[发明专利]动态环境下基于多特征聚类匹配的目标跟踪方法

说明书

技术领域

本发明涉及跟踪方法，更确切地说涉及一种动态环境下基于多特征聚类匹配的目标跟踪方法。

背景技术

动态环境的移动目标检测与跟踪是当前机器视觉的一个非常活跃的领域，也是重要的分支研究方向，是动态图像分析的重要因素。移动目标的视频图像序列比静态图像更多的有用信息，运动目标的检测与提取是将视频图像序列分割出目标对象也是该领域的难点之一[1]，图像分割(也即为目标分割提取)其实就是一个划分问题，按照特定的划分准则将图像中的像素点进行过滤与划分，划分的结果通常是或者区分背景与提取物、或者是突出提取物、或者是消除噪声，通过划分将图像归到具有实际意义的区域，我们便可以提取出我们感兴趣的目标。并在时间轴上对感兴趣目标对象完成跟踪。在非固定视觉的目标跟踪，是在运动目标检测的基础上，目标的检测与跟踪由同一个摄像头完成，不断检测目标特征，使用适当的匹配算法，在序列图像中寻找与目标模板最相似的图像的位置，为下一步的目标行为分析与理解提供了可靠的数据来源。跟踪机器人的应用空间非常广阔，行李运输是其中的应用发展领域，飞行机器人的跟踪任务等，对运动目标检测与跟踪有关算法的研究具有重大的理论价值和意义。

经典的的特征点算法有SIFT[2],KLT[3],Harris[4]以及Moravec特征[5]，这些方法在目标，背景差别大，噪声低的情况下分割效果不错，但是对于背景复杂和纹理特征较为丰富的目标跟踪效果较差，在实际场景应用中，受光源、噪声和目标遮挡的影响，无法满足计算方程的约束条件。Harris是角度检测算法，通过计算图像上的角度特征，计算出X,Y(垂直和水平)的一阶导数用来表示各个方向的灰度差值。基于SIFT特征的跟踪算法[6]，是对稳健的特征积累完成模型更新，将跟踪的过程分成匹配和更新两部分。将KTL和SIFT特征结合的匹配算法[7]可提高跟踪过程中的匹配精度。利用SIFT特征与Mean-Shift结合[8]，由SIFT特征点提供的特征位置信息校正Mean-Shift向量。在匹配特征点与相对位置之间的变化对跟踪结果的影响较大，而且背景区域的特征点对跟踪结果也会产生干扰，很容易受背景中与目标相似的物体的干扰导致目标识别和跟踪失败。

发明内容

本发明要解决的技术问题是，提供一种动态环境下基于多特征聚类匹配的目标跟踪方法，该跟踪方法在动态环境下采用结合三帧差分法和背景差分法为自适应目标检测方法，为跟踪系统设计一个独立的前景检测模块，能够最大限度的提取出目标，也能对噪声的抵抗性较强，并结合特征聚类方法并进行消除错误匹配的特征点完成匹配跟踪。

本发明的技术解决方案是，提供一种具有以下步骤的动态环境下基于多特征聚类匹配的目标跟踪方法，

步骤一：采集初始视频帧信息；

步骤二：高斯低通滤波处理视频序列图像；

步骤三：三帧/背景差分法检测模块检测前景和背景特征；

步骤四：用迭代法求出中心点偏移量及上下限；

步骤五：确定下一帧图像的识别上下界；

步骤六：聚类目标中心点距离近的特征点，选取最大的类；

步骤七：更新中心点与上下界；

步骤八：判定离群点，删除错误匹配点；

步骤九：筛选匹配特征关键点，精确更新匹配库；

步骤十：提取下一帧目标特征，匹配特征点得出目标位置。

采用以上结构后，本发明的横移手臂装配机构，与现有技术相比，具有以下优点：

本发明专利解决目标跟踪中特征匹配时出现的多个特征描述和背景干扰的主要问题，采用三帧差分法和背景差分法设计出一个高效的混合模型运动前景检测模块，结合特征点聚类的方法，消除有歧义的特征描述防止错误匹配，进行二次筛选特征匹配点能够提高复杂环境下的跟踪准确率。在背景干扰下实现颜色特征离散情况下的目标检测，增强检测器对相似目标的辨别能力。

作为改进，步骤三中“三帧/背景差分法检测模块检测前景和背景特征”的具体方法如下，首先对输入的视频帧图像中连续三帧中其中的相邻两帧相减得出两幅差分图像；然后再选取一个阈值二值化得出的差分图像，两幅二值化的差分图像进行逻辑“乘法”操作以获得前景轮廓；前景检测公式为：

|f(m，n，p)-f(m，n，p-1)|＞T

且|f(m，n，p+1)-f(m，n，p)|＞T

采用背景差分法，背景模型的建立与更新，背景图像更新公式为：

B(m，n，p)＝(1-α)B(m，n，p-1)+αf(m，n，p)

再利用背景减法检测目标像素信息填充轮廓内区域，得到准确的检测结果Z；