一种改进图像处理相关跟踪算法.docVIP

一种改进图像处理相关跟踪算法 　　摘要：针对传统相关跟踪判读法在模板匹配时存在的不足，本文引入基于尺度不变特征变换（Scale invariant feature transform，SIFT） 的模式匹配算法， 通过提取目标的SIFT 特征与模板库进行模式匹配，保证了特征的稳定，提高了匹配准确度。实验结果表明， 本算法的应用能够有效处理目标由于旋转、形变、部分遮挡和光照变化等原因而导致相关判读时跟踪性能下降甚至跟踪目标丢失的问题。提高了相关判读法的准确性和环境独立性。 关键词：SIFT 相关跟踪 模式匹配 中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2013）10-0059-03 1 引言 在视频判读系统中，相关跟踪法是利用目标模板对当前图像待搜索区域进行相关运算，找到相关系数极大值的点后利用二次曲面拟合获得亚像素的定位点，即最佳匹配点，认为这就是目标在当前图像上的位置，由于可选取图像的任意区域作为相关模板，相关跟踪不受目标的形状、大小、亮暗的限制，只要目标有特征存在， 也就是图像在该区域有比较明显的灰度变化， 就能进行相关运算， 一旦初始的跟踪点被指定后， 图像跟踪测量系统就可以自动判读，因此相关跟踪法具有很大的灵活性和适用性，而且精度较高，可以说是“万能”跟踪法。 在应用相关跟踪法时目标模板的选取对目标跟踪的可靠性及精度是至关重要的，因此，在实际判读过程中，应尽量选取目标特征明显、灰度梯度大的区域作为跟踪模板，由于在整个图像序列中目标的特征变化很大，同时，拍摄角度变化、背景变化、光照场变化等因素，使目标特征在图像序列中发生缓慢变化，所以，视频判读系统设计时常采用将前一幅图的目标特征区作为模板的方式对整个图像序列进行目标跟踪，即每次搜索时取前一幅图的目标特征区作为模板，这种方法比较稳定，但是由于拍摄角度变化、背景变化、光照场变化、噪声场变化等因素的影响，每次求相关极值时都会引入一定误差，并且这种误差会产生累积效应，当运算一定序列的图像时，因目标定位不稳而产生较大的误差。 SIFT特征（Scale-invariant feature transform，尺度不变特征转换）是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。该算法由David G.Lowe于2004年在总结现有的基于不变量技术的特征检测方法的基础上提出。SIFT 特征匹配基于物体上的某些局部外观的关键点，不仅对物体大小变化、旋转等特征变换具有免疫力，而且对于光线变换、图像噪声、适量的视角变化具有很高的容忍度。基于上述诸多优点，它们能在庞大的特征数据库中进行高精度匹配，在目标背景复杂甚至目标被遮挡、发生变形的情况下也不受影响。而且试验证明，使用SIFT特征描述对于部分物体遮蔽的侦测率相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。 本文将SIFT模式匹配技术应用于相关跟踪法中模板的选取和匹配，以克服传统方法的劣势，提高了相关跟踪的稳定性和环境独立性。 2 算法及系统应用 SIFT特征算法分两部分：①SIFT特征提取，即从待匹配图像中提取特征向量，该向量具有尺度缩放、旋转、亮度变化等特征变化无关性；②基于SIFT特征的向量匹配。 2.1 SIFT特征提取 ①尺度空间极点检测。将输入图像同高斯核进行卷积，对相邻尺度空间做差分建立DOG金字塔，在DOG 空间检测极点。 其中为尺度空间因子，它的值越小表征图像被平滑得越少，相应的尺度也越小。因图像在不同尺度下的尺度空间与高斯核 之间具有如下关系。 所以推导可的公式 ②根据上式获得极点后，需要剔除掉低对比度的极点和不稳定的边缘响应点，以此获得匹配能力和抗噪声能力较强的特征点。精确定位特征点的具体过程可参考相关文献[1]。 ③利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。 上式为（x，y）处梯度的模值和方向公式。其中L所用的尺度为每个关键点各自所在的尺度。 ④SIFT特征向量生成。旋转坐标轴至关键点方向，围绕关键点形成8×8的窗口（如图1左侧）。以4×4的小块为单位，计算其梯度方向直方图（8个方向），绘制每个梯度方向的累加值，形成种子点（如图右侧所示）。上图中所有关键点均由4个种子点组成（2×2），而且所有种子点包含各个方向的向量信息。通过邻域方向性信息联合的思想来构造特征描述子，提高了算法对噪声的免疫力，提高了复杂条件下进行特征匹配时的容错性。 在实际应用中，为了提高特征匹配的稳定性，可以通过增加关键点种子数的办法来实现。例如，若将种子数从4个增加到16个（4×4