基于多特征融合和改进SIFT的目标跟踪算法.pdf
《基于多特征融合和改进SIFT的目标跟踪算法.pdf》由会员分享,可在线阅读,更多相关《基于多特征融合和改进SIFT的目标跟踪算法.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 56 卷第 1 期郑 州 大 学 学 报(理 学 版)Vol.56 No.12024 年 1 月J.Zhengzhou Univ.(Nat.Sci.Ed.)Jan.2024收稿日期:2022-09-06基金项目:国家自然科学基金项目(61973307,61903256)。第一作者:李文举(1964),男,教授,主要从事计算机视觉、模式识别研究,E-mail:wjli 。通信作者:崔柳(1984),女,讲师,主要从事制导导航与控制、微传感器研究,E-mail:cuiliu8475 。基于多特征融合和改进 SIFT 的目标跟踪算法李文举,王子杰,崔柳(上海应用技术大学 计算机科学与信息工程学院
2、上海 201418)摘要:在进行跟踪任务时,当运动目标发生形变或旋转以及受到光照变化或背景干扰时,会发生偏移现象或丢失跟踪目标,从而导致跟踪精度降低。据此,提出基于多特征融合和改进 SIFT 的目标跟踪算法。在图像的高熵部分进行特征点的提取,并使用哈希算法将错误匹配的特征点剔除。同时对感知哈希和差异哈希进行改进,将改进后的图像哈希特征、颜色特征和 SIFT 特征进行融合并应用于跟踪算法。将算法在 OTB-100 数据集上进行实验,成功率达到了 94.3%。关键词:目标跟踪;图像哈希;信息熵;颜色矩;SIFT中图分类号:TP391文献标志码:A文章编号:1671-6841(2024)01-004
3、0-07DOI:10.13705/j.issn.1671-6841.2022268 Target Tracking Algorithm Based on Multiple Feature Fusion and Improved SIFTLI Wenju,WANG Zijie,CUI Liu(College of Computer Science and Information Engineering,Shanghai Institute of Technology,Shanghai 201418,China)Abstract:When the moving target was deforme
4、d,rotated and interfered by the illumination or back-ground during the tracking task,it could be shifted or lost,which would reduce the tracking accuracy.A target tracking algorithm based on multiple feature fusion and improved SIFT was proposed.The feature points were extracted in the high entropy
5、part of the image,and the mismatched feature points were elimi-nated by using the hash algorithm.At the same time,the perceptual hash and differential hash were im-proved,and the improved image hash features,color features and SIFT features were fused and applied to the tracking algorithm.The algori
6、thm was tested on OTB-100 dataset,and the success rate reacheed 94.3%.Key words:target tracking;image hash;information entropy;color moment;SIFT0引言目标跟踪在实际生活中有着广泛应用,例如自动驾驶1、视频监控2、道路安全识别3和行人跟踪4等。当跟踪目标发生形变以及受到光照变化或背景杂波等,都会使得跟踪目标视觉特性发生改变,从而导致跟踪精度降低。图像哈希特征5能够很好地描述图像主体特征,很多学者将其应用于目标跟踪领域。Yu 等将感知哈希算法与粒 子滤波相
7、融 合 并 应 用 于 目 标 跟踪6。陈优良等预测了目标可能出现的位置,减小了搜索范围从而提升了跟踪效率7。胡卓等提取目标全局和局部 特征进行融 合 并 应 用 于 跟 踪 算法8。Sengar 等使用了拉普拉斯算子对感知哈希算法进 行 改 进,增 强 了 跟 踪 目 标 的 边 缘 信 息9。第 1 期李文举,等:基于多特征融合和改进 SIFT 的目标跟踪算法Huang 等将感知哈希和相关滤波器相结合,减少了错误更新目标模板时引起的跟踪偏移,提升了跟踪的准确率10。SIFT 特征是图像的局部特征,通过对图像 SIFT特征点进行匹配能够很好地将两幅图像进行配准,因此很多学者将其应用到目标跟踪
8、领域。王智军等在 MeanShift 算法丢失目标的情况下使用 SIFT 进行目标重定位11。顾苏杭等简化了 SIFT 特征的提取和匹配,提高了目标跟踪的可靠性和稳定性12。李艳萍等计算图像 SIFT 特征点的光流信息,对光流信息进行 特 征 聚 类 从 而 实 现 目 标 的 准 确 跟 踪13。Mirunalini 等将卡尔曼滤波与 SIFT 特征相结合,提升了目标在被遮挡时的跟踪成功率14。文献7-8都将感知哈希特征应用于跟踪算法中。然而当目标外观改变较大时,目标的哈希特征也会发生改变。文献14利用目标的 SIFT 特征和卡尔曼滤波对目标进行跟踪,当目标外观发生变化较大时,SIFT 算法
9、的匹配可能会失败。基于上述不足之处,本文对 SIFT 算法的特征点提取和匹配以及感知哈希和差异哈希进行改进,将 SIFT 特征、图像哈希特征和颜色特征相融合,获取更丰富的目标特征并将其应用于跟踪算法。实验证明,算法在目标受到光照变化或背景杂波时能保持较高的准确率,有效解决了跟踪精度下降的问题。1改进的 SIFT 算法1.1改进的 SIFT 特征提取图像熵是一种图像特征的统计形式,它反映了图像中信息的含量。对于一幅大小为 MN 的灰度图像,图像中的任意点可以用信息熵来描述其领域内灰度值分布的混乱程度。对灰度图像中的每一个点都进行局部熵信息的计算,就能够得到灰度图像的局部熵,计算为H=-255i=
10、0pilg pi,(1)其中:H 表示灰度图像的局部熵;pi表示灰度值为 i的像素所占比例。图像 的 局 部 熵 越 大 则 表 示 信 息 量 越 大。文献15-16证明了只对高熵部分进行 SIFT 特征提取,能够获取大部分的特征点。这种改进能够缩小特征提取的区域,从而提升效率。1.2改进的 SIFT 特征匹配在对两幅图像进行配准时,特征点匹配会直接影响图像配准的结果。特征点匹配常用的方法是最近邻距离比值法,然而这种方法需要手动设定阈值,当阈值过大会产生错误匹配对;当阈值过小会丢失正确的匹配对。因此需要对 SIFT 特征点的匹配进行改进。在使用最近邻距离比值法进行特征点匹配后,对于正确匹配的
11、特征点,其附近的像素信息非常相似。因此,可以使用均值哈希来剔除错误匹配的特征点。改进的 SIFT 匹配方法具体步骤如下。1)对两幅图像进行熵分割,并分别对两幅图像的高熵部分进行 SIFT 特征点提取;2)对两幅图像的 SIFT 特征点使用最近邻比值法进行粗略匹配;3)对于粗略匹配的特征点,使用均值哈希得到哈希序列,当汉明距离小于 5 时,则判定为正确匹配;否则将其剔除。4)对剔除错误匹配之后的图像使用 RANSAC 算法获得最终的匹配结果。2多特征融合2.1改进的图像哈希2.1.1改进的感知哈希感知哈希能够获取图像的主体信息,使用感知哈希算法能够得到图像的哈希序列。通过对两幅图像的哈希序列进行
12、比较得到汉明距离。在获得两幅图像之间的汉明距离后,可通过式(2)对两幅图像之间的相似程度进行量化表示,SHash=1-D64,(2)其中:SHash表示两幅图像之间的相似度;D 表示两幅图像之间的汉明距离。然而感知哈希在目标与背景高度相似或光照强度过低的情况下不能很好地提取图像的主体信息。针对感知哈希在上述情况中的不足,本文使用大津阈值对图像进行分割,处理后的图像目标与背景得到了很好的分离。分割前、后的效果对比如图 1 所示。图 1阈值分割前、后对比图Figure 1Comparison before and after threshold segmentation14郑 州 大 学 学 报(
13、理 学 版)第 56 卷2.1.2改进的差异哈希差异哈希算法是一种侧重于图像局部差异的图像哈希算法。其主要过程是将图像进行灰度化后,比较每行像素之间的差异以获取哈希序列的算法。差异哈希算法只关注了局部差异信息,而忽视了局部信息和整体信息之间的联系。本文针对差异哈希算法的不足之处进行了改进。具体改进步骤如下。1)将图像像素压缩成 nn。2)将缩放后的图像进行灰度化处理。3)计 算 灰 度 变 换 后 图 像 像 素 的 整 体 均 值(avg)、各行像素均值(r_avgi)以及各列像素均值(c_avgi)。4)将图像中的像素点按从左到右、从上到下的顺序依次排列并编号,pi表示图像的第 i 个像素
14、点。对每个像素而言,按式(3)的规则进行处理得到相应的哈希码 hi。最终可以得到长度为 n2的哈希序列,记为 Hlocal,hi=1,如 pi pi+1,i 1,n2-1,0,如 pi pi+1,i 1,n2-1,1,如 p1 pi,i=n2,0,如 p1 pi,i=n2。(3)5)将图像的 r_avgi以及 c_avgi依次进行比较,按式(4)和式(5)处理得到相应的行哈希码 ri和列哈希码 ci,最终分别生成 n 位的行哈希序列 Hr和列哈希序列 Hc;ri=1,如 r_avgi r_avgi+1,i 1,n-1,0,如 r_avgi r_avgi+1,i 1,n-1,1,如 r_avg1
15、 r_avgi,i=n,0,如 r_avg1 r_avgi,i=n,(4)ci=1,如 c_avgi c_avgi+1,i 1,n-1,0,如 c_avgi c_avgi+1,i 1,n-1,1,如 c_avg1 c_avgi,i=n,0,如 c_avg1 c_avgi,i=n。(5)6)将图像的 r_avgi以及 c_avgi依次与整体像素均值 avg 进行比较。按式(6)和式(7)的规则进行处理得到相应的行哈希码 ri和列哈希码 ci,最终分别生成 n 位的行哈希序列 Hr和列哈希序列 Hc,ri=1,如 r_avgi avg,i 1,n,0,如 r_avgi avg,i 1,n,(6)c
16、i=1,如 c_avgi avg,i 1,n,0,如 c_avgi avg,i 1,n。(7)7)将上述步骤得到的 Hlocal、Hr、Hc、Hr、Hc进行合并生成最终长度为 n2+4n 的差异哈希序列,如式(8),Hcc=Hlocal,Hr,Hc,Hr,Hc。(8)2.2颜色特征颜色是彩色图像的重要特征之一。本文使用颜色矩来描述图像的颜色特征,这种描述方法不仅简单且十分高效。图像的颜色矩包括一阶矩、二阶矩和三阶矩。图像的一阶颜色能够反映图像整体明暗程度,计算为i=1NNj=1Pi,j,(9)其中:N 表示整幅图像中的像素个数;Pi,j表示图像第 j 个像素的第 i 个颜色分量;i表示第 i
17、个颜色分量的一阶颜色矩。图像的二阶颜色矩能够反映图像色彩的分布范围,计算为i=(1NNj=1(Pi,j-i)2)12,(10)其中:i表示第 i 个颜色分量的二阶颜色矩。图像的三阶颜色矩能够反映图像色彩的对称性,计算为si=(1NNj=1(Pi,j-i)3)13,(11)其中:si表示第 i 个颜色分量的三阶颜色矩。通过对图像的 RGB 分量分别计算颜色矩,得到一个 9 维的图像颜色特征:Fcolor=(r,g,b,r,g,b,sr,sg,sb),两幅图像之间的颜色相似度计算为Scolor=ni=1F1iF2ini=1(F1i)2ni=1(F2i)2,(12)其中:F1i、F2i分别表示两幅图
18、像的颜色特征向量中的第 i 个分量;n 表示特征向量的维度;Scolor表示两幅图像之间的颜色相似度。2.3特征融合图像哈希特征提取时需要将图像转为灰度图像,灰度图像丢失了图像的色彩信息。因此,本文将颜色矩作为图像的颜色特征融入跟踪算法中。SIFT特征能够描述图像的关键点信息,本文对于 SIFT 特征的量化方式为Ssift=N1N2,(13)24第 1 期李文举,等:基于多特征融合和改进 SIFT 的目标跟踪算法其中:Ssift表示图像区域内成功匹配的 SIFT 特征点的占比;N1表示搜索窗口内与目标成功匹配的特征点的数量;N2表示整幅图像与目标成功匹配的特征点的数量。两幅图像之间相似度计算为
19、S=w1(w2SpHash+w3SdHash)+w4Ssift+w5Scolor,(14)式中:w1、w2、w3、w4、w5别表示各特征的权重,本文取值分别为 0.5、0.5、0.5、0.25、0.25;SpHash、SdHash、Scolor分别表示图像间的感知哈希相似度、差异哈希相似度和颜色矩相似度。3算法实现跟踪目标时,当跟踪目标受到光照变化或相似背景干扰时,会出现跟踪准确率下降。针对此问题,本文提出了基于特征融合和改进 SIFT 的目标跟踪算法。该算法将改进的图像哈希特征、颜色特征和SIFT 特征进行融合处理以找出跟踪目标所在位置。具体实现步骤如下。1)在视频的初始帧选择需要跟踪的目标
20、作为目标模板,计算目标模板的图像哈希特征和颜色特征,并在目标模板的高熵部分提取目标的 SIFT 特征点。2)进入下一帧,对上一帧目标附近区域图像高熵部分进行特征点的提取,并和目标模板的特征点进行匹配。3)使用搜索框在上一帧目标附近区域内进行遍历搜索,统 计搜索框内 的 特 征 点 占 比,并 根 据式(14)获得其与目标模板之间的相似度。4)选取与目标模板相似度最高的搜索框作为最终目标框,若相似度高于阈值,则更新目标模板,重新提取目标模板的图像哈希特征和颜色特征并在目标模板的高熵部分提取 SIFT 特征点;否则直接进入下一帧。5)重复步骤 2)4),直至结束。4实验分析本文的实验在 CPU 为
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 特征 融合 改进 SIFT 目标 跟踪 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。