[发明专利]一种局部特征与词袋模型相结合的刚体目标跟踪方法

权利要求书

1.一种局部特征与词袋模型相结合的刚体目标跟踪方法，其特征在于，包括以下步骤：

1)在初始图像中选定感兴趣的目标区域，并在目标区域检测SURF特征；

2)为SURF特征构建分类器，其中每个强分类器对应一个SURF特征，每个强分类器包括若干弱分类器；

3)将词袋模型与局部特征结合，对每个SURF特征点用视觉单词来表达，形成2维尺度旋转不变空间；

4)在当前图像到来时，基于SURF特征实现分类器的自适应匹配，并使用2维尺度旋转不变空间内的视觉单词进行协同匹配，形成匹配点对；

5)根据得到的匹配点对计算得出运动参数，从而确定当前图像的目标区域，实现目标跟踪。

2.如权利要求1所述的方法，其特征在于，还包括在线更新步骤：在对目标区域完成定位后，对目标模型进行自适应更新，以便于后续帧的处理。

3.如权利要求1或2所述的方法，其特征在于：步骤1)检测SURF特征时，利用积分图像计算Hessian矩阵行列式，再通过选取极值来定位SURF特征点，并通过调整方格滤波器的尺寸来建立尺度空间；SURF特征的旋转不变性通过求取主方向实现。

4.如权利要求1或2所述的方法，其特征在于，步骤2)中，每个强分类器C对应一个SURF特征，特征匹配用分类器在每一个新的SURF检测点x的匹配分数C(x)来比较，值越大，表示当前检测点作为对应点的可能性越大；C(x)的计算公式为：

$C\left(x\right)=\underset{j=1}{\overset{J}{\Σ}}{\mathrm{\α}}_j\·h_j^{sel}\left(x\right)/\underset{j=1}{\overset{J}{\Σ}}{\mathrm{\α}}_j$

其中，J表示弱分类器的个数；α_j表示每个弱分类器所占的权重；表示对样本点x属性的判断，与该SURF特征尺度和旋转不变邻域内的1个Haar特征对应；由弱分类器构成的强分类器，同时具备尺度和旋转的不变性。

5.如权利要求1或2所述的方法，其特征在于，步骤3)建立基于SURF特征的2维尺度旋转不变空间的方法是：以每个SURF特征点为中心，在初始图像中提取图像块邻域，并按照不同层对其实现基于尺度空间的表达，各个层上的图像块具有相同尺寸，相同层上的图像块具有旋转变化；每个图像块对应一个视觉单词，所有视觉单词组成2维尺度旋转不变空间。

6.如权利要求1或2所述的方法，其特征在于，步骤4)使用分类器与视觉单词进行协同匹配的方法是：假设目标模型中所有SURF特征点集合为B＝{b₁,b₂,...,b_M}，对应的分类器集合为{C₁,C₂,...,C_M}，对当前帧提取的SURF特征集合为Υ＝{γ₁,γ₂,...,γ_Q}；首先利用分类器C_m找到特征b_m的候选对应点ψ_m，其中1≤m≤M，之后按照匹配可靠性将候选对应点集进行排序Ψ＝{ψ₁,ψ₂,...,ψ_M}，从中挑选出能够适应当前目标变化的子集。