[发明专利]一种基于块匹配的目标跟踪算法

摘要

本发明涉及一种基于块匹配的鲁棒性极强的目标跟踪算法，该算法在追踪目标物体的同时还可以提供目标物体各个部分的详细运动信息。该算法将由摄像头获取的视频图像以及目标物体的模板图像分割为像素块。然后计算输入图像以及特定物体的模版图像的各个像素块之间的颜色差异值并建立一个效益矩阵。然后该算法建立对全局颜色差异值和形状结构差异值同时最优化的目的函数。最后用遗传算法计算能得到最优解的匹配结果，从而得到目标物体的各个部分在视频图像中的位置。由于在最优化时加入了形状结构差异约束，使该算法与传统算法相比具有更强的鲁棒性。此外由该算法得到的各个部分的详细运动信息对进一步的运动分析非常有效。

主权项

1.一种基于块匹配的目标跟踪算法，其特征是将输入视频图像和模板图像分割为像素块，然后计算视频图像的各个像素块和模板图像的各个像素块之间的色彩差异值，并建立一个效益矩阵并进行扩展，然后建立对全局色彩差异值和形状结构差异值同时最优化的目的函数，最后用包括金字塔法，优化初始值和稀疏效益矩阵法三种优化法的遗传算法计算得到最优解的匹配结果，从而得到目标物体的各个部分在视频图像中的位置；建立一个效益矩阵并进行扩展采用以下步骤完成：计算视频图像的各个像素块和模板图像的各个像素块之间的色彩差异值，并建立一个尺寸为M×N的原始效益矩阵，其中M是模板图像的像素块个数，N是视频图像的像素块个数；建立一个尺寸为M×(KN+M)的扩展效益矩阵，K是缩小系数；M×(KN+M)的效益矩阵中包括K个尺寸为M×N的原始效益矩阵和一个尺寸为M×M的阈值矩阵；将由移动摄像头获得的视频图像和目标物体的模板图像按如下方法分割为像素块：假设像素块的尺寸为n×n，单位：像素，由移动摄像头获得的视频图像的尺寸为h×w，单位：像素，则由视频图像得到像素块的个数为N＝w/n×h/n；所述建立对全局色彩差异值和形状结构差异值同时最优化的目的函数是通过以下步骤实现的：加入了形状结构差异约束的最优化目的函数，该目的函数可以表示为：E＝w*C+S，其中E为最优化的目的函数，C为前述的色彩差异值最小化的目的函数，S为物体的形状结构差异最优化的目的函数；当模板图像的像素块Q_i和Q_j，分别与视频图像的像素块P_i和P_j相匹配时，Q_i和Q_j的相对位置以及P_i和P_j的相对位置可以用向量和来表示，而相对位置的变化可以用范数来计算：而模板图像的所有像素块的相对位置变化的计算方法为：所述用包括金字塔法，优化初始值和稀疏效益矩阵法三种优化法的遗传算法计算得到最优解的匹配结果采用以下步骤实现：遗传算法在生成初始群体的时候，先求出全局色彩差异最小的匹配结果，然后使用该匹配结果生成初始个体；在执行遗传算法时先生成原始效益矩阵的稀疏矩阵，然后对稀疏矩阵执行遗传算法求解；在使用遗传算法实行块匹配的时候采用金字塔法，即先用大尺寸的块进行匹配，得到匹配结果之后，对匹配结果使用小尺寸的块进行进一步的匹配以得到更加精确的匹配结果。