CN115082714A - 一种基于mcd距离的自适应模板匹配算法 - Google Patents
一种基于mcd距离的自适应模板匹配算法 Download PDFInfo
- Publication number
- CN115082714A CN115082714A CN202110278675.2A CN202110278675A CN115082714A CN 115082714 A CN115082714 A CN 115082714A CN 202110278675 A CN202110278675 A CN 202110278675A CN 115082714 A CN115082714 A CN 115082714A
- Authority
- CN
- China
- Prior art keywords
- template
- target
- mcd
- distance
- matched
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于MCD距离的自适应模板匹配算法,通过SAD模板匹配方法获得目标模板S,将目标模板遍历整个图像,与每一个待匹配的模板进行灰度值差的运算,分别求出绝对值,将每一个绝对值与设定的像素灰度相似性阈值T进行比较,根据比较结果,利用MCD距离对模板更新得到基于MCD距离的自适应模板更新方法更新后的目标模板。本发明基于MCD的自适应模板匹配算法的跟踪准确率比传统方法的跟踪准确率有明显提高,跟踪准确率达到93.1%,此方法能够实现很好的目标跟踪。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种基于MCD距离的自适应模板匹配算法。
背景技术
基于图像匹配技术的目标跟踪算法已经在模式识别、安防等领域得到了广泛的应用。基于模板匹配的目标跟踪算法大致流程是:首先在当前视频帧中提取目标来作为后续帧的匹配模板,所以如何恰当的提取匹配模板至关重要,直接决定了后续跟踪性能的好坏。然后对后续视频帧进行处理,通过与匹配模板进行匹配来确定目标的位置,其中选择恰当的相似性度量准则来度量匹配模板与目标图像中目标区域的相似性。
在目标检测过程获得了背景模型之后,进入到目标跟踪阶段。由于目标在高速运动过程中形状、姿态等会发生较大的变化,所以需要立即对运动目标进行定位,根据一定的模型学习得到目标的跟踪模板,然后通过一定的目标匹配算法,在下一时刻图像中对目标进行匹配,从而实现对目标轨迹的捕获。
模板的好坏决定了匹配精度的高低,模板所包含的特征越多,匹配效果越好,目标跟踪可靠性越高。在对目标进行模板匹配时,匹配模板需要在实时的视频序列中进行搜索匹配。搜索算法可分为全局搜索和局部搜索两种,全局搜索算法准确率高,同时计算量大,不适合实时性的跟踪系统,而局部搜索算法能满足搜索准确率的条件性,实时性相对容易满足,运算量较全局算法而言小很多,同时局部搜索算法的缺点也很明显,容易陷入局部最优,即跟踪到错误的目标。
在目标跟踪阶段,根据一定的模型学习得到目标的跟踪模板,在下一时刻图像中对目标进行匹配,但是目标在高速运动过程中,形状、姿态等会发生较大的变化,前几帧得到的模板可能已经不适用于当前帧,导致目标跟踪失败,表现为丢失目标或者跟踪失误。
发明内容
为了解决上述问题,本发明提出了一种基于MCD距离的自适应模板匹配算法,使用MCD距离的自适应模板更新方法在合适的时机及时更新目标模板,能够更好地匹配目标,达到更好地跟踪效果,降低目标丢失率和跟踪失误率。
实现本发明目的的技术解决方案:
一种基于MCD距离的自适应模板匹配算法,包括以下步骤:
步骤一,通过SAD模板匹配方法获得目标模板S,其内的每个像素点灰度值函数为T(i,j),将目标视频中当前待测图像的每一个像素点对应的区域形成一个待匹配的模板,每一个像素点对应的区域大小与所述目标模板大小相同,将目标模板遍历整个图像,与每一个待匹配的模板进行灰度值差的运算,分别求出绝对值;
步骤二,将每一个绝对值与设定的像素灰度相似性阈值T进行比较;
步骤三,进行判断,如果该绝对值大于等于阈值T,则不需要更新目标模板,如果该绝对值小于阈值T,则进行下一步骤,直至将完成所有绝对值的判断;
步骤四,模板更新:利用MCD距离对模板更新,其算法为:
其中,待匹配的模板分辨率为M×N,i、j为待匹配的模板中像素点的坐标,1≤i≤M,1≤j≤N,T(i,j)为目标模板的像素点灰度值函数,F(i,j)为待匹配的模板的像素点灰度值函数,R(T(i,j),F(i,j))为T(i,j)和F(i,j)的复合函数,其公式如下:
wij为第一权值,取值为1,T为像素灰度相似性阈值;
得出当前待测图像的MCD距离后,计算当前待测图像的第二权值α:
步骤五,利用所述第二权值α,对目标模板进行加权得到基于MCD距离的自适应模板更新方法更新后的目标模板,算法如下:
Snew=αS+(1-α)Gxy (4)
公式(4)中,Gxy表示当前待测图像中最佳匹配位置的待匹配的模板,x,y为所述最佳匹配位置的坐标,Snew代表基于MCD距离的自适应模板更新方法更新后的目标模板。
本发明与现有技术相比,其显著优点是:
本发明的基于MCD距离的自适应模板匹配算法,使用MCD距离的自适应模板更新方法在合适的时机及时更新目标模板,能够更好地匹配目标,达到更好地跟踪效果,降低目标丢失率和跟踪失误率,本发明基于MCD的自适应模板匹配算法在仿真中表现较好,经过仿真实验验证,跟踪准确率比传统方法的跟踪准确率有明显提高,跟踪准确率达到93.1%,此方法能够实现很好的目标跟踪。
附图说明
图1是本发明基于MCD距离的自适应模板匹配算法流程图。
具体实施方式
下面结合附图对本发明作进一步的详细描述。
本发明的基于MCD(Maximum Close Distance)距离的自适应模板匹配更新方法,算法流程图如图1所示。
第一步,首先通过SAD模板匹配方法获得目标模板S,其内的每个像素点灰度值函数为T(i,j)。将目标视频中当前待测图像的每一个像素点对应的区域形成一个待匹配的模板,每一个像素点对应的区域大小与所述目标模板大小相同,将目标模板遍历整个图像,与每一个待匹配的模板进行灰度值差的运算,分别求出绝对值;
第二步,将每一个绝对值与设定的像素灰度相似性阈值T进行比较;
第三步,进行判断,如果该绝对值大于等于阈值T,则不需要更新目标模板,如果该绝对值小于阈值T,则进行下一步,直至将完成所有绝对值的判断;
第四步,模板更新:利用MCD距离对模板更新,其算法为:
其中,待匹配的模板分辨率为M×N,i、j为待匹配的模板中像素点的坐标,1≤i≤M,1≤j≤N,T(i,j)为目标模板的像素点灰度值函数,F(i,j)为待匹配的模板的像素点灰度值函数,R(T(i,j),F(i,j))为T(i,j)和F(i,j)的复合函数,其公式如下:
wij为第一权值,取值为1。T为像素灰度相似性阈值。
根据以上的算法可以得出当前待测图像的MCD距离,然后计算当前待测图像的第二权值α:
第五步,利用上一步计算出的第二权值α,对目标模板进行加权得到基于MCD距离的自适应模板更新方法更新后的目标模板,算法如下:
Snew=αS+(1-α)Gxy (4)
公式中,Gxy表示当前待测图像中最佳匹配位置的待匹配的模板,x,y为所述最佳匹配位置的坐标。Snew代表基于MCD距离的自适应模板更新方法更新后的目标模板。该算法不止能保留旧模板的部分信息,又采用了最新的目标信息。
本发明提出的是一种高可靠性的模板更新方法,不再使用固定不变的目标模板,也就解决了目标姿态变化带来的跟踪丢失问题,提高了正确率。在本发明的算法中,若连续多帧(例如6帧)模板图像与待匹配的目标图像中目标区域之间的相似程度很低甚至任意待匹配的目标图像中目标区域均未匹配到模板,则需要对模板进行更新。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于MCD距离的自适应模板匹配算法,其特征在于,包括以下步骤:
步骤一,通过SAD模板匹配方法获得目标模板S,其内的每个像素点灰度值函数为T(i,j),将目标视频中当前待测图像的每一个像素点对应的区域形成一个待匹配的模板,每一个像素点对应的区域大小与所述目标模板大小相同,将目标模板遍历整个图像,与每一个待匹配的模板进行灰度值差的运算,分别求出绝对值;
步骤二,将每一个绝对值与设定的像素灰度相似性阈值T进行比较;
步骤三,进行判断,如果该绝对值大于等于阈值T,则不需要更新目标模板,如果该绝对值小于阈值T,则进行下一步骤,直至将完成所有绝对值的判断;
步骤四,模板更新:利用MCD距离对模板更新,其算法为:
其中,待匹配的模板分辨率为M×N,i、j为待匹配的模板中像素点的坐标,1≤i≤M,1≤j≤N,T(i,j)为目标模板的像素点灰度值函数,F(i,j)为待匹配的模板的像素点灰度值函数,R(T(i,j),F(i,j))为T(i,j)和F(i,j)的复合函数,其公式如下:
wij为第一权值,取值为1,T为像素灰度相似性阈值;
得出当前待测图像的MCD距离后,计算当前待测图像的第二权值α:
步骤五,利用所述第二权值α,对目标模板进行加权得到基于MCD距离的自适应模板更新方法更新后的目标模板,算法如下:
Snew=αS+(1-α)Gxy (4)
公式(4)中,Gxy表示当前待测图像中最佳匹配位置的待匹配的模板,x,y为所述最佳匹配位置的坐标,Snew代表基于MCD距离的自适应模板更新方法更新后的目标模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278675.2A CN115082714A (zh) | 2021-03-16 | 2021-03-16 | 一种基于mcd距离的自适应模板匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278675.2A CN115082714A (zh) | 2021-03-16 | 2021-03-16 | 一种基于mcd距离的自适应模板匹配算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082714A true CN115082714A (zh) | 2022-09-20 |
Family
ID=83245492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278675.2A Pending CN115082714A (zh) | 2021-03-16 | 2021-03-16 | 一种基于mcd距离的自适应模板匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082714A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152207A (zh) * | 2023-02-27 | 2023-05-23 | 上海福柯斯智能科技有限公司 | 一种图像剪影自适应学习方法及装置 |
-
2021
- 2021-03-16 CN CN202110278675.2A patent/CN115082714A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152207A (zh) * | 2023-02-27 | 2023-05-23 | 上海福柯斯智能科技有限公司 | 一种图像剪影自适应学习方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪系统及方法 | |
CN111144364B (zh) | 一种基于通道注意更新机制的孪生网络目标跟踪方法 | |
CN110796010B (zh) | 一种结合光流法和卡尔曼滤波的视频稳像方法 | |
CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
CN105374049B (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN110531618B (zh) | 基于有效关键帧的闭环检测机器人自定位误差消除方法 | |
CN110111370B (zh) | 一种基于tld和深度多尺度时空特征的视觉物体跟踪方法 | |
CN108022254A (zh) | 一种基于征点辅助的时空上下文目标跟踪方法 | |
CN110458862A (zh) | 一种遮挡背景下的运动目标跟踪方法 | |
CN116309731A (zh) | 一种基于自适应卡尔曼滤波的多目标动态跟踪方法 | |
CN111242985B (zh) | 基于马尔科夫模型的视频多行人追踪方法 | |
CN108846850B (zh) | 一种基于tld算法的目标跟踪方法 | |
CN113608663A (zh) | 一种基于深度学习和k-曲率法的指尖跟踪方法 | |
CN114973399A (zh) | 一种基于关键点运动估计的人体连续姿态估计方法 | |
CN115082714A (zh) | 一种基于mcd距离的自适应模板匹配算法 | |
CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
CN111914832B (zh) | 一种rgb-d相机在动态场景下的slam方法 | |
CN112767440A (zh) | 一种基于siam-fc网络的目标跟踪方法 | |
CN116883458A (zh) | 基于Transformer并融合以观测为中心运动特征的多目标跟踪系统 | |
CN116777956A (zh) | 基于多尺度航迹管理的运动目标筛选方法 | |
CN106934818B (zh) | 一种手部运动跟踪方法及系统 | |
CN112560651B (zh) | 基于深度网络和目标分割结合的目标跟踪方法及装置 | |
CN110827324B (zh) | 一种视频目标跟踪方法 | |
CN114140494A (zh) | 复杂场景下单目标跟踪系统、方法、电子设备及存储介质 | |
CN111292357B (zh) | 一种基于相关滤波的视频帧间快速运动估计方法 |
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 |