Harris角点检测算子挑选出Harris角点响应值最大的前N个FAST特征点，其中Harris角点相应函数为：

R＝detM-k(traceM)²

其中，M为矩阵：

$M(x,y)=\underset{x,y}{\&Sigma;}w(x,y)\left[\begin{array}{cc}{I}_x{(x,y)}^2& I_x(x,y)I_y(x,y)\\ I_x(x,y)I_y(x,y)& I_y{(x,y)}^2\end{array}\right]$

对矩阵M(x,y)对角化得到：

$M=\left[\begin{array}{cc}{\mathrm{\&lambda;}}_1& 0\\ 0& {\mathrm{\&lambda;}}_2\end{array}\right]$

I_x(x,y)和I_y(x,y)为坐标为(x,y)的像素点的灰度值I(x,y)的偏导数，w(x,y)为高斯窗口函数，detM＝λ₁λ₂，traceM＝λ₁+λ₂，k为经验常数因子；

(1.3)利用图像金字塔产生多尺度特征：

图像金字塔产生多尺度是现有技术，图像金字塔是一个图像集，集合中的所有图像都源于同一个原始图像，而且是通过对原始图像连续降采样得到。要从金字塔第i层生成第i+1层(用G_i+1表示第i+1层，原始图像为第0层，用G₀表示)，先用高斯核对第i层进行卷积，然后删除所有的偶数行和偶数列，这样得到第i+1层，新得到的图像大小会变为原来的四分之一。通过对G₀(原始图像)不停迭代，就可以得到整个金字塔，ORB算法中，迭代八次，即：得到8层金字塔；然后再在每一层图像上重复(1.1)、(1.2)步骤，从而构成多尺度特征；

(1.4)对N个FAST特征点分别加上方向信息，包括以下过程：

(1.4.1)对于一个FAST特征点，定义以该FAST特征点为中心的像素块的矩：

$m_{ij}=\underset{x,y}{\&Sigma;}{x}^i{y}^{j}I(x,y)$

其中，m_ij为像素块的矩，i和j分别是矩的阶数的系数；

(1.4.2)对于像素块，通过以下公式计算其亮度质心C：

$C=\left(\begin{array}{cc}\frac{m_{10}}{m_{00}},& \frac{m_{01}}{m_{00}}\end{array}\right)$

其中，m₀₀是像素块的0阶矩，m₀₁和m₁₀是像素块的1阶矩；

设像素块的中心点为O，则中心点O到亮度质心C构成向量则FAST特征点的方向为θ：

θ＝atan2(m₀₁,m₁₀)

atan2是正切函数的一个变种，对于任意不同时等于0的实参数x和y，atan2(x,y)所表达的意思是坐标原点为起点，指向(x,y)的射线在坐标平面上与x轴正方向之间的角度。当y>0时，射线与x轴正方向的所得的角的角度指的是x轴正方向绕逆时针方向到达射线旋转的角的角度；而当y<0时，射线与x轴正方向所得的角的角度指的是x轴正方向绕顺时针方向达到射线旋转的角的角度；

(2)对FAST特征点进行描述：

(2.1)对当前帧进行平滑处理，即进行高斯模糊；

(2.2)生成BRIEF描述子，包括以下过程：

(2.2.1)在D×D的图像块区域定义一个τ测试：

$\mathrm{\&tau;}(I;P1,P2)=\left\{\begin{array}{c}1:I\left(P1\right)<I\left(P2\right)\\ 0:I\left(P1\right)\&GreaterEqual;I\left(P2\right)\end{array}\right.$

其中，I(P1)表示点P1(u,v)处的灰度值，I(P2)表示点P2(p,q)处的灰度值，D为设置值；

(2.2.2)在D×D的图像块区域中随机选出n对点P1_i,P2_i进行τ测试，得到长度为n的二进制串，即BRIEF描述子：

P1_i,P2_i不是特征点，它们是在以FAST特征点为中心、S×S的区域中选出的，P1_i,P2_i构成一个点对，最终需要选出n个点对，实验证明，P1_i,P2_i按照它们到特征点的距离服从的高斯分布选取效果最好。

(2.3)对BRIEF描述子进行旋转，生成steered BRIEF描述子，包括以下过程：

(2.3.1)将随机选出的n对点P1_i,P2_i构建特征测试集，用2×n矩阵表示：

$S=\left(\begin{array}{c}P{1}_1,\mathrm{...},P{1}_n\\ P{2}_1,\mathrm{...},P{2}_n\end{array}\right)$

(2.3.2)利用FAST特征点的方向θ对矩阵S进行旋转，得到矩阵S_θ：

S_θ＝R_θS

其中R_θ为旋转矩阵：

$R_{\mathrm{\&theta;}}=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& cos\mathrm{\&theta;}\end{array}\right]$

(2.3.3)生成steered BRIEF描述子为：

g_n(I；θ):＝f_n(I)|(P1_i,P2_i)∈S_θ

(2.4)利用贪婪搜索法从特征测试集中筛选出满足要求的steered BRIEF描述子构成rBRIEF，包括以下过程：

(2.4.1)计算所有的steered BRIEF描述子与0.5的距离，并对其进行排序，利用排序后的steered BRIEF描述子构建向量T；

(2.4.2)进行贪婪搜索：创建一个结果向量R，将向量T中的第一个steered BRIEF描述子放入R中，并将其从T中提出，然后将T中的下一个steered BRIEF描述子取出来与R中的所有steered BRIEF描述子进行比较，计算T中取出的steered BRIEF描述子与R中的所有steered BRIEF描述子的相关性，如果相关性超过设定的阈值threshold，则将取出的steered BRIEF描述子丢弃，否则将取出的steered BRIEF描述子放入R中；

(2.4.3)重复步骤(2.4.2)直到R中有n个steered BRIEF描述子，或则T中所有的steered BRIEF描述子比较完毕；若R中有n个steered BRIEF描述子，则向量R中的steeredBRIEF描述子即为rBRIEF描述子，则进入步骤(3)，否则调高threshold，回到步骤(2.4.1)开始重构向量T并重新进行贪婪搜索；

(3)进入下一帧，以下一帧作为当前帧对其重复步骤(1)和步骤(2)的过程，得到该帧的FAST特征点及其rBRIEF描述子；

(4)进行特征点匹配，由于特征点的描述子是一串二进制字符串，所以可以通过计算rBRIEF描述子之间的汉明距离，如果汉明距离在设定的阈值范围内，则匹配成功，否则匹配失败：计算前后两帧的FAST特征点的描述子之间的汉明距离，如果汉明距离在设定的阈值范围内，则前后两帧的FAST特征点匹配成功，后一帧匹配成功的特征点所组成的区域为跟踪区域；否则匹配失败；

(5)参照图2，为自适应过程：对跟踪区域内的FAST特征点进行统计以计算跟踪区域的重心，计算重心到每一个FAST特征点的欧氏距离并求出其中的最大值，以重心为圆心，以欧氏距离最大值为半径画圆，以该圆的外接矩形作为跟踪结果边界框；以后一帧的跟踪结果边界框划定的范围作为对该帧的下一帧进行预判，将该范围作为下一帧的目标区域，返回步骤(3)，直到完成动态视频的所有前后两帧的匹配。

z设置为9。

n为256。

经验常数因子k取值0.04。

从图4对比中可以看出，本发明的跟踪准确率优于ORB算法的跟踪准确率；从图5的对比中，可以看出本发明的跟踪所用的时间低于ORB算法所用的时间，即本发明的跟踪速度高于ORB的跟踪速度；从图6、图8、图10中可以看出，对不同物体的跟踪，本发明的方法跟踪的准确率均由于传统的LK、MSIFT算法的跟踪准确率；从图7、图9、图11中可以看出，本发明跟踪所用的时间均低于传统的LK、MSIFT跟踪算法所用的时间，也即本发明的方法的跟踪速度高于传统的LK、MSIFT跟踪算法的速度。综上，无论是与传统的LK、MSIFT跟踪算法相比，还是跟ORB算法相比，本发明的跟踪准确率和跟踪速度均比较有优势，实现了又快又准的目的。

Claims (5)

1.一种自适应ORB目标跟踪方法，其特征在于包括以下步骤：

(1)对于动态视频的当前帧，框选目标区域，在目标区域内检测该帧的特征点并加上方向信息：

(1.1)利用FAST算子对当前帧进行特征点检测，得到当前帧的所有FAST特征点；

(1.2)在检测到的FAST特征点中，利用Harris角点检测算子挑选出Harris角点响应值最大的前N个FAST特征点，其中Harris角点相应函数为：

R＝detM-k(traceM)²

其中，M为矩阵：

$M(x,y)=\underset{x,y}{\&Sigma;}w(x,y)\left[\begin{array}{cc}{I}_x{(x,y)}^2& I_x(x,y)I_y(x,y)\\ I_x(x,y)I_y(x,y)& I_y{(x,y)}^2\end{array}\right]$

对矩阵M(x,y)对角化得到：

$M=\left[\begin{array}{cc}{\mathrm{\&lambda;}}_1& 0\\ 0& {\mathrm{\&lambda;}}_2\end{array}\right]$

I_x(x,y)和I_y(x,y)为坐标为(x,y)的像素点的灰度值I(x,y)的偏导数，w(x,y)为高斯窗口函数，detM＝λ₁λ₂，traceM＝λ₁+λ₂，k为经验常数因子；

(1.3)利用图像金字塔产生多尺度特征；

(1.4)对N个FAST特征点分别加上方向信息，包括以下过程：

(1.4.1)对于一个FAST特征点，定义以该FAST特征点为中心的像素块的矩：

$m_{ij}=\underset{x,y}{\&Sigma;}{x}^i{y}^{j}I(x,y)$

其中，m_ij为像素块的矩，i和j分别是矩的阶数的系数；

(1.4.2)对于像素块，通过以下公式计算其亮度质心C：

$C=\left(\begin{array}{cc}\frac{m_{10}}{m_{00}},& \frac{m_{01}}{m_{00}}\end{array}\right)$

其中，m₀₀是像素块的0阶矩，m₀₁和m₁₀是像素块的1阶矩；

设像素块的中心点为O，则中心点O到亮度质心C构成向量则FAST特征点的方向为θ：

θ＝atan2(m₀₁,m₁₀)

(2)对FAST特征点进行描述：

(2.1)对当前帧进行高斯模糊；

(2.2)生成BRIEF描述子，包括以下过程：

(2.2.1)在D×D的图像块区域定义一个τ测试：

$\mathrm{\&tau;}(I;P1,P2)=\left\{\begin{array}{c}1:I\left(P1\right)<I\left(P2\right)\\ 0:I\left(P1\right)\&GreaterEqual;I\left(P2\right)\end{array}\right.$

其中，I(P1)表示点P1(u,v)处的灰度值，I(P2)表示点P2(p,q)处的灰度值，D为设置值；

(2.2.2)在D×D的图像块区域中随机选出n对点P1_i,P2_i进行τ测试，得到长度为n的二进制串，即BRIEF描述子：

(2.3)对BRIEF描述子进行旋转，生成steered BRIEF描述子，包括以下过程：

(2.3.1)将随机选出的n对点P1_i,P2_i构建特征测试集，用2×n矩阵表示：

$S=\left(\begin{array}{c}P{1}_1,...,P{1}_n\\ P{2}_1,...,P{2}_n\end{array}\right)$

(2.3.2)利用FAST特征点的方向θ对矩阵S进行旋转，得到矩阵S_θ：

S_θ＝R_θS

其中R_θ为旋转矩阵：

$R_{\mathrm{\&theta;}}=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]$

(2.3.3)生成steered BRIEF描述子为：

g_n(I；θ):＝f_n(I)|(P1_i,P2_i)∈S_θ

(2.4)利用贪婪搜索法从特征测试集中筛选出满足要求的steered BRIEF描述子构成rBRIEF，包括以下过程：

(2.4.1)计算所有的steered BRIEF描述子与0.5的距离，并对其进行排序，利用排序后的steered BRIEF描述子构建向量T；

(2.4.2)进行贪婪搜索：创建一个结果向量R，将向量T中的第一个steered BRIEF描述子放入R中，并将其从T中提出，然后将T中的下一个steered BRIEF描述子取出来与R中的所有steered BRIEF描述子进行比较，计算T中取出的steered BRIEF描述子与R中的所有steered BRIEF描述子的相关性，如果相关性超过设定的阈值threshold，则将取出的steered BRIEF描述子丢弃，否则将取出的steered BRIEF描述子放入R中；

(2.4.3)重复步骤(2.4.2)直到R中有n个steered BRIEF描述子，或则T中所有的steered BRIEF描述子比较完毕；若R中有n个steered BRIEF描述子，则向量R中的steeredBRIEF描述子即为rBRIEF描述子，则进入步骤(3)，否则调高threshold，回到步骤(2.4.1)开始重构向量T并重新进行贪婪搜索；

(3)进入下一帧，以下一帧作为当前帧对其重复步骤(1)和步骤(2)的过程，得到该帧的FAST特征点及其rBRIEF描述子；

(4)计算前后两帧的FAST特征点的描述子之间的汉明距离，如果汉明距离在设定的阈值范围内，则前后两帧的FAST特征点匹配成功，后一帧匹配成功的特征点所组成的区域为跟踪区域；否则匹配失败；

(5)对跟踪区域内的FAST特征点进行统计以计算跟踪区域的重心，计算重心到每一个FAST特征点的欧氏距离并求出其中的最大值，以重心为圆心，以欧氏距离最大值为半径画圆，以该圆的外接矩形作为跟踪结果边界框；以后一帧的跟踪结果边界框划定的范围作为对该帧的下一帧进行预判，将该范围作为下一帧的目标区域，返回步骤(3)，直到完成动态视频的所有前后两帧的匹配。

2.根据权利要求1所述的自适应ORB目标跟踪方法，其特征在于：步骤(1.1)中利用FAST算子进行特征点检测，包括以下过程：

(1.1.1)从当前帧选取一像素点P作为待检测的点，以像素点P为圆心、半径等于3像素的离散化的Bresenhan圆上有16个像素点，从上方中间像素点开始顺时针对该16个像素点进行排序；

(1.1.2)将像素点P的灰度值I_P分别于第1个、第5个、第9个和第13个像素点的灰度值进行比较，如果第1个、第5个、第9个和第13个像素点中至少有3个像素点的灰度值都大于I_P+t，或者都小于I_P-t，则继续将P的像素值与Bresenhan圆上其他像素点的灰度值进行比较，否则将P点丢弃；如果包括第1个、第5个、第9个和第13个像素点在内，有z个连续的像素点的灰度值都大于I_P+t，或者都小于I_P-t，则P为一个FAST特征点；其中t为设定的阈值。

3.根据权利要求2所述的自适应ORB目标跟踪方法，其特征在于：z设置为9。

4.根据权利要求1所述的自适应ORB目标跟踪方法，其特征在于：n为256。

5.根据权利要求1所述的自适应ORB目标跟踪方法，其特征在于：经验常数因子k取值0.04。