CN103456003A - 对象跟踪装置及方法以及错误特征点剔除装置及方法 - Google Patents
对象跟踪装置及方法以及错误特征点剔除装置及方法 Download PDFInfo
- Publication number
- CN103456003A CN103456003A CN2013102136393A CN201310213639A CN103456003A CN 103456003 A CN103456003 A CN 103456003A CN 2013102136393 A CN2013102136393 A CN 2013102136393A CN 201310213639 A CN201310213639 A CN 201310213639A CN 103456003 A CN103456003 A CN 103456003A
- Authority
- CN
- China
- Prior art keywords
- unique point
- descriptor
- point descriptor
- care object
- unique
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于特征点描述符的对象跟踪装置及方法以及错误特征点剔除装置及方法。特征点描述符生成单元用于生成分别表示从想要检测出关心对象的输入图像中提取的多个特征点各自的信息的多个特征点描述符。匹配单元将特征点描述符与事先存储的目标对象的特征点描述符进行对比,从而确定对应于目标对象的关心对象的特征点描述符。特征点剔除单元通过剔除关心对象的特征点描述符中不满足几何比较条件的特征点描述符而确定关心对象的最终特征点描述符。根据本发明,可在从输入图像中检测关心对象时,通过将几何比较条件应用于通过匹配获得的特征点来剔除匹配有误的特征点而提高对象跟踪的准确度。
Description
技术领域
本发明涉及基于特征点描述符的对象跟踪装置及方法、以及错误特征点剔除装置及方法,尤其涉及一种剔除匹配有误的特征点以便于从输入图像生成特征点描述符而跟踪对应于作为检测对象的目标对象的关心对象的装置及方法。
背景技术
近来,随着移动设备的性能提高,旨在从移动设备中单独检测并跟踪图像的关心对象的尝试不断增加。作为用于检测图像中包含的关心对象的以往的算法有SIFT(Scale Invariant Feature Transform,尺度不变特征转换)和SURF(Speeded Up Robust Features,加速鲁棒性特征)。
SIFT算法是一种在以从图像中提取的特征点为中心的分区当中将各像素的梯度方向直方图区分为8个方向而表示为128维向量的方法。为此,由于要从原始图像中生成多个差分图像并对各差分图像的所有像素进行向量计算等运算,故跟踪关心对象时相比其他基于特征点的算法而言准确度虽高,但其缺点在于计算复杂度高。
而SURF算法则提高了SIFT算法的速度,将为了提取特征点而进行近似处理的海森检测器(Hessian detector)作为基础并使用积分图像和高速海森检测器而提高处理速度。然而该方法在相比SIFT算法提高速度的同时,却存在准确度性能下降的缺点。
美国授权专利第6,711,293号(授权日:2004年03月23日)公开了一种在图像中识别大小不变的特征点,并通过使用特征点而掌握图像中包含的对象的位置的方法。而且,美国公开专利第2009/0238460号(公开日:2009年09月24日)公开了一种用于迅速找出大小及旋转不变的特征点的方法。
发明内容
本发明所要解决的技术问题为提供一种可通过降低计算复杂度而在移动设备中实时检测并跟踪图像的关心对象的基于特征点描述符的对象跟踪装置及方法。
本发明所要解决的又一技术问题为提供一种能够在晃动较多的移动环境下提高关心对象的检测及跟踪的准确度的错误特征点剔除装置及方法。
本发明所要解决的另一技术问题为提供一种能够在晃动较多的移动环境中提高关心对象的检测及跟踪的准确度的用于移动终端的装置。
为了达到解决上述技术问题的目的,根据本发明的基于特征点描述符的对象跟踪装置包括:特征点描述符生成单元,用于生成表示从想要检测出关心对象的输入图像中提取的多个特征点之每一个的信息的多个特征点描述符(descriptor);匹配单元,将所述特征点描述符与事先存储的目标对象的特征点描述符进行对比,从而确定对应于所述目标对象的所述关心对象的特征点描述符;特征点剔除单元,通过剔除所述关心对象的特征点描述符中不满足几何比较条件的特征点描述符而确定所述关心对象的最终特征点描述符。
为了达到解决上述技术问题的目的,根据本发明的基于特征点描述符的对象跟踪方法包括如下步骤:(a)生成表示从想要检测出关心对象的输入图像中提取的多个特征点之每一个的信息的多个特征点描述符(descriptor);(b)将所述特征点描述符与事先存储的目标对象的特征点描述符进行对比,从而确定对应于所述目标对象的所述关心对象的特征点描述符;(c)从所述关心对象的特征点描述符中剔除不满足几何比较条件的特征点描述符,从而确定所述关心对象的最终特征点描述符。
为了达到解决上述另一技术问题的目的,根据本发明的错误特征点剔除装置包括:输入单元,接收通过与事先存储的目标对象的特征点描述符之间的匹配而从输入图像提取的关心对象的特征点描述符;特征点处理单元,对所述关心对象的特征点描述符应用预定的几何比较条件;特征点确定单元,剔除所述关心对象的特征点描述符中不满足所述几何比较条件的特征点描述符,从而确定所述关心对象的最终特征点描述符。
为了达到解决上述另一技术问题的目的,根据本发明的错误特征点剔除方法包括如下步骤:(a)接收通过与事先存储的目标对象的特征点描述符之间的匹配而从输入图像提取的关心对象的特征点描述符;(b)对所述关心对象的特征点描述符应用预定的几何比较条件;(c)通过剔除所述关心对象的特征点描述符中不满足所述几何比较条件的特征点描述符而确定所述关心对象的最终特征点描述符。
为了达到解决上述另一技术问题的目的,根据本发明的用于移动终端的装置具有:错误特征点剔除单元,在关心对象的特征点描述符中剔除不满足几何比较条件的特征点描述符,并基于剔除的所述特征点描述符而生成所述关心对象的最终特征点描述符;储存单元,用于存储所述最终特征点描述符及目标对象;其中,所述几何比较条件具有基于对所述关心对象的特征点描述符计算的第一投影变换行列式的比与对存储的所述目标对象的特征点描述符计算的第二投影变换行列式的比之间的比较结果的条件。
若按照根据本发明的基于特征点描述符的对象跟踪装置及方法、以及错误特征点剔除装置及方法,则在从输入图像中检测关心对象时,可通过将几何比较条件应用于通过匹配获得的特征点来剔除匹配有误的特征点,从而可以提高对象跟踪的准确度,且由于可通过减少计算量而提高对象跟踪速度,因此适于在移动设备上实现。
附图说明
图1为表示根据本发明的基于特征点描述符的对象跟踪装置的优选实施例的构成的模块图。
图2为表示特征点描述符生成单元的一个实施例的构成的模块图。
图3为表示将高斯滤波器反复应用于输入图像而生成图像金字塔的一个实施例的图。
图4为表示用于以中心点p为中心确定是否为角特征点(corner feature)的一例的图。
图5为表示通过FAST(Features from Accelerated Segment Test,加速分段测试提取特征)技术检测出角特征点的一个实施例的图。
图6为表示将像素区域划分为9个子区域而生成特征点描述符的一例的图。
图7为表示根据本发明的错误特征点剔除装置的优选实施例的构成的模块图。
图8为表示出用于检查几何比较条件的同一平面上的各个点的图。
图9为表示通过使用几何比较条件而确定最终特征点描述符的示例的图。
图10为表示根据本发明的基于特征点描述符的对象跟踪方法的优选实施例的执行过程的流程图。
图11为表示根据本发明的错误特征点剔除方法的优选实施例的执行过程的流程图。
具体实施方式
以下,参照附图详细说明根据本发明的基于特征点描述符的对象跟踪装置及方法、以及错误特征点剔除装置及方法的优选实施例。
图1为表示根据本发明的基于特征点描述符的对象跟踪装置的优选实施例的构成的模块图。
参照图1,根据本发明的对象跟踪装置具有特征点描述符生成单元110、匹配单元120、特征点剔除单元130、储存单元140。
特征点描述符生成单元110生成用于表示从想要检测出关心对象的输入图像中检测出的多个特征点的各自的信息的多个特征点描述符。为此,特征点描述符生成单元110可通过使用已知的技术方法或将已知的技术方法进行变形而生成特征点描述符。
图2为表示特征点描述符生成单元110的一个实施例的构成的模块图。参照图2,特征点描述符生成单元110可以具有图像金字塔生成单元112、角点检测单元114、描述符生成单元116。
图像金字塔生成单元112生成由分辨率相对输入图像逐步变化的差分图像构成的图像金字塔。可通过将高斯滤波器(Gaussian filter)之类的低通滤波器反复应用于输入图像而生成图像金字塔。
图3为表示将高斯滤波器反复应用于输入图像而生成图像金字塔的一个实施例的图。参照图3可确认,通过高斯滤波器使输入图像逐步模糊,从而最终得到有如输入图像缩小的结果。对于构成图像金字塔的差分图像的个数(即,高斯滤波器的应用次数)可在事先适应性地进行设定。
角点检测单元114从构成图像金字塔的各差分图像中检测出角特征点,并将从图像金字塔的各差分图像中均检测到的角特征点确定为大小不变的特征点。
作为一个实施例,角点检测单元114可选择用于检测角特征点的方法之一的FAST(Features from Accelerated Segment Test,加速分段测试提取特征)技术,以用于确认是否为角特征点的中心点为基准而将位于预定的距离内的圆形区域的周围像素与中心点的值进行对比,从而判断中心点是否为角特征点。
具体而言,角点检测单元114可在连续的n个(例如n=12)以上的预定的周围像素的像素值比起中心点,其超过量在预定的临界值以上,或者在连续的n个以上的周围像素的像素值比起中心点,其不足量在临界值以上的情况下,将该中心点作为差分图像的角特征点而检测出来。在图4中表示了以中心点p为中心确定是否为角特征点的一例。
而且,如图4所示,角点检测单元114可以将与中心点p相距预定距离而排列成圆形的16个像素均与中心点p进行对比,但是为了提高角特征点检测速度,可以只将相对于中心点p位于竖向及横向上的四个像素(例如,图4中表示为1、5、9、13的像素)与中心点p进行对比之后,通过对周围像素应用机器学习(Machine Learning)方法之一的决策树(Decision Tree)而迅速地检测出角特征点。
图5为表示通过FAST技术检测出角特征点的一个实施例的图。在图5中,用小圆圈指示的位置表示连续的9个周围像素的像素值具有临界值以上的超过量或不足量的角特征点,而用小三角形指示的位置表示连续的12个周围像素的像素值具有临界值以上的超过量或不足量的角特征点。
角点检测单元114在通过以上说明的方法从图像金字塔的各差分图像中检测出角特征点之后,将从所有差分图像中均检测到的角特征点确定为针对输入图像的大小不变的特征点。
然后,描述符生成单元116分别对由角点检测单元114确定的大小不变的各特征点生成特征点描述符。相比于以往的SIFT算法下生成128维向量形态的特征点描述符,描述符生成单元116能够生成只具有对图像的x轴和y轴的梯度分量的36维向量形态的特征点描述符。
具体而言,描述符生成单元116可通过将以各角特征点为中心的预定大小的像素区域划分为多个子区域之后,对于每一子区域计算沿着四个方向的梯度并以直方图进行存储,从而生成大小不变的特征点描述符。其中,梯度为表示像素值的变化方向和大小的向量,可通过以下数学式1计算。
[数学式1]
其中,I(x,y)表示图像的(x,y)坐标的像素值,magnitude(x,y)表示对(x,y)像素的梯度大小,orientation(x,y)表示对(x,y)像素的梯度方向。
描述符生成单元116将以各角特征点为中心的像素区域划分为3×3(像素)大小的9个子区域,并对各子区域分别生成针对沿四个方向的梯度的直方图,从而可最终生成36维的特征点描述符。图6为表示将像素区域划分为9个子区域而生成特征点描述符的一例的图。
如前所述,本发明用于通过减少移动设备上的计算量而迅速地跟踪关心对象,与以往的生成128维特征点描述符的SIFT技术相比可提高计算速度。
匹配单元120通过将根据上述方法生成的特征点描述符与事先存储的目标对象的特征点描述符进行对比而确定对应于目标对象的关心对象的特征点描述符。
在此,目标对象成为用于从输入图像检测出关心对象的比较对象,目标对象既可以是在用于跟踪关心对象的图像拍摄开始之前已被存储于数据库中的对象,而且在通过连续的图像拍摄而跟踪对象的情况下也可以是从对象检测开始后的第一个图像帧当中检测出的关心对象作为目标对象存储于数据库中而存在的对象。
而且,在同时使用以上的两种目标对象而跟踪关心对象的情况下,可兼顾拍摄图像时的光照强度变化之类各种环境变化而准确地检测出关心对象。
匹配单元120计算从当前输入图像中生成的特征点描述符与存储于数据库中的目标对象的特征点描述符之间的距离,并只将计算出的距离为预定的临界值以下的特征点描述符确定为关心对象的特征点描述符。
特征点描述符之间的距离可利用现有的各种方法进行计算,例如可通过以下数学式2表示的绝对值总和(Sum of Absolute Difference:SAD)计算出来。
[数学式2]
其中,fn(i)为从输入图像生成的36维特征点描述符的第i个值,fm'(i)为对应于目标对象的特征点描述符的第i个值。
而且,用于确定是否为关心对象的特征点描述符的临界值则可以通过如下数学式3计算。
[数学式3]
Threshold=w×(min(dist)+avg(dist))
其中,w为加权值,dist表示针对从输入图像生成的所有特征点描述符进行计算的距离值。
另外,即使这样通过与目标对象的匹配而确定对应于关心对象的特征点描述符,也可能随着特征点描述符的维数减少而引起匹配误差。而且,通过移动设备拍摄的图像比起静止状态下拍摄的图像,这种匹配误差的发生概率更高。
因此,根据本发明的对象跟踪装置的特征点剔除单元130通过剔除关心对象的特征点描述符中不满足几何比较条件(perspective invariant)的特征点描述符而确定关心对象的最终特征点描述符。通过这种附加性的滤波过程,能够剔除与目标对象匹配有误的错误特征点(garbage feature)。
另外,特征点剔除单元130还可以如上所述地体现为根据本发明的对象跟踪装置的部分构成要素,也可以作为一个独立的装置而用于提高现有的对象检测及跟踪系统的性能。
图7为表示根据本发明的错误特征点剔除装置的优选实施例的构成的模块图。
参照图7,根据本发明的错误特征点剔除装置具有输入单元210、特征点处理单元220、特征点确定单元230。以下,以根据本发明的错误特征点剔除装置具有与以上说明的根据本发明的对象跟踪装置的特征点剔除单元130相同的构成的情形为例进行具体的说明。
根据本发明的错误特征点剔除装置的输入单元210接收通过与事先存储的目标对象的特征点描述符之间的匹配而从输入图像提取的关心对象的特征点描述符。这与根据本发明的对象跟踪装置的特征点剔除单元130接收由匹配单元120确定的关心对象的特征点描述符情形相同。
然后,特征点处理单元220对关心对象的特征点描述符运用预定的几何比较条件。
具体而言,特征点处理单元220通过对比针对关心对象的特征点描述符计算出的投影变换行列式的比与针对目标对象的特征点描述符计算出的投影变换行列式的比,从而检查关心对象的特征点描述符是否满足几何比较条件。
为了检查是否满足几何比较条件,可令特征点处理单元220使用位于关心对象及目标对象的同一平面上的5个点。图8为表示出用于检查几何比较条件的同一平面上的各个点的图。
如图8所示的P1至P5的5个点可用如下的数学式4进行表示。
[数学式4]
Pi=(xi,yi,zi)T
其中,Pi表示第i个点(i为1至5的值),(xi,yi)表示第i个点在图像上的坐标,且由于5个点位于同一平面上,因此zi的值设定为1。
然后可以由数学式4所示的3个点Pi、Pj、Pk生成一个3×3矩阵,该矩阵可表示为如下数学式5。
[数学式5]
mijk=(Pi,Pj,Pk)
如果数学式5中的矩阵mijk为针对关心对象的Pi、Pj、Pk获得的矩阵,则与此类似地,对于在目标对象中对应于Pi、Pj、Pk的Pi'、Pj'、Pk'也能生成3×3矩阵mijk'。
已知这种由3个点生成的矩阵的行列式(determinant)的比对投影变换(perspective transformation)守恒(invariant)(P.Putjarupong,C.Pintavirooj,W.Withayachumnankul,and M.Sangworasil,"Image Registration ExploitingFive-point Coplanar Perspective Invariant and Maximum-Curvature Point",InJournal WSCG,volume12,pages341348,2004)。即,在两个不同的投影变换下成立如下的数学式6。
[数学式6]
特征点处理单元220将数学式6所示的几何比较条件(perspectiveinvariant)依次应用于关心对象的各特征点描述符,而特征点确定单元230剔除由特征点处理单元220确定为不满足几何比较条件的特征点描述符,从而确定关心对象的最终特征点描述符。
具体而言,特征点处理单元220先从关心对象的特征点描述符中选取5个特征点描述符而设定为初始特征点描述符。然后将数学式6的条件应用于初始特征点描述符及其对应的目标对象的特征点描述符而检查是否满足几何比较条件。优选地,特征点处理单元220可从关心对象的特征点描述符中选取6个特征点描述符,然后根据5而从每5个点计算出共6个几何比较条件式来进行比较,从而检查是否满足条件。
特征点确定单元230从初始特征点描述符中剔除不满足几何比较条件的特征点描述符。此时要剔除的特征点描述符的个数可预先设定。
通过特征点确定单元230剔除了一部分特征点描述符之后,特征点处理单元220对其余的特征点描述符增加新的特征点描述符而重新应用针对同一平面上的5个点的几何比较条件。
通过对关心对象的全部特征点描述符重复以上过程,使特征点确定单元230能够确定关心对象的最终特征点描述符。如前所述,可通过根据本发明的对象跟踪装置的特征点剔除单元130执行以上过程。
再来参照图1,储存单元140将由特征点剔除单元130确定的关心对象的最终特征点描述符存储于数据库(未图示)。并且,储存单元140可在每逢特征点剔除单元130选取5个关心对象的特征点描述符而检查是否满足几何比较条件的过程重复执行时,实时地将新的最终特征点描述符加入数据库(未图示)。
图9为表示通过使用几何比较条件而确定最终特征点描述符的示例的图。图9的(a)所反映的情况下是从7个点计算出6个投影变换行列式的比,其以平均4.3%的误差与目标对象匹配。并且,图9的(b)所反映的情况下是从9个点计算出14个投影变换行列式的比,且以平均5.0%的误差与目标对象匹配。
图10为表示根据本发明的基于特征点描述符的对象跟踪方法的优选实施例的执行过程的流程图。
参照图10,图像金字塔生成单元112生成由分辨率相对输入图像逐步变化的差分图像构成的图像金字塔(S1010),而角点检测单元114从图像金字塔的各差分图像检测出角特征点(S1020)。如前所述,图像金字塔生成及角特征点检测可通过已知的技术方法进行。
描述符生成单元116生成分别对应于从各差分图像中均检测到的角特征点(即,大小不变的特征点)的特征点描述符(S1030)。
匹配单元120通过计算所生成的特征点描述符与事先存储的目标对象的特征点描述符之间的距离的方法来执行特征点匹配而确定关心对象的特征点描述符(S1040)。特征点剔除单元130通过剔除关心对象的特征点描述符中不满足几何比较条件的特征点描述符而确定关心对象的最终特征点描述符(S1050)。
图11为表示根据本发明的错误特征点剔除方法的优选实施例的执行过程的流程图。
参照图11,如果通过输入单元210接收借助于与事先存储的目标对象的特征点描述符之间的匹配而从输入图像中提取的关心对象的特征点描述符(S1110),特征点处理单元220便对关心对象的特征点描述符应用预定的几何比较条件(S1120)。然后,特征点确定单元230通过剔除关心对象的特征点描述符中不满足几何比较条件的特征点描述符而确定关心对象的最终特征点描述符(S1130)。
本发明还可以通过记录有计算机可读代码的计算机可读记录介质来实现。计算机可读记录介质中包括存储有可通过计算机系统读取的数据的所有类型的记录装置。计算机可读记录介质中例如包括只读存储器(ROM)、随机存储器(RAM)、只读光盘(CD-ROM)、磁带、软盘、光数据存储装置等,而且还包括以载波(例如通过互联网的传送)形态实现的装置。并且,计算机可读记录介质还可以分散于通过网络连接的计算机系统中,从而以分散方式存储并执行计算机可读代码。
以上已对本发明优选实施例进行了图示和说明,然而本发明并不局限于上述特定的优选实施例,只要是本发明所属技术领域中具有普通知识的人员均可在不脱离权利要求书中要求保护的本发明主旨的条件下进行多种变形实施,这些改变也都在权利要求书记载的范围内。
Claims (27)
1.一种对象跟踪装置,其特征在于,包括:
特征点描述符生成单元,用于生成分别表示从想要检测出关心对象的输入图像中提取的所述关心对象的各特征点之每一个的信息的所述关心对象的特征点描述符;
匹配单元,将所述关心对象的特征点描述符与事先存储的目标对象的特征点描述符进行对比,从而确定对应于所述目标对象的所述关心对象的特征点描述符;
特征点剔除单元,通过剔除所述关心对象的特征点描述符中不满足几何比较条件的各特征点描述符而至少确定一个所述关心对象的最终特征点描述符。
2.如权利要求1所述的对象跟踪装置,其特征在于,所述特征点描述符生成单元包括:
图像金字塔生成单元,用于生成由分辨率相对所述输入图像逐渐变化的差分图像构成的图像金字塔;
角点检测单元,从构成所述图像金字塔的各差分图像分别检测出角特征点,并将从所述图像金字塔的各差分图像中均检测到的角特征点确定为大小不变的特征点;
描述符生成单元,对所述大小不变的特征点分别生成所述关心对象的特征点描述符。
3.如权利要求2所述的对象跟踪装置,其特征在于,所述图像金字塔生成单元通过将高斯滤波器按照预定的重复次数应用于所述输入图像来生成所述差分图像。
4.如权利要求2所述的对象跟踪装置,其特征在于,如果在位于与作为从所述差分图像中的一个差分图像中选取的像素的中心点相距预定的距离处的像素当中,连续的预定个数像素的像素值比起所述中心点的超过量达到预定的临界值以上,或者连续的预定个数像素的像素值比起所述中心点的不足量达到临界值以上,则所述角点检测单元将所述中心点确定为所述角特征点。
5.如权利要求2所述的对象跟踪装置,其特征在于,所述描述符生成单元将以所述大小不变的特征点为中心的预定大小的像素区域划分为多个子区域,并将针对各子区域分别生成的梯度值的直方图作为基础而生成对应于所述大小不变的特征点的向量形态的所述关心对象的特征点描述符。
6.如权利要求5所述的对象跟踪装置,其特征在于,所述描述符生成单元将所述像素区域划分为9个子区域,并对应于各子区域分别计算对四个梯度方向的直方图,从而生成36维向量形态的所述关心对象的特征点描述符。
7.如权利要求1所述的对象跟踪装置,其特征在于,所述特征点剔除单元利用使针对所述关心对象的特征点描述符计算的第一投影变换行列式的比与针对所述目标对象的特征点描述符计算的第二投影变换行列式的比相等的几何比较条件而确定所述关心对象的最终特征点描述符。
8.如权利要求7所述的对象跟踪装置,其特征在于,所述特征点剔除单元对所述关心对象的全部特征点描述符反复执行从由所述关心对象的特征点描述符中任意选取的5个特征点描述符中剔除不满足所述几何比较条件的预定个数的特征点描述符并增加新的特征点描述符而应用所述几何比较条件的过程,从而确定所述关心对象的最终特征点描述符。
9.如权利要求1所述的对象跟踪装置,其特征在于,还包括用于将所述关心对象的最终特征点描述符存储于数据库的储存单元。
10.一种错误特征点剔除装置,其特征在于,包括:
输入单元,接收通过与事先存储的目标对象的特征点描述符之间的匹配而从输入图像提取的关心对象的特征点描述符;
特征点处理单元,对所述关心对象的特征点描述符应用预定的几何比较条件;
特征点确定单元,剔除所述关心对象的特征点描述符中不满足所述几何比较条件的特征点描述符,从而确定所述关心对象的最终特征点描述符。
11.如权利要求10所述的错误特征点剔除装置,其特征在于,所述特征点处理单元利用使针对所述关心对象的特征点描述符计算的第一投影变换行列式的比与针对与所述关心对象的特征点描述符相对应的所述目标对象的特征点描述符计算的第二投影变换行列式的比相同的几何比较条件。
12.如权利要求10所述的错误特征点剔除装置,其特征在于,所述特征点处理单元对所述关心对象的全部特征点描述符反复执行对从所述关心对象的特征点描述符中任意选取的5个所述关心对象的特征点描述符及其对应的所述目标对象的特征点描述符应用所述几何比较条件,并在通过所述特征点确定单元剔除不满足所述几何比较条件的所述关心对象的特征点描述符之后给其余的所述关心对象的特征点描述符增加新的特征点描述符而应用所述几何比较条件的过程。
13.一种对象跟踪方法,其特征在于,包括如下步骤:
(a)生成分别表示从想要检测出关心对象的输入图像中提取的所述关心对象的各特征点之每一个的信息的关心对象的特征点描述符;
(b)将所述关心对象的特征点描述符与事先存储的目标对象的特征点描述符进行对比,从而确定对应于所述目标对象的所述关心对象的特征点描述符;
(c)从所述关心对象的特征点描述符中剔除不满足几何比较条件的特征点描述符,从而确定所述关心对象的最终特征点描述符。
14.如权利要求13所述的对象跟踪方法,其特征在于,上述步骤(a)包括如下步骤:
(a1)生成由分辨率相对所述输入图像逐步变化的差分图像构成的图像金字塔;
(a2)从构成所述图像金字塔的各差分图像中分别检测出角特征点,并将从所述图像金字塔的各差分图像中均检测到的角特征点确定为大小不变的特征点;
(a3)对所述大小不变的特征点分别生成所述关心对象的特征点描述符。
15.如权利要求14所述的对象跟踪方法,其特征在于,在上述步骤(a1)中,通过将高斯滤波器按照预定的重复次数应用于所述输入图像来生成所述差分图像。
16.如权利要求14所述的对象跟踪方法,其特征在于,在上述步骤(a2)中,如果在位于与作为从所述差分图像中选取的像素的中心点相距预定的距离处的像素当中,连续的预定个数像素的像素值比起所述中心点的超过量达到预定的临界值以上,或者连续的预定个数像素的像素值比起所述中心点的不足量达到临界值以上,则将所述中心点确定为所述角特征点。
17.如权利要求14所述的对象跟踪方法,其特征在于,在上述步骤(a3)中,将以所述大小不变的特征点为中心的预定大小的像素区域划分为多个子区域,并将针对各子区域分别生成的梯度值的直方图作为基础而生成对应于所述大小不变的特征点的向量形态的所述关心对象的特征点描述符。
18.如权利要求17所述的对象跟踪方法,其特征在于,在上述步骤(a3)中,将所述像素区域划分为9个子区域,并对应于各子区域分别计算对四个梯度方向的直方图,从而生成36维向量形态的所述关心对象的特征点描述符。
19.如权利要求13所述的对象跟踪方法,其特征在于,在上述步骤(c)中,利用使针对所述关心对象的特征点描述符计算的第一投影变换行列式的比与针对所述目标对象的特征点描述符计算的第二投影变换行列式的比相等的几何比较条件而确定所述关心对象的最终特征点描述符。
20.如权利要求19所述的对象跟踪方法,其特征在于,在上述步骤(c)中,对所述关心对象的全部特征点描述符反复执行从由所述关心对象的特征点描述符中任意选取的5个特征点描述符中剔除不满足所述几何比较条件的预定个数的特征点描述符并增加新的特征点描述符而应用所述几何比较条件的过程,从而确定所述关心对象的最终特征点描述符。
21.如权利要求13所述的对象跟踪方法,其特征在于,还包括步骤(d):将所述关心对象的最终特征点描述符存储于数据库。
22.一种错误特征点剔除方法,其特征在于,包括如下步骤:
(a)接收通过与事先存储的目标对象的特征点描述符之间的匹配而从输入图像提取的关心对象的特征点描述符;
(b)对所述关心对象的特征点描述符应用预定的几何比较条件;
(c)通过剔除所述关心对象的特征点描述符中不满足所述几何比较条件的特征点描述符而确定所述关心对象的最终特征点描述符。
23.如权利要求22所述的错误特征点剔除方法,其特征在于,在上述步骤(b)中,利用使针对所述关心对象的特征点描述符计算的第一投影变换行列式的比与针对与所述关心对象的特征点描述符相对应的所述目标对象的特征点描述符计算的第二投影变换行列式的比相同的几何比较条件。
24.如权利要求22所述的错误特征点剔除方法,其特征在于,对所述关心对象的全部特征点描述符反复执行上述步骤(b)中对从所述关心对象的特征点描述符中任意选取的5个特征点描述符及其对应的所述目标对象的特征点描述符应用所述几何比较条件,并在上述步骤(c)中剔除不满足所述几何比较条件的特征点描述符之后给其余的特征点描述符增加新的特征点描述符而应用所述几何比较条件的过程。
25.一种用于移动终端的装置,其特征在于,包括:
错误特征点剔除单元,在关心对象的特征点描述符中剔除不满足几何比较条件的特征点描述符,并基于剔除的所述特征点描述符而生成所述关心对象的最终特征点描述符;
储存单元,用于存储所述最终特征点描述符及目标对象;
其中,所述几何比较条件包括基于对所述关心对象的特征点描述符计算的第一投影变换行列式的比与对存储的所述目标对象的特征点描述符计算的第二投影变换行列式的比之间的比较结果的条件。
26.如权利要求25所述的用于移动终端的装置,其特征在于,所述错误特征点剔除单元利用存在于所述关心对象与存储的所述目标对象均出现的同一平面上的5个点,以确定所述关心对象的特征点描述符是否满足所述几何比较条件。
27.如权利要求26所述的用于移动终端的装置,其特征在于,所述错误特征点剔除单元通过利用所述几何比较条件而生成基于所述5个点的行列式的守恒投影变换比。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020120058412A KR101303124B1 (ko) | 2012-05-31 | 2012-05-31 | 특징점 기술자에 의한 객체 추적장치 및 방법, 그리고 에러 특징점 제거장치 및 방법 |
KR10-2012-0058412 | 2012-05-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103456003A true CN103456003A (zh) | 2013-12-18 |
CN103456003B CN103456003B (zh) | 2016-08-10 |
Family
ID=49454889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310213639.3A Expired - Fee Related CN103456003B (zh) | 2012-05-31 | 2013-05-31 | 对象跟踪装置及方法以及错误特征点剔除装置及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9552642B2 (zh) |
KR (1) | KR101303124B1 (zh) |
CN (1) | CN103456003B (zh) |
WO (1) | WO2013180530A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105100596A (zh) * | 2014-05-14 | 2015-11-25 | 韩华泰科株式会社 | 相机设备和使用相机设备跟踪对象的方法 |
CN109144043A (zh) * | 2017-06-27 | 2019-01-04 | 金宝电子工业股份有限公司 | 追踪目标物的方法 |
CN111401239A (zh) * | 2020-03-16 | 2020-07-10 | 科大讯飞(苏州)科技有限公司 | 一种视频分析方法、装置、系统、设备及存储介质 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10091419B2 (en) * | 2013-06-14 | 2018-10-02 | Qualcomm Incorporated | Computer vision application processing |
JP6448767B2 (ja) | 2014-04-24 | 2019-01-09 | ナント・ホールデイングス・アイ・ピー・エル・エル・シー | 画像物体認識におけるロバスト特徴特定 |
US9524432B1 (en) * | 2014-06-24 | 2016-12-20 | A9.Com, Inc. | Fast interest point extraction for augmented reality |
CN105224582B (zh) * | 2014-07-03 | 2018-11-09 | 联想(北京)有限公司 | 信息处理方法和设备 |
US9791541B2 (en) | 2014-12-19 | 2017-10-17 | The Boeing Company | System and method to improve object tracking using multiple tracking systems |
US9940726B2 (en) * | 2014-12-19 | 2018-04-10 | The Boeing Company | System and method to improve object tracking using tracking fingerprints |
WO2017053822A1 (en) * | 2015-09-23 | 2017-03-30 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
US20170083790A1 (en) | 2015-09-23 | 2017-03-23 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
CN105740802A (zh) * | 2016-01-28 | 2016-07-06 | 北京中科慧眼科技有限公司 | 基于视差图的障碍物检测方法和装置及汽车驾驶辅助系统 |
WO2017156043A1 (en) | 2016-03-08 | 2017-09-14 | Nant Holdings Ip, Llc | Image feature combination for image-based object recognition |
KR101760892B1 (ko) | 2016-06-22 | 2017-07-24 | 재단법인 실감교류인체감응솔루션연구단 | 옴니 카메라의 전방향 영상 기반 객체 추적 시스템 및 방법 |
DE102017107335A1 (de) * | 2017-04-05 | 2018-10-11 | Testo SE & Co. KGaA | Verfahren zur Identifikation von korrespondierenden Bildbereichen in einer Folge von Bildern |
US11856331B1 (en) * | 2017-05-10 | 2023-12-26 | Waylens, Inc. | Extracting and transmitting video analysis metadata for a remote database |
US11417098B1 (en) * | 2017-05-10 | 2022-08-16 | Waylens, Inc. | Determining location coordinates of a vehicle based on license plate metadata and video analytics |
KR102340125B1 (ko) | 2019-10-31 | 2021-12-16 | 한국항공대학교산학협력단 | 드론 정지 비행을 위한 영상 기반 특징점 추적 장치 및 그 방법 |
KR102468927B1 (ko) * | 2020-11-17 | 2022-11-21 | 한국항공우주연구원 | Sar 영상에서의 객체 변화 탐지 방법 및 sar 영상에서의 객체 변화 탐지 시스템 |
KR20230095613A (ko) * | 2021-12-22 | 2023-06-29 | 주식회사 포스코 | 특징점 추적 기반 거동 분석 방법 및 시스템 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047787A1 (en) * | 2005-09-01 | 2007-03-01 | Fujifilm Software (California), Inc. | Method and apparatus for automatic and dynamic vessel detection |
US20110134221A1 (en) * | 2009-12-07 | 2011-06-09 | Samsung Electronics Co., Ltd. | Object recognition system using left and right images and method |
US8036425B2 (en) * | 2008-06-26 | 2011-10-11 | Billy Hou | Neural network-controlled automatic tracking and recognizing system and method |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711293B1 (en) | 1999-03-08 | 2004-03-23 | The University Of British Columbia | Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image |
KR20050063991A (ko) * | 2003-12-23 | 2005-06-29 | 한국전자통신연구원 | 영상 피라미드를 이용한 영상정합 처리방법 및 장치 |
JP2005309782A (ja) | 2004-04-21 | 2005-11-04 | Toyota Motor Corp | 画像処理装置 |
EP1850270B1 (en) | 2006-04-28 | 2010-06-09 | Toyota Motor Europe NV | Robust interest point detector and descriptor |
US8005264B2 (en) * | 2008-06-09 | 2011-08-23 | Arcsoft, Inc. | Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device |
US8995758B1 (en) * | 2008-06-20 | 2015-03-31 | Google Inc. | Classifying false positive descriptors |
KR100972849B1 (ko) | 2009-10-16 | 2010-07-28 | 주식회사 쓰리디누리 | 객체 인식 방법 |
-
2012
- 2012-05-31 KR KR1020120058412A patent/KR101303124B1/ko active IP Right Grant
-
2013
- 2013-05-31 WO PCT/KR2013/004840 patent/WO2013180530A1/ko active Application Filing
- 2013-05-31 US US13/906,783 patent/US9552642B2/en active Active
- 2013-05-31 CN CN201310213639.3A patent/CN103456003B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047787A1 (en) * | 2005-09-01 | 2007-03-01 | Fujifilm Software (California), Inc. | Method and apparatus for automatic and dynamic vessel detection |
US8036425B2 (en) * | 2008-06-26 | 2011-10-11 | Billy Hou | Neural network-controlled automatic tracking and recognizing system and method |
US20110134221A1 (en) * | 2009-12-07 | 2011-06-09 | Samsung Electronics Co., Ltd. | Object recognition system using left and right images and method |
Non-Patent Citations (2)
Title |
---|
Z. YI ET AL: "Multi-spectral remote image registration based on SIFT", 《ELECTRONICS LETTERS》, vol. 44, no. 2, 17 January 2008 (2008-01-17) * |
王洪兵: "增强现实环境下基于视觉的高精度目标跟踪技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 April 2011 (2011-04-15), pages 11 - 26 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105100596A (zh) * | 2014-05-14 | 2015-11-25 | 韩华泰科株式会社 | 相机设备和使用相机设备跟踪对象的方法 |
US10334150B2 (en) | 2014-05-14 | 2019-06-25 | Hanwha Aerospace Co., Ltd. | Camera system and method of tracking object using the same |
CN105100596B (zh) * | 2014-05-14 | 2019-08-20 | 韩华泰科株式会社 | 相机设备和使用相机设备跟踪对象的方法 |
CN109144043A (zh) * | 2017-06-27 | 2019-01-04 | 金宝电子工业股份有限公司 | 追踪目标物的方法 |
CN111401239A (zh) * | 2020-03-16 | 2020-07-10 | 科大讯飞(苏州)科技有限公司 | 一种视频分析方法、装置、系统、设备及存储介质 |
CN111401239B (zh) * | 2020-03-16 | 2021-04-20 | 科大讯飞(苏州)科技有限公司 | 一种视频分析方法、装置、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR101303124B1 (ko) | 2013-09-09 |
WO2013180530A1 (ko) | 2013-12-05 |
US20130322763A1 (en) | 2013-12-05 |
CN103456003B (zh) | 2016-08-10 |
US9552642B2 (en) | 2017-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103456003A (zh) | 对象跟踪装置及方法以及错误特征点剔除装置及方法 | |
CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
Timofte et al. | Multi-view traffic sign detection, recognition, and 3D localisation | |
US20070058856A1 (en) | Character recoginition in video data | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN109472262A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN107464245B (zh) | 一种图像结构边缘的定位方法及装置 | |
CN105224956A (zh) | 一种基于多特征融合的车牌类别识别方法及系统 | |
CN111178290A (zh) | 一种签名验证方法和装置 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN105160292A (zh) | 一种车辆标识识别方法与系统 | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
Forczmański et al. | Stamps detection and classification using simple features ensemble | |
Matoš et al. | The speed limit road signs recognition using hough transformation and multi-class SVM | |
Alturki | Traffic sign detection and recognition using adaptive threshold segmentation with fuzzy neural network classification | |
Mishchenko et al. | Model-based chart image classification | |
CN113313092B (zh) | 手写签名识别方法、理赔自动化处理方法、装置和设备 | |
CN103136536A (zh) | 对象检测系统和方法、图像的特征提取方法 | |
Dhanya et al. | A state of the art review on copy move forgery detection techniques | |
CN111860498A (zh) | 一种车牌的对抗性样本生成方法、装置及存储介质 | |
Kumar et al. | Intelligent parking vehicle identification and classification system | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation | |
Palmer et al. | Scale proportionate histograms of oriented gradients for object detection in co-registered visual and range data | |
CN114419428A (zh) | 一种目标检测方法、目标检测装置和计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160810 |