[发明专利]基于仿射不变点及光流计算的目标自动识别和跟踪方法

权利要求书

1.一种基于仿射不变点及光流计算的目标自动识别和跟踪方法，该方法包括如下步骤：

第一步，目标识别：首先对目标图像和视频第一帧进行图像预处理，并提取仿射不变特征点，然后进行特征点匹配，并剔除掉误匹配的点，当特征点的匹配对达到一定数量，并且能生成仿射变换矩阵时，确认目标识别成功。若目标识别不成功，依次取视频的下一帧与目标图像进行匹配，直到目标识别成功；

第二步，目标跟踪：利用视频本帧采集到的仿射不变点，进行特征光流计算，找到下帧中不变点的位置，实现实时目标跟踪；如中间目标跟丢，立刻返回第一步，重新进行目标识别；

这种算法的思想是首先提取图像和视频帧中的仿射不变点进行匹配，从而将目标识别出来并确定目标在视频帧中的位置，然后利用这些特征点进行光流计算，实现目标实时跟踪。

2.根据权利要求1所述的基于仿射不变点及光流计算的目标自动识别和跟踪方法，其特征在于提取仿射不变特征点的步骤如下：

第一步，利用高斯卷积核对目标图像及视频帧进行平滑处理，采用如下公式

L(x，y，σ)＝G(x，y，σ)*f(x，y)

G(x,y,σ)=12πσ2e-(x2+y2)2σ2]]>

其中L(x，y，σ)为平滑处理后尺度空间为σ的图像，G(x，y，σ)是高斯函数，f(x，y)为原来图像；

第二步，建立图像尺度空间金字塔。先对原图像放大一倍，并将此图像作为高斯尺度空间金字塔第一阶的图像原型，以后每阶的图像原型都由前一阶的图像原型下采样得到，大小为前阶原型的。在高斯金字塔中每阶相邻两个高斯图像作差即得到高斯差分(DoG)金字塔。取金字塔第一阶第一层图像尺度坐标金子塔的总阶数为log₂(min(w，h))-2，其中w为原始图像宽度，h为原始图像高度；

第三步，将待检测的图像中每个像素点与同阶上、下层两幅图像相邻的2×9个像素点，以及自己周围的8个像素点进行比较，找寻极值点，确定为候选特征点；

第四步，去除一些低对比度的特征点和不稳定的边缘响应点。采用拟合三维二次函数来精确特征点的DoG函数值并去除低对比度的特征点。若DoG图像中像素点值归一化在[0，1]之间，可将所有的点判定为低对比度的侯选极值点而过滤掉。利用图像边缘处的特征点在高斯差分图像的峰值处与边缘交叉处有一较大的主曲率值，但在垂直方向曲率较小这个性质将边缘处的低对比度特征点过滤掉；

第五步，确定特征点方向。对于一幅图像f(x，y)，像素点(x，y)处梯度的模值和方向求取如下：

m(x,y)=(f(x+1,y)-f(x,y+1))2+(f(x,y+1)-f(x,y-1))2]]>

θ(x,y)=arctan(f(x,y+1)-f(x,y-1)f(x+1,y)-f(x-1,y))]]>

以特征点为中心的邻域窗口(邻域窗口大小＝3×1.5×特征点尺度)内采样，并用直方图统计邻域像素的梯度方向。在梯度方向直方图中，当存在另一个相当于主峰值80％能量的峰值时，则将这个方向认为是该特征点的辅方向；

第六步，生成特征点描述字。首先将坐标轴旋转为特征点的方向，接下来以特征点为中心取16×16的窗口，在每4×4的小块上计算8个方向的梯度方向直方图，得到每个梯度方向的累加值，形成一个种子点，这样对于一个特征点就可以产生128维的特征向量。再继续将特征向量的长度归一化；

这样得到的特征点算子是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性、在图像具有较复杂的变形的情况下，可以准确地匹配到大量的稳定点的图像局部特征描述算子。