基于SURF算法的目标跟踪应用技术研究.pdf
《基于SURF算法的目标跟踪应用技术研究.pdf》由会员分享,可在线阅读,更多相关《基于SURF算法的目标跟踪应用技术研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、180512收稿日期:2 0 2 32024年2 月Feb.2024信息化研究InformatizationResearchVol.50No.第50 卷第1期基于SURF算法的目标跟踪应用技术研究王禹程,王玉柱,杨鲤源1(1.南京电子工程研究所,南京,2 10 0 2 3;2.北京市国家保密局,北京,10 0 0 31)摘要:智慧城市是当前的一个热点话题,它的实现离不开视频监控的智能化,视频的图像目标匹配是智能视频监控中的重要内容。基于加速鲁棒性特征(SURF)局部特征的算法具有很好的稳定性,本文重点研究基于SURF算法的目标跟踪算法。在标清监控视频中,由于目标尺寸较小,使用SURF特征难以提
2、取到足够的特征点,导致目标跟踪无法实现。本文通过对SURF算法进行改进以增加获取的SURF特征数,且改进的SURF算法在不同光线、旋转、尺度、视角变化条件下都能提取到比SURF算法更多的特征点,从而实现较好的跟踪效果。关键词:SURF算法;特征提取;目标跟踪中图分类号:TP3910引言智能视频目标跟踪技术就是在无人工干预的情况下,利用计算机视觉技术自动对视频图像序列进行分析,实现对目标的检测、识别和跟踪。智能视频目标跟踪技术在民用领域甚至军用领域都有重要的应用价值 1-3根据匹配方法的不同,可以将目标跟踪技术分为:基于区域匹配的跟踪,基于特性匹配的跟踪和基于特征匹配的跟踪。基于特征匹配的跟踪技
3、术通常需要两步:从图像中提取特征点。在帧间进行特征点的匹配,并且根据匹配结果完成目标定位。特征点包括全局特征点和局部特征点。全局特征是指直方图和各阶矩等。全局特征通常具有良好的抗噪性,但对不同环境的适应性较差。局部特征是指图像中稳定显著的特征,一般是人眼可见的比较醒目的物理特征,如边缘特征、角点或者尺度不变特征等。局部特征对光照、旋转等的适应性比较好,所以鲁棒性比较好。使用局部特征进行目标跟踪即使当目标发生较大遮挡时也可以依靠未遮挡的部分特征完成目标定位。这种方法的优点是跟踪准确性比较高;缺点是计算量大。局部特征的研究开始于197 7 年,Harris等人在1988年提出了Harris角点提取
4、算法 4。Harris角点具备良好的旋转不变性。Linderberg在1998 年提出了尺度空间理论,奠定了局部不变特征的理论基础,从而解决了不同尺度下的目标缩放的匹配问题。在此之后,各种尺度不变特征相继被提出。Lowe5在1999年提出了尺度不变特征转换(ScaleInvariant Feature Transform,SIFT)特征,通过对原始图像数据降采样构建尺度金字塔,使用高斯差分核求取拉普拉斯极值点,完成SIFT特征点的提取。SIFT特征的不变性和适应性都很好,但计算的时间复杂度高。Bay等人 6 根据Lowe的SIFT特征于2 0 0 6 年提出了加速鲁棒性(Speeded-UpR
5、o-bust Features,SURF)特征,使用离散化和大小变化的DoH来获取特征点,用Harr小波模板来描述特征点,并且使用了积分图像来加速计算过程。SIFT和SURF特征点检测算法比角点检测算法具有更好的旋转不变性、尺度不变性和仿射不变性 7 在局部特征提取算法中,SURF算法因稳定性和实时性好,是现在研究比较热门的一种算法。本文力图解决标清监控视频下的目标跟踪问题,在标清视频下,每顿图像大小为7 2 0 48 0 像素。每顿图像中的目标尺寸更小。在此种情况下,SURF算法检测特征点数通常只有几个,无法开展目标匹配跟踪。本文通过改进SURF算法,提升特征点检测数量和匹配效果,实现小尺度
6、图像下的目标跟踪。19研究与设计寓程。SURF算法的目标跟踪应用技术研究一期第50 卷第1SURF特征改进1.1SURF算法的不足SURF算法使用图像的灰度图获取特征点,对于分辨率较小的图像,得到的特征点数量非常少。通过对SURF算法研究可以发现,随着滤波模板尺度不断增大,提取到的特征点数量急剧下降。由于图像的SURF特征从本质上看,是图像中局部灰度值显著变化的一些点。所以,滤波器的尺寸不同,得到的特征点的数量也会有较大的变化。在本文中,使用HerbertBay提出的SURF算法对标清视频中1137 6 像素的目标汽车获得的SURF特征点仅有6 个,如图1所示。图1小尺度汽车SURF特征1.2
7、直方图均衡化直方图均衡化(Hisogram Equalization,HE)是一种常用的增强图像对比度的方法 8,通过让原直方图在灰度范围内均匀分布,使得到的像素灰度的概率密度达到均匀分布,从而可以增强原始图像的局部对比度。HE的基本思路是:如果图像中所有灰度级出现概率达到了均匀分布,这样就可以使得到的图像的信息量最大。尤其是在原始图像灰度值对比度差别不大的时候,运用HE方法,就能让灰度数据更好地在直方图上分布,从而更方便地运用SURF算法进行特征提取1.3SURF算法重构SURF算法按照阶来划分尺度空间,每一阶是对输人图像用尺寸不断增加的滤波器进行滤波后得到的一系列响应值。每一阶会包含了一个
8、缩放因子2,每一阶的层数为一定值。由于积分图像具有离散特性,两个连续尺度间的最小尺度差值取决于二阶偏导在导数方向上的正值或负值的个数。实际使用中,一般会把这个数定为滤波器边长的1/3。例如对于9 X9像素的滤波器,在方向的正值和负值是3个像素长度。对于连续的尺度,使用的滤波器的大小增量最小为2,这个用来保证滤波器的边长会是奇数,从而保证滤波器必有中心点。尺度空间第一阶滤波器的大小从99像素开始,由于第一阶下一层的相应长度l。不断增加2,所以第一阶剩下的滤波器尺寸是1515像素,2 1X21像素,2 7 2 7 像素,可以看出第一阶不同层的滤波器尺寸大小呈现等差数列。对于其他的阶,使用相同的构造
9、方法,只是将滤波器的尺寸增量翻倍,就得到了第二阶的滤波器尺寸。可以看出每一阶滤波器尺寸间公差与序号的关系是6 2-1,采用这种等差增量,可以减少计算量 9。SURF算法中的滤波器构造如图2 所示。1959914751759948273951512421272712151591234组号图2SURF算法中的滤波器构造从图2 可以看出,滤波器最小的尺寸是99像素。针对小尺度图像,通过将滤波器尺寸重新设计,将第一层的滤波器初始大小设置为33像素,从而增加可以获取的特征点数。尺度空间重构如表1所示。表1尺度空间重构阶数滤波器尺寸/像素13X39X915X1521X2129X921X2133X3345X
10、45321X2145X4569X6993X93445X4593X93141X141189X189上述的滤波器尺寸重构过程,其实是用尺度更微观的滤波器来观测图像,从而使重构后的SURF算法对低分辨率的图像能够获取更多的SURF特征点,具有更好的适应性。1.4SURF算法改进测试使用3组图片进行测试,第一组图片尺寸是900600像素,这组图片中的光线强度越来越暗,如图3所示。202024年2 月研究与设计信息化研究图3勒芬图片组(包含不同光线变化)第二组图片尺寸是8 50 6 8 0 像素,这组图片在进行不断地旋转和尺度变化,如图4所示图4船图片组(包含旋转和尺度变化)第三组图片的尺寸是8 0 0
11、 6 40 像素,进行了不同的视角变化,如图5所示。图5伯爵图片组(包含视角变化)在测试中把每组图片使用SURF算法和改进后的SURF算法分别计算其SURF特征点数。为了保证实验结果对比的有效性,需要将参数设置相同,在提取特征点过程中,两种算法都使用了4阶金字塔。特征点检测数目如表2 所示。表2SURF算法和改进后的SURF算法检测出的特征点数勒芬图片船图片伯爵图片序号SURF改进SURFSURF改进SURFSURF改进SURF1472853150334.9510521342233066516033808115215873269524141730491155166742264387071712
12、1040144351863306331418921132361292376021522758118921研究与设计王禹程SURF算法的标跟踪应用技术研究期第50 卷第表2 中勒芬图片组的特征点数平均增加了88.66%,船图片组的特征点数平均增加了134.04%,伯爵图片组的特征点数平均增加了41.49%。结果表明,使用改进后的SURF算法进行特征点检测,可以得到比SURF算法更多的特征点数。2基于改进SURF特征的应用与实践2.1基于改进SURF特征的目标跟踪算法流程基于改进SURF特征的目标跟踪算法即在视频的相邻两顿图像中开展目标匹配,找到两幅图像之间的对应关系。首先提取两顿图像各自的SUR
13、F特征点,然后根据特征点的特征向量得到两顿图像的匹配关系 10,根据第一帧中目标位置得到目标在后续帧图像中的位置,实现目标跟踪。1)最近邻算法按照公式来计算最近邻点与次近邻点的比值,然后根据两者的比值和阈值。的大小关系来剔除错误匹配的SURF特征点对,如果比值小于阈值,即得到了正确的匹配点。根据文献 11,实际应用中阈值的取值范围为E0.5,0.7。2)使用RANSAC算法去除误匹配用最近邻算法匹配完后,存在很多误匹配。通常使用随机抽样一致(Random Sample Consensus,RANSAC)算法进行提纯,剔除误匹配。3)算法流程基于局部特征的运动目标跟踪算法的完整仿真算法流程如图6
14、 所示。(1)获取模板SURF特征:在第一帧中手动选择待跟踪运动目标,使用改进的SURF算法对模板提取SURF特征。(2)SU R F特征匹配:在随后的帧中,根据第一中目标出现的位置,在其周围做扩充,作为下一帧的目标搜索区域。然后搜索区域内SURF特征,用上述提到的最近邻匹配算法把候选区域内的SURF特征和模板的SURF特征做粗匹配并使用RANSAC算法进行提纯。(3)更新目标位置和大小:在步骤(2)中,得到了候选区域内与模板相匹配的SURF特征点。然开始获取视频顿提取目标周围的手动选择跟踪目标Y是否是N候选目标区域的并作为初始模板第一顿SURF特征提取模板所在区域的SURF特征是否是第一顿N
- 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 SURF 算法 目标 跟踪 应用技术 研究
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,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。