论文部分内容阅读
运动目标跟踪是计算机视觉领域一个重要的研究方向。高性能计算机的普及,高质量、廉价摄像头的广泛使用,对智能视频分析日益增长的需求,许多性能优异的跟踪算法不断涌现。智能视频分析主要分为三个方面:运动目标检测、图像序列中的运动目标跟踪以及目标行为的认知分析。因而运动目标跟踪技术在各个领域都具有广泛的应用。运动物体有多种局部特征可以用来进行跟踪,常用的特征包括轮廓、边缘、兴趣点、纹理、形状、颜色等,其中,最易提取的局部特征就是点特征。本文选用角点作为跟踪对象,角点定义为窗口向任意方向移动都会引起灰度变化的特征点,具有旋转不变性,对光照变化不敏感的特性。但是由于角点检测需要对图像每一个像素点计算角点响应值,根据角点响应值的大小判定角点,在处理高分辨率图像时,检测时间会大幅度提升,算法的实时性很难满足要求。本论文基于图像区域内像素点之间的灰度差值进行特征点初筛选,提取备选角点。然后对备选角点进行后续处理,避免对图像每个像素点计算角点响应,缩短检测时间。引入尺度空间概念,即建立不同尺度下的图像序列,检测特征尺度上的Harris角点,特征尺度则是连续尺度空间上LoG(Laplacian-of-Gaussian)响应局部极大值对应的尺度,通过计算特征点的曲率,滤除角点附近存在的“伪角点”,提高角点检测对尺度变化的抗扰能力。本论文的跟踪算法选用的是光流法。光流场是三维运动场在二维图像上的速度投影,所以光流场又称为速度场。根据光流法可以估计特征点在下一帧图像的位置,但是对于运动物体短时间内移动过快的情况效果不佳。本文提出基于图像金字塔的改进算法。通过对原图像进行降采样,缩小图像尺寸,将大运动缩减为满足光流约束条件的小运动,从金字塔图像序列由上至下,逐层迭代求解光流,直至金字塔底层的原始图像,得到精确光流估计。提出基于光流误差EFB的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败。最后,通过对不同视频图像进行检测,实验结果证明基于改进的角点提取和图像金字塔的LK光流法具有良好的跟踪效果。引入光流误差EFB可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置。