CN109325453A

CN109325453A - 运动目标的模板匹配跟踪方法

Info

Publication number: CN109325453A
Application number: CN201811129999.4A
Authority: CN
Inventors: 孟博
Original assignee: Shenyang Ligong University
Current assignee: Shenyang Ligong University
Priority date: 2018-09-27
Filing date: 2018-09-27
Publication date: 2019-02-12
Anticipated expiration: 2038-09-27
Also published as: CN109325453B

Abstract

本发明属于图像处理与机器视觉领域，具体为运动目标的模板匹配跟踪方法。计算模板与待匹配区的灰度质心和灰度邻域差值质心，将中心与灰度质心的连线及中心与灰度邻域差值质心的连线确定为灰度基准方向和灰度邻域差值基准方向，将模板与待匹配区的中心、灰度基准方向以及灰度邻域差值基准方向重合，计算匹配准则函数值，将最佳匹配位置确定为目标位置，并根据匹配结果更新加权系数，从而提高了跟踪方法对旋转变化的适应性。本发明可用于目标识别与跟踪系统中。

Description

运动目标的模板匹配跟踪方法

技术领域

本发明属于图像处理与机器视觉领域，涉及一种目标识别与跟踪方法，特别涉及一种基于模板匹配的目标识别与跟踪方法(运动目标的模板匹配跟踪方法)。

背景技术

目标的识别与跟踪一直是机器视觉和图像处理领域的重要研究内容。在国防军事、智能交通、视频监控等领域有着重要的应用价值。目标识别与跟踪系统通常对跟踪方法的实时性有着严格的要求，因此，简单可靠的跟踪方法具有良好的应用前景。例如，当跟踪场景很简单时，可采用“双波门”方法，该方法通过设置被识别目标灰度的上下限阈值来区分目标和背景图像，从而实现目标的识别与跟踪。但当目标或背景较为复杂时，该方法就无法有效识别目标。相关匹配识别与跟踪方法由于方法机理简单、易于实现，在实际系统中也得到了广泛应用。这类方法将被跟踪目标图像设定为模板，将模板在跟踪窗中进行移动，并计算模板与覆盖区域图像的相关值，将最佳匹配区域确定为目标位置。例如，灰度差的绝对平均值方法就是最常用的一种简单的相关匹配方法。该方法采用点对点的匹配计算，因此该方法具有平移不变性，但却不具有旋转不变性。这样，当目标发生一定倾斜或旋转时，往往导致无法正确定位目标位置，从而导致跟踪失败。另外，该方法对光照变化也十分敏感，跟踪性能不高。

因此设计一种具有旋转不变性的模板匹配方法具有重要的应用价值。

发明内容

本发明所要解决的技术问题是，提供运动目标的模板匹配跟踪方法，设计一种具有旋转不变性并对光照变化具有一定抑制能力的模板匹配目标识别与跟踪方法，实现对灰度图像目标的识别与跟踪。

本发明所采用的技术方案是：运动目标的模板匹配跟踪方法，分别计算模板与待匹配区的灰度质心和灰度邻域差值质心，将中心与灰度质心的连线确定为灰度基准方向，将中心与灰度邻域差值质心的连线确定为灰度邻域差值基准方向，分别将模板的中心和灰度基准方向与待匹配区的中心和灰度基准方向相重合，计算灰度匹配值；分别将模板的中心和灰度邻域差值基准方向与待匹配区的中心和灰度邻域差值基准方向相重合，计算灰度邻域差值匹配值，将灰度匹配值和灰度邻域差值匹配值进行加权融合，得到模板与待匹配区的匹配准则函数值，匹配准则函数值最小的位置即为最佳匹配位置，将其确定为目标位置，并根据所确定目标位置的灰度匹配值和灰度邻域差值匹配值更新加权权值。

本发明的目的在于提出一种运动目标的模板匹配跟踪方法，利用模板与待匹配区的基准方向确保方法具有旋转不变性，在匹配准则函数中增加了灰度邻域差值匹配项，并对加权值进行更新，提高了方法对光照变化的适应能力，从而提高了目标识别的准确性，可实现对灰度图像目标的识别与跟踪。

本发明属于图像处理与机器视觉领域，具体为基于模板匹配的目标识别与跟踪方法。计算模板与待匹配区的灰度质心和灰度邻域差值质心，将中心与灰度质心的连线及中心与灰度邻域差值质心的连线确定为灰度基准方向和灰度邻域差值基准方向，将模板与待匹配区的中心、灰度基准方向以及灰度邻域差值基准方向重合，计算匹配准则函数值，将最佳匹配位置确定为目标位置，并根据匹配结果更新加权系数，从而提高了跟踪方法对旋转变化的适应性。本发明可用于目标识别与跟踪系统中。

其优点在于：

当目标发生旋转变化时，本发明方法仍然有效，匹配准则函数中灰度邻域差值匹配值的计算能够提高跟踪方法对光照变化的适应能力。本发明适用于运动目标跟踪系统中。

附图说明

图1为基准方向图。

图2是本发明方法跟踪效果图。

具体实施方式

下面结合实施例和附图对本发明作进一步详细说明。

本发明采用模板匹配方法实现目标的识别与跟踪。设模板图像A中(i,j)位置的像素灰度值为a_i,j，其周围8个邻域像素灰度值为{a_i-1,j，a_i+1,j，a_i,j-1，a_i,j+1，a_i-1,j-1，a_i+1,j+1，a_i-1,j+1，a_i+1,j-1}，由此可求得(i,j)位置像素的灰度邻域差值b_i,j为：

由此，可分别求出模板图像A的灰度质心和灰度邻域差值质心，其中，模板灰度质心(x_a，y_a)可计算为：

其中，x_a为模板图像A的灰度质心横坐标，y_a为模板图像A的灰度质心纵坐标。同样，模板灰度邻域差值质心(x_b，y_b)可计算为：

其中，x_b为模板图像A的灰度邻域差值质心横坐标，y_b为模板图像A的灰度邻域差值质心纵坐标。

如图1所示，以模板的中心为起点，指向模板灰度质心的方向称为灰度基准方向；以模板的中心为起点，指向模板灰度邻域差值质心的方向称为灰度邻域差值基准方向。

设第k帧图像的搜索区中与模板进行匹配计算的图像区域为C^k，图像区域C^k中的(i,j)位置像素的灰度值为c^k _i,j，其周围8个邻域像素灰度值为{c^k _i-1,j，c^k _i+1,j，c^k _i,j-1，c^k _i,j+1，c^k _i-1,j-1，c^k _i+1,j+1，c^k _i-1,j+1，c^k _i+1,j-1}，由此可求得(i,j)位置的像素点的灰度邻域差值d^k _i,j为：

由此，可分别求出图像区域C^k的灰度质心和灰度邻域差值质心，其中，模板灰度质心(x_c ^k，y_c ^k)可计算为：

其中，x_c ^k为图像区域C^k的灰度质心横坐标，y_c ^k为图像区域C^k的灰度质心纵坐标。图像区域C^k灰度邻域差值质心(x_d ^k，y_d ^k)可计算为：

其中，x_d ^k为图像区域C^k的灰度邻域差值质心横坐标，y_d ^k为图像区域C^k的灰度邻域差值质心纵坐标。

同样，以图像区域C^k的中心为起点，指向图像区域C^k灰度质心的方向称为图像区域C^k的灰度基准方向；以图像区域C^k的中心为起点，指向图像区域C^k灰度邻域差值质心的方向称为图像区域C^k的灰度邻域差值基准方向。

模板图像A与图像区域C^k的匹配准则函数D(A,C^k)定义为：

D(A,C^k)＝α(k)·D₁(k)+β(k)·D₂(k) (11)。

其中，D₁(k)是模板图像A与图像区域C^k的灰度匹配值，其计算方法为将模板图像A的中心与图像区域C^k的中心重合，再将模板图像A的灰度基准方向与图像区域C^k的灰度基准方向重合，然后计算D₁(k)：

D₂(k)是模板图像A与图像区域C^k的灰度邻域差值匹配值，其计算方法为将模板图像A的中心与图像区域C^k的中心重合，再将模板图像A的灰度邻域差值基准方向与图像区域C^k的灰度邻域差值基准方向重合，然后计算D₂(k)：

α(k)和β(k)为第k帧图像的加权系数。第1帧的加权系数可设置为α(1)＝β(1)＝0.5。

将模板图像A在第k帧图像的搜索区内移动，匹配准则函数值最小的位置确定为目标位置。将第k帧图像确定出的目标位置的灰度匹配值设为D_1best(k)，灰度邻域差值匹配值设为D_2best(k)，则加权系数更新为：

加权系数是按照匹配值越小系数越大的方式进行更新，这样，灰度值和灰度邻域差值中匹配值小的可获得较大权值，从而可提高跟踪方法的跟踪稳定性。

匹配准则函数计算时，分别将模板与待匹配区的中心、灰度基准方向和灰度邻域差值基准方向重合，可确跟踪方法对目标的旋转运动具有不变性。图2是本发明方法跟踪效果图，从图中可见，本发明方法对目标的旋转运动具有很好的适应性。

Claims

1.运动目标的模板匹配跟踪方法，其特征在于包括下列步骤：分别计算模板与待匹配区的灰度质心和灰度邻域差值质心，将中心与灰度质心的连线确定为灰度基准方向，将中心与灰度邻域差值质心的连线确定为灰度邻域差值基准方向，分别将模板的中心和灰度基准方向与待匹配区的中心和灰度基准方向相重合，计算灰度匹配值；分别将模板的中心和灰度邻域差值基准方向与待匹配区的中心和灰度邻域差值基准方向相重合，计算灰度邻域差值匹配值，将灰度匹配值和灰度邻域差值匹配值进行加权融合，得到模板与待匹配区的匹配准则函数值，匹配准则函数值最小的位置即为最佳匹配位置，将其确定为目标位置，并根据所确定目标位置的灰度匹配值和灰度邻域差值匹配值更新加权权值。

2.根据权利要求1所述的运动目标的模板匹配跟踪方法，其特征在于包括下列步骤：设模板图像A中(i,j)位置的像素灰度值为a_i,j，其周围8个邻域像素灰度值为{a_i-1,j，a_i+1,j，a_i,j-1，a_i,j+1，a_i-1,j-1，a_i+1,j+1，a_i-1,j+1，a_i+1,j-1}，由此可求得(i,j)位置像素的灰度邻域差值b_i,j为：

其中，x_a为模板图像A的灰度质心横坐标，y_a为模板图像A的灰度质心纵坐标；模板灰度邻域差值质心(x_b，y_b)可计算为：

其中，x_b为模板图像A的灰度邻域差值质心横坐标，y_b为模板图像A的灰度邻域差值质心纵坐标；以模板的中心为起点，指向模板灰度质心的方向称为灰度基准方向；以模板的中心为起点，指向模板灰度邻域差值质心的方向称为灰度邻域差值基准方向。

3.根据权利要求2所述的运动目标的模板匹配跟踪方法，其特征在于包括下列步骤：设第k帧图像的搜索区中与模板进行匹配计算的图像区域为C^k，图像区域C^k中的(i,j)位置像素的灰度值为c^k _i,j，其周围8个邻域像素灰度值为{c^k _i-1,j，c^k _i+1,j，c^k _i,j-1，c^k _i,j+1，c^k _i-1,j-1，c^k _i+1,j+1，c^k _i-1,j+1，c^k _i+1,j-1}，由此可求得(i,j)位置的像素点的灰度邻域差值d^k _i,j为：

其中，x_c ^k为图像区域C^k的灰度质心横坐标，y_c ^k为图像区域C^k的灰度质心纵坐标；图像区域C^k灰度邻域差值质心(x_d ^k，y_d ^k)可计算为：

其中，x_d ^k为图像区域C^k的灰度邻域差值质心横坐标，y_d ^k为图像区域C^k的灰度邻域差值质心纵坐标；同样，以图像区域C^k的中心为起点，指向图像区域C^k灰度质心的方向称为图像区域C^k的灰度基准方向；以图像区域C^k的中心为起点，指向图像区域C^k灰度邻域差值质心的方向称为图像区域C^k的灰度邻域差值基准方向。

4.根据权利要求2所述的运动目标的模板匹配跟踪方法，其特征在于包括下列步骤：模板图像A与图像区域C^k的匹配准则函数D(A,C^k)定义为：

D(A,C^k)＝α(k)·D₁(k)+β(k)·D₂(k) (11)；

α(k)和β(k)为第k帧图像的加权系数；第1帧的加权系数可设置为α(1)＝β(1)＝0.5；将模板图像A在第k帧图像的搜索区内移动，匹配准则函数值最小的位置确定为目标位置；将第k帧图像确定出的目标位置的灰度匹配值设为D_1best(k)，灰度邻域差值匹配值设为D_2best(k)，则加权系数更新为：