[发明专利]一种基于ORB特征点匹配的目标跟踪方法

权利要求书

1.一种基于ORB特征点匹配的目标跟踪方法，其特征在于，该方法包含以下步骤： 

对输入的原始图像帧首先提取ORB特征点集； 

在描述子空间内与上一帧时刻的目标物体的ORB特征点集相匹配产生当前帧的特征集； 

根据上一帧目标所在的位置运用随机抽样一致和多重变换模型相结合的方法计算出跟踪目标的运动变换； 

最后通过不断加入新的特征点和裁剪离群值来更新产生最终当前帧时刻合适的目标特征集。 

2.根据权利要求1所述的基于ORB特征点匹配的目标跟踪方法，其特征在于：所述的ORB特征点描述子由一个二进制字符串表示，字符串的每一位由特征点附近随机选取两个大小为S×S的图像块组成一对相互比较大小产生，这里取n＝256位长度的二进制字符串，将一个大小为S×S的图像块P用二进制字符串定义，定义如公式(1)所示： 

其中，p(x)和p(y)分别是P在像素点x和y的灰度值；通过选取一组特定的<x,y>点对作为集合，这样便产生了一个n位的字符串作为BRIEF描述子，定义如公式(2)： 

。

3.根据权利要求1所述的基于ORB特征点匹配的目标跟踪方法，其特征在于：所述的给定两个长度为n位的ORB特征点描述子D_i和D_j，两者之间的相似性ρ(D_i,D_j)由计算机非常高效的海明距来表示，其相似性度量定义如下： 

其中，D_i(k)和D_j(k)分别为ORB特征点描述子D_i和D_j的第k位，而函数δ[x]的 值当x为0时等于1，否则等于0； 

当新的ORB特征点集S_t在当前帧t被提取出来后，我们尝试找出它的子集属于S_t并且它的每一个元素都与上一帧t-1的目标物体的特征点集匹配度高； 

设定根据上一帧t-1的目标物体的特征点集并在整个描述子空间内运用最邻近搜索算法找出最优匹配定义如下： 

。

4.根据权利要求1所述的基于ORB特征点匹配的目标跟踪方法，其特征在于：所述的评价一个根据模型M∈{M_t,M_s,M_a,M_p}估计得候选变换T对于描述目标物体的运动是否合适，用跟前一帧目标物体位置的比较规定了一种距离度量和一种条件概率，评价一个模型M的公式定义如下： 

其中，N_c(M)表示一致的特征点的个数，Pr(M)表示候选模型的概率，而Cp(M)则表示模型M的复杂度。这三个影响因子的具体情况将在下面描述；给定一个特定的模型M和从特征点集合随机选取的最少满足要求的数目 个的匹配特征点，然后特征点集合的所有数据都被用于测试，那些能够很好地适用于变换模型M的形成了一个一致的点集C(M)，而点集C(M)的大小即N_c(M)；这里我设置模型M的复杂度Cp(M)为根据上一帧目标物体的位置定义了一个距离度量，定义如公式(6)： 

其中，γ(u):[0,1]→R²为上一帧t-1目标物体的标准化边界，而M(γ(u))是在模型M下的目标物体边界；如果被跟踪的目标物体的边界是离散的，那么其边界可以用多边形表示，距离度量为： 

定义某个特定运动变换模型M的概率Pr(M)如公式(8)： 

其中，λ是表示衰减率的恒定参数。 

5.根据权利要求1所述的基于ORB特征点匹配的目标跟踪方法，其特征在于：所述的ORB特征点集通过动态地加入新的特征点和裁剪离群值的方法反复迭代更新，特征点匹配和变换模型估计之后，目标物体的特征点集里的第i个特征点的第t帧师的能量值得到更新，定义如公式(9)： 

公式(9)表示一个特征点如果用估计的变换模型能与上一帧t-1的目标物体特征点集中的一点相匹配，那么说明这个特征点是一致的，而它的能量值被赋值为上一帧t-1该点能量值加上一个增量α；同理相反的情况，如果不能被估计的变换模型相匹配，那么说明这个特征点是离群的、异常的，它的能量值将被赋予一个减量β，而未匹配的点，其能量值保持不变。