基于特征點的運動目標跟蹤算法研究

武婷 侯紅娜

摘 要：由于目標的姿態(tài)和大小不斷發(fā)生變化，本文通過對SIFT特征點的跟蹤實現對目標可靠、穩(wěn)定跟蹤，即采用SIFT算法與光流算法相結合的跟蹤算法。由于SIFT特征點存在分布太密集的現象，增加了后續(xù)跟蹤算法的耗時性。針對以上這類問題，本文加入距離約束機制對SIFT算法進行改進。光流只適合小運動，本文采用基于圖像金字塔模型的光流跟蹤以適應大尺度運動。利用基于多尺度分層的金字塔結構，實現小窗口捕獲大運動。通過實驗證明，本文所采用的算法相對于傳統(tǒng)光流具有更好的魯棒性和穩(wěn)定性，能得到更加準確的目標位置。

關鍵詞：SIFT特征點；光流算法；圖像金字塔；目標跟蹤

目標跟蹤問題是機器視覺領域中的一個熱點和難點，由于技術的飛速發(fā)展，已經被廣泛用于道路交通監(jiān)控、人機交互、制導與導航等諸多領域[ 1 ]。運動目標有有很多的特征能進行跟蹤，常見的主要有特征點、輪廓、邊緣、形狀、顏色等。最容易且能夠穩(wěn)定跟蹤的是特征點[ 2 ]。國內外研究者針對特征點的跟蹤提出了許多不同的算法，主要的有兩種算法：一是基于濾波器預測的方法；二是基于光流的方法。KLT 跟蹤算法是由Kanade-Lucas兩人提出[ 3 ]，后來由Tomasi和 Kanade改進[ 4 ]。KLT算法首先運用 KLT 算子獲取特征點，然后采用最優(yōu)估計的 KLT 匹配算法實現特征點之間的匹配[ 5 ]，近些年來得到了廣泛應用。Ajmal S. Mian 等人采用KLT算法實現了對結構單一、運動迅速的軍用飛機的跟蹤[ 6 ]；Abdat等人利用KLT算法實現對人臉特征點的跟蹤[ 7 ]；鄧義等[ 8 ]人在光流算法中加入濾波，該算法提高了特征點跟蹤的精度。但是光流法的前提條件之一是圖像的連貫性，所以L-K只適用在小尺度運動的目標跟蹤，相對于運動尺度、姿態(tài)發(fā)生比較大變化的跟蹤，容易出現特征點丟失的現象導致跟蹤失敗。本文采用一種圖像金字塔的L-K 光流特征點跟蹤方法。

由于SIFT是一種局部特征，同時具備尺度和旋轉不變性等的優(yōu)點。然而光流場代表的是一種全局特征，表示的是像素點強度的變化。SIFT算法提取的特征點可以滿足光流方程的約束條件[ 9 ]，因此，本文把SIFT特征點和L-K算法結合起來實現對目標的準確跟蹤。由于SIFT特征點存在分布過于密集的不足，本文將對SIFT特征點檢測加入距離限制進行改進。

1 SIFT特征點提取與改進

1.1 SIFT特征點檢測步驟

1.2 改進的SIFT算法

SIFT算法檢測到的特征點具有很好地穩(wěn)定性和抗噪能力，但檢測到的特征點過于密集，在后續(xù)的跟蹤過程中，加大了計算復雜度，影響算法的實時性。針對上述問題，在SIFT算法中鍵入距離限制對SIFT算法進行優(yōu)化，將密集分布的特征點中對比度較低的濾除掉。具體的規(guī)則如下：

設兩個特征點間的最小距離限制為dmin，如果兩個特征點間距離比dmin小，則去掉空間極值相對較小的特征點，減少了后續(xù)跟蹤的耗時性，同時對目標的位置不會產生較大的影響。

2 改進的金字塔光流跟蹤算法

2.1 金字塔型的跟蹤

圖像金字塔模型是經過對原始圖像一連降采樣取得的，當達到指定的終止條件時停止降采樣。傳統(tǒng)光流法采用小窗口跟蹤目標以滿足空間一致假設，當圖像間存在較大運動，小運動的假設往往很難成立。針對以上的不足，本文將圖像金字塔和光流跟蹤算法相結合，首先將圖像進行金字塔分解，當圖像分解到某層后，連續(xù)兩幀圖像間的運動量會變得非常小，能夠符合光流估計的三個約束條件，可以進行光流估計。在實際計算時，由高到低進行，先計算出上一層的光流增量，然后將其加到初始值上，并進行投影重建，作為其下一層的光流計算初值。由上到下這一過程不斷循環(huán)，直至估計出最底層圖像的光流值。

在金字塔光流算法中，g=[gg]為第L層的初始光流，自上往下，從頂層Lm到底層計算獲得。頂層Lm的初始光流g=[0 0].d為L層迭代計算得到的光流增量，相鄰層之間的光流計算如式（1）、（2）：

g=[0 0] （1）

g=2（g+d） （2）

上述迭代求解的過程自上而下遞推，獲得最終的光流計算結果，如式（3）所示：

d=g+d=2d （3）

2.2 光流迭代計算

本文采用迭代法進行最優(yōu)估計，計算金字塔的每層的光流。d為L層的增量，記為，可由式（4）和式（5）迭代計算得到。

η=G，v=v+ η （4）

G=

，=

（5）

其中η為光流增量；G，由差分得到；假設K為計算收斂所需次數，初始迭代值v0=[0 0] ，則最終的光流增量dL如式（6）所示：

d==v=η （6）

迭代終止條件K=20或η?0.03。

3 基于金字塔光流算法的特征點跟蹤

4 結果分析

（a）圖為原圖像，（b）圖為沒有加入距離限制時檢測到的特征點數目，特征點非常密集 （c）圖為距離限制dmin=10時，檢測到的特征點，可以看出，特征點數目明顯減少。（d）圖為dmin=20時檢測到的特征點。由此可以發(fā)現，選取不同的dmin，檢測出的特征點數目也不定，要根據圖像紋理變化和大小，進行距離設定。

5 結論

1）針對角點檢測對尺度、光照等敏感的問題，本文采用SIFT算法檢測特征點，SIFT特征點對尺度變化和光照具有很好的魯棒性，并加入距離限制，避免特征點分布過于密集。

2）由于傳統(tǒng)光流只適合小運動，本文采用基于圖像金字塔的光流算法，將大運動縮減成小運動，得到精確的光流估計實現運動目標的跟蹤。

參考文獻：

[1] 劉潔.基于特征點的目標檢測與跟蹤方法研究[D].南京航空航天大學，2008，04.

[2] 肖軍，朱世鵬，黃杭等.基于光流法的運動目標檢測與跟蹤算法[J].東北大學學報，2016，06.

[3] Lucas B，Kanade T.An iterative image registration technique with an application to stereo v-ision.International Joint Conference on Artificial Intelligence，1981.

[4] Tomasi C， Kanade T. Detection and tracking o-f point features. Carnegie Mellon Unversity Te-chnical Report CMU-CS-91-132.1991.

[5] 劉玉；王敬東；李鵬.一種基于SIFT和KLT相結合的特征點跟蹤方法研究[J].宇航學報，2011，32（7）：1618-1625.

[6] Mian A S. Realtime visual tracking of aircrafts [C].Proceeding of the 2008 Digital Image Comput -ing； Techniques and Application Washington， DC， USA， December 1-3，2008.

[7] Abdal F，Maaoui C，Pruski A.Real time facial feature points tracking with pyramidal Lucas kanada algorithm[C]. The 17th IEEE International Symposium on Robot and Human Interactive Communication，Munich， Germany，August 1-3，2008.

[8] 鄧義，趙暉.基于微分平滑濾波的特征點跟蹤[J].計算機應用與軟件，2011，28（ 5）：38-41.

[9] 吳根，李良福，肖樟樹，等.基于尺度不變特征的光流法目標跟蹤跟蹤技術研究[J].計算機工程與應用，2013.

作者簡介：武婷，女，山東科技大學，碩士，研究方向為圖像處理與分析。