CN106780554A - 一种融合模板匹配和灰预测的目标跟踪方法 - Google Patents
一种融合模板匹配和灰预测的目标跟踪方法 Download PDFInfo
- Publication number
- CN106780554A CN106780554A CN201611093772.XA CN201611093772A CN106780554A CN 106780554 A CN106780554 A CN 106780554A CN 201611093772 A CN201611093772 A CN 201611093772A CN 106780554 A CN106780554 A CN 106780554A
- Authority
- CN
- China
- Prior art keywords
- template
- target
- centerdot
- grey prediction
- frame
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种融合模板匹配和灰预测的目标跟踪方法。该方法首先使用灰预测GM(1,1)模型预测目标在图像中的位置;然后用模板匹配法计算目标确切的位置。位置的预测极大地减少了搜索范围,使的目标跟踪方法达到实时性的要求。在匹配过程中,使用带有自适应阈值的序贯相似度检测法,通过阈值和绝对误差和的比较,既减小了计算量,又使阈值很好地适应匹配过程。最后,针对目标尺度和环境的变化,采用加权的模板更新方法,提高了跟踪方法的鲁棒性。
Description
技术领域
本发明属于计算机视觉跟踪技术,特别是一种融合模板匹配和灰预测的目标跟踪方法。
背景技术
目标跟踪是计算机视觉领域一项基础的核心技术,是后续各种高层视觉处理的基础。目标跟踪技术在民用和军用的许多领域中都具有极为广泛的应用前景,如视频监控、智能交通、导弹精确制导等。模板匹配是图像处理、模式识别和目标跟踪等方面的基础算法。该算法有操作简单、对图像质量要求不高等优点,但同时也有计算量大和实时性差等缺点。
近年来,主要有两种方法来解决模板匹配的计算量大和实时性差的问题:一是粗细结合的模板匹配法(1.Mohammad Gharavi-Alkhansari,A Fast Globally OptimalAlgorithm for Template Matching Using Low-Resolution Pruning,IEEE T IMAGEPROCESS,2001,vol.10(4),pp.526~533.);二是用预测目标位置的方法来缩小传统目标匹配的搜索范围,从而减少模板匹配的计算量。卡尔曼滤波是常用的预测目标位置的方法,并和其他算法相结合应用在目标跟踪中(2.Xiaohe Li,Taiyi Zhang,etc.,Object trackingusing an adaptive Kalman filter combined with mean shift,OE Letters,2010,vol.49(2),pp.1~3)。卡尔曼滤波只适用于线性高斯的环境下,虽然有学者提出了扩展卡尔曼滤波和无迹卡尔曼滤波,但还是依赖于复杂的运动模型,这影响着跟踪的速度和精度。
灰系统理论是邓聚龙在20世纪70年代末提出的,其中灰预测是建立时轴上现在与未来的定量关系,根据系统现在的信息建立模型并预测未来。GM(1,1)是灰预测最简单实用的模型,可以处理小样本、贫信息和不确定的问题。GM(1,1)中的第一个“1”是指模型为一阶差分方程,第二个是指模型只含有一个变量。
发明内容
本发明的目的是提供一种融合灰预测和模板匹配的目标跟踪方法,用于解决传统的模板匹配计算量大和实时性差的问题。
为达到上述目的,本发明的技术解决方案是:一种融合模板匹配和灰预测的目标跟踪方法,步骤如下:
步骤1、在第一帧图像中选取所要跟踪的目标,以此建立目标模板;
步骤2、根据前四帧已知的目标位置信息,建立灰预测GM(1,1)模型;
步骤3、从第五帧图像开始,以GM(1,1)模型生成的预测位置为中心进行模板匹配;
步骤4、根据目标尺寸和环境的变化,使用加权策略更新目标模板。
本发明与现有技术相比,其显著优点为:(1)具有模板匹配和灰预测方法的各自优点,如模板匹配的对图像质量要求不高和灰预测的模型简单、计算量小等优点。(2)利用GM(1,1)模型预测每帧图像中目标的位置,只需要之前的4个已知位置即可建立精准的预测模型,(3)采用麦克劳林公式代替指数运算,进一步减小计算量。(4)采用具有自适应阈值的序贯相似度检测法,提高跟踪算法的准确性和实时性。(5)使用实用的加权策略来更新模板,以应对跟踪过程中目标尺寸和环境光照的变化。
附图说明
图1是本发明融合模板匹配和灰预测的目标跟踪方法框图。
图2是GM(1,1)模型代表含义说明图。
图3是模板匹配示意图。
图4是模板更新过程示意图。
具体实施方式
一种融合模板匹配和灰预测的视觉跟踪算法,包括以下步骤:
第一步,建立目标模板。在第一帧图像中选取所要跟踪的目标,以此建立目标模板。
第二步,建立预测模型。计算目标在前四帧图像中的位置,以此建立灰预测初始GM(1,1)模型。目标运动在图像中是二维的,因此分别建立横向和纵向的GM(1,1)模型。为了进一步减小运算量和提高实时性,用麦克劳林公式来近似计算指数函数,并只取前四项。
第三步,匹配模板。从第五帧图像开始,以GM(1,1)模型的预测位置为中心来匹配模板图像。具体使用序贯相似度检测法(Sequential Similarity Detection Algorithm,SSDA),该算法使用自适应的阈值来减小匹配计算量:当对应像素绝对差的和超过阈值时,停止模板匹配;当小于时,将绝对差的和作为下一次匹配的阈值。
第四步,更新模板。考虑到环境光照的变化,以及目标尺寸和旋转改变,使用加权策略更新目标模板,具体计算过程如下:
使用具有自适应阈值的SSDA获得目标在当前帧图像中最佳匹配位置;
计算目标模板和最佳匹配区域的绝对误差的和;
计算加权系数;
利用原模板、最佳匹配区域和加权系数,计算得到新的目标模板。
下面结合附图对本发明作进一步的详细描述。
结合图1,本发明融合模板匹配和灰预测的目标跟踪方法,步骤如下:
第一步,在第一帧图像中选取所要跟踪的目标,以此建立目标模板。同时,在前四帧图像中用全局模板匹配法获得目标的位置。
第二步,用前四个获得的位置建立横向和纵向GM(1,1)模型,GM(1,1)模型的含义如图2。设P(0)=(p(0)(1),p(0)(2),…,p(0)(n))为目标在图像中的位置,并令P(1)=(p(1)(1),p(1)(2),…,p(1)(n)),其中 k=1,2,…,n。进一步可得到序列的近邻均值M(1)=(m(1)(2),m(1)(3),…,m(1)(n)),其中k=2,3,…,n。由此可以得到灰预测方程:p(0)(k)=(λ1-λ2p(0)(1))e-a(k-2),其中[a,b]=(BTB)-1BTA,在不影响跟踪精度的前提下,为了进一步减小计算量,提高实时性,采用麦克劳林公式来计算预测方程中的e-3a,由此得到最终使用的预测方程:
第三步,在得到的预测区域,使用序贯相似度检测法匹配目标的实际位置。如图3,左上角为目标模板。T为目标模板,模板大小为M×N,S为原图像中同样大小的区域,则对应像素的绝对误差为:ε(i,j)=|(S(i,j)-S′(i,j))-(T(i,j)-T′(i,j))|,其中同时,预设一个阈值,用来和所有像素的绝对误差和进行比较。当绝对误差和大于该阈值时,停止匹配,移至原图像下一个区域进行匹配;而绝对误差和小于或等于该阈值时,得到最佳匹配位置,并将此时的绝对误差和赋给阈值,作为下一帧匹配的起始阈值。
结合图4,第四步,考虑到所跟踪目标的尺度和环境的变化,用一种加权法来更新模板。
(1)使用具有自适应阈值的SSDA获得目标在当前帧图像中最佳匹配位置;
(2)计算目标模板和最佳匹配区域的绝对差的和,记为D;
(3)计算加权系数,如下:
利用原模板、最佳匹配区域和加权系数,计算得到新的目标模板:
Tnew=αTb+(1-α)Tnow,
其中,Tnew为当前帧所使用的目标模板,Tb是当前帧所计算得到最佳匹配区域,Tnow是所得到下一帧所使用的目标模板。
Claims (5)
1.一种融合模板匹配和灰预测的目标跟踪方法,其特征在于步骤如下:
步骤1、在第一帧图像中选取所要跟踪的目标,以此建立目标模板;
步骤2、根据前四帧已知的目标位置信息,建立灰预测GM(1,1)模型;
步骤3、从第五帧图像开始,以GM(1,1)模型生成的预测位置为中心进行模板匹配;
步骤4、根据目标尺寸和环境的变化,使用加权策略更新目标模板。
2.根据权利要求1所述的融合模板匹配和灰预测的目标跟踪方法,其特征在于:所述步骤1中通过人工选择矩形框建立目标模板,目标完全包围在矩形框内,矩形框边框应尽量贴近目标边缘。
3.根据权利要求1所述的融合模板匹配和灰预测的目标跟踪方法,其特征在于:所述步骤2中根据前四帧已知的目标位置信息,建立灰预测GM(1,1)模型,并采用麦克劳林公式得到预测公式,
其中,[a,b]=(BTB)-1BTA,
设P(0)=(p(0)(1),p(0)(2),…,p(0)(n))为目标在图像中的位置,
4.根据权利要求1所述的融合模板匹配和灰预测的目标跟踪方法,其特征在于:步骤3中模板匹配步骤如下:
步骤3-1、从第五帧图像开始,选择原图像预测区域的左上角第一个像素为起点,计算目标模板和原图像对应像素的绝对误差;
步骤3-2、设定一个初始阈值,一般初始阈值设为零;
步骤3-3、对步骤3-1中的绝对误差求和得到绝对误差和,比较阈值与绝对误差和大小,当绝对误差和大于该阈值时,停止匹配,移至原图像下一个区域进行匹配;绝对误差和小于或等于该阈值时,得到最佳匹配位置,并将此时的绝对误差和赋给阈值,作为下一帧匹配的起始阈值。
5.根据权利要求1所述的融合模板匹配和灰预测的目标跟踪方法,其特征在于:所述步骤4中模板更新步骤如下:
步骤4-1、使用具有自适应阈值的序贯相似度检测法获得目标在当前帧图像中的最佳匹配位置;
步骤4-2、计算目标模板和最佳匹配区域的绝对差的和,记为D;
步骤4-3、计算加权系数α,如下:
其中,M、N分别为目标模板的长和宽;
步骤4-4、利用原模板、最佳匹配区域和加权系数,计算得到新的目标模板:
Tnew=αTb+(1-α)Tnow,
其中,Tnew为当前帧所使用的目标模板,Tb是当前帧所计算得到最佳匹配区域,Tnow是所得到下一帧所使用的目标模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093772.XA CN106780554A (zh) | 2016-12-02 | 2016-12-02 | 一种融合模板匹配和灰预测的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093772.XA CN106780554A (zh) | 2016-12-02 | 2016-12-02 | 一种融合模板匹配和灰预测的目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780554A true CN106780554A (zh) | 2017-05-31 |
Family
ID=58883848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611093772.XA Pending CN106780554A (zh) | 2016-12-02 | 2016-12-02 | 一种融合模板匹配和灰预测的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780554A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107645652A (zh) * | 2017-10-27 | 2018-01-30 | 深圳极视角科技有限公司 | 一种基于视频监控的非法越界报警系统 |
CN111784769A (zh) * | 2019-04-04 | 2020-10-16 | 舜宇光学(浙江)研究院有限公司 | 基于模板的空间定位方法、空间定位装置,电子设备及计算机可读存储介质 |
CN112884037A (zh) * | 2021-02-09 | 2021-06-01 | 中国科学院光电技术研究所 | 一种基于模板更新和无锚框方式的目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246546A (zh) * | 2008-03-13 | 2008-08-20 | 复旦大学 | 一种视频目标跟踪中的可变掩蔽模板匹配算法 |
CN104331908A (zh) * | 2014-11-19 | 2015-02-04 | 天津工业大学 | 压缩haar特征和运动信息相融合的目标跟踪方法 |
CN105389807A (zh) * | 2015-10-26 | 2016-03-09 | 南京理工大学 | 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法 |
-
2016
- 2016-12-02 CN CN201611093772.XA patent/CN106780554A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246546A (zh) * | 2008-03-13 | 2008-08-20 | 复旦大学 | 一种视频目标跟踪中的可变掩蔽模板匹配算法 |
CN104331908A (zh) * | 2014-11-19 | 2015-02-04 | 天津工业大学 | 压缩haar特征和运动信息相融合的目标跟踪方法 |
CN105389807A (zh) * | 2015-10-26 | 2016-03-09 | 南京理工大学 | 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法 |
Non-Patent Citations (1)
Title |
---|
MINGMING LV等: "Fast template matching based on grey prediction for real-time object tracking", 《EIGHTH INTERNATIONAL CONFERENCE ON GRAPHIC AND IMAGE PROCESSING (ICGIP 2016)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107645652A (zh) * | 2017-10-27 | 2018-01-30 | 深圳极视角科技有限公司 | 一种基于视频监控的非法越界报警系统 |
CN111784769A (zh) * | 2019-04-04 | 2020-10-16 | 舜宇光学(浙江)研究院有限公司 | 基于模板的空间定位方法、空间定位装置,电子设备及计算机可读存储介质 |
CN111784769B (zh) * | 2019-04-04 | 2023-07-04 | 舜宇光学(浙江)研究院有限公司 | 基于模板的空间定位方法、空间定位装置,电子设备及计算机可读存储介质 |
CN112884037A (zh) * | 2021-02-09 | 2021-06-01 | 中国科学院光电技术研究所 | 一种基于模板更新和无锚框方式的目标跟踪方法 |
CN112884037B (zh) * | 2021-02-09 | 2022-10-21 | 中国科学院光电技术研究所 | 一种基于模板更新和无锚框方式的目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543911B (zh) | 一种结合分类任务的弱监督目标分割方法 | |
CN111882580B (zh) | 一种视频多目标跟踪方法及系统 | |
CN113506317B (zh) | 一种基于Mask R-CNN和表观特征融合的多目标跟踪方法 | |
CN105894542B (zh) | 一种在线目标跟踪方法及装置 | |
CN105335986B (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN104318782B (zh) | 一种面向区域重叠的高速公路视频测速方法及系统 | |
CN102646279B (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 | |
CN101853511B (zh) | 一种抗遮挡目标轨迹预测跟踪方法 | |
Chen et al. | NDT-LOAM: A real-time LiDAR odometry and mapping with weighted NDT and LFA | |
CN101324956A (zh) | 基于均值漂移的抗遮挡运动目标跟踪方法 | |
CN110009665A (zh) | 一种遮挡环境下的目标检测跟踪方法 | |
CN106952288A (zh) | 基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法 | |
CN107301657B (zh) | 一种考虑目标运动信息的视频目标跟踪方法 | |
CN107748942B (zh) | 基于速度场感知网络的雷达回波外推预测方法和系统 | |
CN101408983A (zh) | 基于粒子滤波和活动轮廓模型的多目标跟踪方法 | |
CN106447696A (zh) | 一种基于双向sift流运动评估的大位移目标稀疏跟踪方法 | |
CN106780554A (zh) | 一种融合模板匹配和灰预测的目标跟踪方法 | |
CN101894378A (zh) | 基于双感兴趣区域的运动目标视觉跟踪方法及系统 | |
CN116630376A (zh) | 基于ByteTrack的无人机多目标跟踪方法 | |
CN104091352A (zh) | 基于结构相似度的视觉跟踪方法 | |
CN115731287B (zh) | 基于集合与拓扑空间的运动目标检索方法 | |
CN100583153C (zh) | 一种基于背景抑制的后验概率图像跟踪方法 | |
CN103559722B (zh) | 基于灰度线性建模的序列图像抖动量计算方法 | |
CN113379794B (zh) | 基于注意力-关键点预测模型的单目标跟踪系统及方法 | |
CN110827324B (zh) | 一种视频目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |