CN104063884B - 基于运动预测与多模板匹配相结合的图像目标识别方法 - Google Patents
基于运动预测与多模板匹配相结合的图像目标识别方法 Download PDFInfo
- Publication number
- CN104063884B CN104063884B CN201410331087.0A CN201410331087A CN104063884B CN 104063884 B CN104063884 B CN 104063884B CN 201410331087 A CN201410331087 A CN 201410331087A CN 104063884 B CN104063884 B CN 104063884B
- Authority
- CN
- China
- Prior art keywords
- target
- template
- subtemplate
- matching
- motion
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于运动预测与多模板匹配相结合的图像目标识别方法,该方法步骤为:(1)获取目标图像并将其建立为多模板模型,根据各个子模板的匹配度确定遮挡状态;(2)目标无遮挡时,对图像直接进行目标匹配确定目标图像;目标部分遮挡时,分别对各个子模板进行匹配确定目标图像;目标全部遮挡时,在预测的位置及邻域内进行搜索获得目标图像;(3)根据(2)步的匹配度更新备用模板。本发明的技术方案能准确判断目标受遮挡的程度,区分目标发生部分遮挡或全部遮挡情况,提高了目标图像识别的准确性。
Description
技术领域
本发明属于图像目标的识别和跟踪技术领域,具体来说是基于运动预测与多模板匹配相结合的图像目标识别方法,该方法特别适用于对高速公路上的运动图像目标进行识别和跟踪,减少由于遮挡而导致的目标不能被分辨现象。
背景技术
智能交通目标图像的识别和检测是高速公路监控系统的重要组成部分,对保障高速公路安全运营、人民生命财产保护及避免二次事故的发生等具有重要的作用,图像目标检测方法则是交通管理系统的核心部分。因此,研究高速公路运动目标的图像识别和检测方法具有重要的意义。
我国高速公路建设起步较晚,交通监控系统建设相对滞后。近些年,随着国家的重视资金的投入,目前多数高速公路已经建成了一定规模的交通监控系统。在高速公路交通事件检测方法理论研究和技术应用方面,虽然与发达国家有些差距,但也取得了一定的研究成果。国内外对交通图像识别检测方法的研究主要集中在新理论和新技术应用的研究方面,如神经网络、模糊理论、小波分析以及支持向量机等。相对于传统的图像识别和检测方法,基于这些新理论的交通图像目标的检测和识别方法具有良好的性能表现。识别率较高,报误率较低且检测时间短。但是基于这些新理论的图像识别模型尚有改进之处,识别方法的适用条件以及图像目标模型之间的性能差异研究比较缺乏和不足。同时,针对小波分析的一些图像目标识别方法由于实时性的限制,不能很好的完成实时准确的识别功能,在一定程度上限制了其方法的应用。
运动目标的图像识别本质是从图像信号中实时自动识别目标,提取目标的位置信息,自动对目标进行跟踪。该技术的难点在于图像信号采集过程中的信息损失和复杂的应用环境,特别是目标在运动过程中经常被场景中的其它物体遮挡,这种遮挡导致了部分固有特征的丢失和新特征的产生,这给目标识别和定位带来了很大困难。因此,如何在图像识别方法中降低遮挡导致的识别困难是识别方法实用性的关键。近年来多子模板匹配的方法开始应用于遮挡情况下的图像位置识别,该方法通过对所有目标子模板的跟踪获得目标在遮挡时的真实位置,但如何高效构造子模板和图像识别的效率和准确度紧密相关。现有的多模板是将目标图像模板划分为“田”子型的4个子模板,这样选取的子模板在目标发生遮挡时,遮挡物是从某一个方向进入目标模板而不会从4个方向同时进入,因此当某个或两个子模板发生遮挡匹配度下降时,其他未发生遮挡的子模板仍然具有很好的匹配精度可以用来进行目标识别。但经过实验发现,这种分配子模板和其他将目标模板进行分块的多模板匹配方法存在如下问题:当子模板发生遮挡进而匹配度下降时,无法判断目标受遮挡的程度,所以不能很好的区分目标发生部分遮挡或全部遮挡。
发明内容
本发明的目的是为了解决现有多模板图像目标识别方法中不能准确判断目标受遮挡的程度,区分目标发生部分遮挡或全部遮挡情况的缺陷提出基于运动预测与多模板匹配相结合的图像目标识别方法。
实现上述目的本发明的技术方案为,基于运动预测与多模板匹配相结合的图像目标识别方法,该方法步骤为:(1)获取目标图像并将其建立为多模板模型,根据各个子模板的匹配度确定遮挡状态;(2)目标无遮挡时,对图像直接进行目标匹配确定目标图像;目标部分遮挡时,分别对各个子模板进行匹配确定目标图像;目标全部遮挡时,在预测的位置及邻域内进行搜索获得目标图像;(3)根据(2)步的匹配度更新备用模板。上述步骤中采用的多模板模型是“田”字型四个子模板及在其中心叠加中心子模板构成,中心子模板的引入可以用来判断是否发生全部遮挡,即中心子模板的匹配度降低时,全部遮挡发生;各个子模板匹配度相同时,无任何遮挡;中心子模板匹配度不变,而其他子模块匹配度下降,发生部分遮挡。这种多模板分配方法能够在复杂背景条件下判断目标受遮挡的程度。
各个模板的匹配度为各个子模板与对应目标模板的子模板间的归一化函数,T是子模板,Sij表示子模板覆盖下搜索图,其中i,j表示位置,M、N分别表示子模板的宽和高。
当发生完全遮挡时,需要在预测的位置及邻域内进行搜索获得目标图像,具体预测过程包括:运动方向的预测,取模板图像中心,利用该点处的坐标值计算出运动方向,计算公式为:其中(xi-1,yi-1),(xi,yi)分别是前一帧和当前帧模板图像中心的位置,θi是该时刻的目标运动方向的估计;运动速度的预测,以目标的运动速度为匀速运动估计;由此确定的预测位置为Mi+1(x,y)=(xi+vicosθi,yi+visinθi),其中(xi,yi)是当前帧模板图像中心的坐标。θi为目标运动的方向的估计,vi为上一帧目标运动的平均速度。
当需要更新备用模板时,其更新条件是当各个子模板的匹配度加权平均值大于预先设定的模板更新门限,模板更新门限选择为大于0.85小于1.0的数。
本发明的技术方案采用多模板匹配构造目标图像的模板模型,同时根据目标运动速度队目标位置进行预测和估计,运用改进的归一化参数对遮挡情况下的复杂图像进行识别和检测,实现了遮挡状态的判断,提高了目标图像识别的准确性。
附图说明
图1是本发明基于运动预测与多模板匹配相结合的图像目标识别方法流程图。
具体实施方式
下面对本发明的技术方案进行具体描述,如图1所示为本发明所述的图像目标识别方法流程图,如图所示,步骤包括:(1)获取目标图像并将其建立为多模板模型,根据各个子模板的匹配度确定遮挡状态;(2)目标无遮挡时,对图像直接进行目标匹配确定目标图像;目标部分遮挡时,分别对各个子模板进行匹配确定目标图像;目标全部遮挡时,在预测的位置及邻域内进行搜索获得目标图像;(3)根据(2)步的匹配度更新备用模板。上述步骤中采用的多模板模型是“田”字型四个子模板及在其中心叠加中心子模板构成,中心子模板的引入可以用来判断是否发生全部遮挡,及中心子模板的匹配度降低时,全部遮挡发生;各个子模板匹配度相同时,无任何遮挡;中心子模板匹配度不变,而其他子模块匹配度下降,发生部分遮挡。这种多模板分配方法能够在复杂背景条件下判断目标受遮挡的程度。
各个模板的匹配度为各个子模板与对应目标模板的子模板间的归一化函数,T是子模板,Sij表示子模板覆盖下搜索图,其中i,j表示位置,M、N分别表示子模板的宽和高。
当发生完全遮挡时,需要在预测的位置及邻域内进行搜索获得目标图像,具体预测过程包括:运动方向的预测,取模板图像中心,利用该点处的坐标值计算出运动方向,计算公式为:其中(xi-1,yi-1),(xi,yi)分别是前一帧和当前帧模板图像中心的位置,θi是该时刻的目标运动方向的估计;运动速度的预测,以目标的运动速度为匀速运动估计;由此确定的预测位置为Mi+1(x,y)=(xi+vicosθi,yi+visinθi),其中(xi,yi)是当前帧模板图像中心的坐标。θi为目标运动的方向的估计,vi为上一帧目标运动的平均速度。
在模板更新时,选择为大于0.85小于1.0的数作为更新门限,当各个子模板的匹配度加权平均值大于预先设定的模板更新门限时进行备用模板更新。如实验中选择模板更新门限0.9,则:在正常情况下,即匹配度高于匹配门限低于更新门限时,将备用模板更新为目标模板;当物体发生遮挡时,即匹配度低于匹配门限,为了避免将遮挡物信息引入目标模板,此时停止模板更新以及刷新备用模板。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (5)
1.一种基于运动预测与多模板匹配相结合的图像目标识别方法,其特征在于,该方法步骤为:(1)获取目标图像并将其建立为多模板模型,根据各个子模板的匹配度确定遮挡状态,多模板模型是“田”字型四个子模板及在其中心叠加中心子模板构成,各个模板的匹配度为各个子模板与对应目标模板的子模板间的归一化函数,T是子模板,Sij表示子模板覆盖下搜索图,其中i,j表示位置,M、N分别表示子模板的宽和高;(2)目标无遮挡时,对图像直接进行目标匹配确定目标图像;目标部分遮挡时,分别对各个子模板进行匹配确定目标图像;目标全部遮挡时,在预测的位置及邻域内进行搜索获得目标图像;(3)根据(2)步的匹配度更新备用模板。
2.根据权利要求1所述的基于运动预测与多模板匹配相结合的图像目标识别方法,其特征在于,遮挡状态的判断为:目标无遮挡时,各个子模板的匹配度相同;当中心子模板匹配度降低时,发生全部遮挡;中心子模板匹配度不变,而其他子模板匹配度下降,发生部分遮挡。
3.根据权利要求1所述的基于运动预测与多模板匹配相结合的图像目标识别方法,其特征在于,在预测的位置及邻域内进行搜索获得目标图像包括:运动方向的预测,取模板图像中心,利用该点处的坐标值计算出运动方向,计算公式为:其中(xk-1,yk-1),(xk,yk)分别是前一帧和当前帧模板图像中心的位置,θk是该点处的目标运动方向的估计;运动速度的预测,以目标的运动速度为匀速运动估计;由此确定的预测位置为Pk+1(x,y)=(xk+vkcosθk,yk+vksinθk),其中(xk,yk)是当前帧模板图像中心的坐标,θk为目标运动的方向的估计,vk为上一帧目标运动的平均速度。
4.根据权利要求1或3所述的基于运动预测与多模板匹配相结合的图像目标识别方法,其特征在于,更新备用模板的条件是当各个子模板的匹配度加权平均值大于预先设定的模板更新门限时进行备用模板更新。
5.根据权利要求4所述的基于运动预测与多模板匹配相结合的图像目标识别方法,其特征在于,模板更新门限选择为大于0.85小于1.0的数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410331087.0A CN104063884B (zh) | 2014-07-11 | 2014-07-11 | 基于运动预测与多模板匹配相结合的图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410331087.0A CN104063884B (zh) | 2014-07-11 | 2014-07-11 | 基于运动预测与多模板匹配相结合的图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063884A CN104063884A (zh) | 2014-09-24 |
CN104063884B true CN104063884B (zh) | 2018-02-13 |
Family
ID=51551576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410331087.0A Active CN104063884B (zh) | 2014-07-11 | 2014-07-11 | 基于运动预测与多模板匹配相结合的图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063884B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023250B (zh) * | 2016-05-16 | 2018-09-07 | 长春理工大学 | 一种图像识别与跟踪中目标遮蔽强度的评价方法 |
CN110930429B (zh) * | 2018-09-19 | 2023-03-31 | 杭州海康威视数字技术股份有限公司 | 一种目标跟踪处理方法、装置及设备、可读介质 |
CN109509229B (zh) * | 2018-11-12 | 2020-12-15 | 凌云光技术集团有限责任公司 | 一种基于二维线性变换的模板重建装置及方法 |
CN109819160A (zh) * | 2019-01-04 | 2019-05-28 | 惠州市凯越电子股份有限公司 | 基于ai和物联网的360全景行车可视辅助系统视频生成方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN102169544A (zh) * | 2011-04-18 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多特征融合的人脸遮挡检测方法 |
-
2014
- 2014-07-11 CN CN201410331087.0A patent/CN104063884B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN102169544A (zh) * | 2011-04-18 | 2011-08-31 | 苏州市慧视通讯科技有限公司 | 基于多特征融合的人脸遮挡检测方法 |
Non-Patent Citations (1)
Title |
---|
分块跟踪中的目标模板更新方法;齐美彬等;《中国图象图形学报》;20110630;第16卷(第6期);976-982 * |
Also Published As
Publication number | Publication date |
---|---|
CN104063884A (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261034B (zh) | 一种高速公路上车流量的统计方法及装置 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN101847206B (zh) | 基于交通监控设施的行人流量统计方法与系统 | |
CN103136393B (zh) | 一种基于网格划分的区域覆盖率计算方法 | |
CN102768022B (zh) | 采用数码照相技术的隧道围岩变形检测方法 | |
CN103593678B (zh) | 一种大跨度桥梁车辆动态荷载分布检测方法 | |
CN109000645A (zh) | 复杂环境目标经典航迹提取方法 | |
CN104063884B (zh) | 基于运动预测与多模板匹配相结合的图像目标识别方法 | |
CN104318578A (zh) | 一种视频图像分析方法及系统 | |
CN107255803A (zh) | 一种船舶航迹逻辑起始算法 | |
CN106257301B (zh) | 基于统计推断的分布式时空关联模型轨迹跟踪方法 | |
CN107292870A (zh) | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统 | |
CN108364466A (zh) | 一种基于无人机交通视频的车流量统计方法 | |
CN103389738A (zh) | 一种用于乒乓球机器人预测乒乓球轨迹的方法和装置 | |
CN102646279A (zh) | 一种基于运动预测与多子块模板匹配相结合的抗遮挡跟踪方法 | |
CN104023228A (zh) | 一种基于全局运动估计的自适应室内视觉定位方法 | |
CN109614948B (zh) | 异常行为的检测方法、装置、设备和存储介质 | |
CN111079722B (zh) | 一种吊装过程人员安全监测方法及系统 | |
CN104112279B (zh) | 一种目标检测方法及装置 | |
CN104732236B (zh) | 一种基于分层处理的人群异常行为智能检测方法 | |
CN108804539A (zh) | 一种时间与空间双视角下的轨迹异常检测方法 | |
CN106127723A (zh) | 外围空间特征信息提取方法 | |
CN113914407B (zh) | 一种基于bim与机器视觉的挖掘机开挖隧道精确控制系统 | |
Zheng et al. | Background noise filtering and clustering with 3D LiDAR deployed in roadside of urban environments | |
CN109343051A (zh) | 一种用于高级辅助驾驶的多传感器数据融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |