[发明专利]基于电视图像运动目标的自动跟踪方法

权利要求书

1.一种基于电视图像运动目标的自动跟踪方法，其特征在于，包括以下步骤：

步骤1：利用多子模板对图像进行匹配，当各子模板的最高峰基本一致时，则最高峰所对应的位置与初始时各子模板的位置匹配；

步骤2：根据模板和当前图像的最佳匹配位置处的匹配度更新制定新模板；

步骤3：利用Kalman滤波器预测运动目标的下一帧出现区域，在预测区域中进行匹配运算，找到最佳相关匹配点。

2.如权利要求1所述的基于电视图像运动目标的自动跟踪方法，其特征在于，所述步骤2进一步包括：

步骤21：在跟踪过程的第1帧，用模板进行匹配，获得一个最佳匹配位置，且多个子模板均匹配在正确位置，分别计算各子模板的最佳相关值，此时，各子模板紧紧相邻；

步骤22：根据各子模板位置的相邻情况更新模板，只对相邻的子模板进行处理，根据置信度对旧模板和新模板进行加权，获得更新后的模板，加权方法如下：M⁺=αM^-+(1-α)Mⁿ，其中，α为加权系数0≤α≤1，M⁺为更新后的模板，M^-为刷新前使用的旧模板，而Mⁿ为当前帧图像中匹配点处对应模板的子图像；

步骤23：利用更新后的新模板进行下一帧图像的匹配，获得新的当前最佳匹配位置，然后重复步骤22，循环匹配修正模板。

3.如权利要求1所述的基于电视图像运动目标的自动跟踪方法，其特征在于，所述Kalman滤波器具体为：

设线性系统的状态方程和观测方程分别为：状态方程：x_k=Ax_k-1+ω_k-1，观测方程：z_k=H_kx_k+υ_k，其中，x_k是k时刻n×1维系统状态向量；z_k是k时刻m×1维观测向量；A是n×n维系统状态转移矩阵；H_k是m×n维系统观测矩阵；ω_k是k时刻n×1维随机干扰噪声向量；υ_k是k时刻m×1维系统观测噪声向量，ω_k，υ_k通常假设为互相独立的零均值高斯白噪声向量，令Q_k和R_k分别为它们协方差矩阵：

Q_k=E{ω_kω_k^T}

R_k=E{υ_kυ_k^T}

由于系统已确定，则A和H_k已知，且ω_k-1和υ_k满足一定假设，也已知，设P_k是x_k的协方差矩阵，P_k′是x_k和的误差协方差矩阵，Kalman滤波器把每个时刻点k的系统状态的后验估计值的误差协方差减到最小， Kalman滤波器方程如下：

状态预测方程：

误差协方差预测方程：P_k′=AP_k-1A^TQ

Kalman增益系数方程：K_k=P_k′H_k^T(H_kP_k′H_k^T+R)^-1

状态修正方程：x^k=x^k′+Kk(zk-Hkx^k′)]]>

协方差修正方程：P_k=(I-K_kH_k)P_k′。

4.如权利要求3所述的基于电视图像运动目标的自动跟踪方法，其特征在于，所述步骤3进一步包括：

步骤31：初始化，在第一次使用Kalman滤波器时要对滤波器进行初始化，将x₀赋初值为目标的初始位置和速度，在速度未知的情况下，可以设为0，并记录当前图像时刻，同时设初始误差协方差P₀=0；

步骤32：预测，在新输入的每帧图像中进行匹配搜索之前，记录与上一帧图像的时间间隔Δt，代入式中，预测当前目标的运动状态，将预测的误差记为Δp_k=ω_k-s_k，用于下一帧中搜索区域的计算，代入误差协方差预测方程，预测新的误差协方差；

步骤33：匹配，设定以中的(xs_k,ys_k)为中心的区域为搜索区域，在该区域内寻找最佳匹配位置，找到最适合的运动目标，将目标区域图像复制给T_k+1；而目标区域左上角第一个像素坐标即为二维观测向量(xω_k,yω_k)，代入状态修正方程得到(xs_k+1,ys_k+1)，同时计算目标的测量速度υ_k+1=(s_k+1-s_k)/Δt；

步骤34：修正，求出Kalman滤波器增益系数，将z_k=(xω_k,yω_k)^T代入状态修正方程中，得到由当前实际观测修正后的状态向量，同时修正误差协方差矩阵。