一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，包括以下步驟：指定第一幀圖像中的目標(biāo)，提取特征點(diǎn)；對(duì)局部區(qū)域圖像進(jìn)行變換；對(duì)每個(gè)變換后圖像的特征點(diǎn)提取尺度不變特征描述向量，構(gòu)成特征向量集；采用線性子空間逼近特征向量集；在下一幀中提取目標(biāo)臨近區(qū)域特征點(diǎn)尺度不變特征描述；將下一幀中提取的特征點(diǎn)與當(dāng)前幀的特征流型集合以及候選特征點(diǎn)集合中的元素進(jìn)行匹配，生成匹配關(guān)系；根據(jù)匹配關(guān)系計(jì)算連續(xù)兩幀匹配點(diǎn)之間的單應(yīng)變換矩陣；對(duì)目標(biāo)區(qū)域頂點(diǎn)坐標(biāo)進(jìn)行單應(yīng)變換，計(jì)算出目標(biāo)的位移；更新并記錄目標(biāo)位置，更新特征流型集合及候選特征點(diǎn)集合；若下一幀非最后一幀，移動(dòng)至下一幀；否則，結(jié)束。
【專(zhuān)利說(shuō)明】一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)圖像的處理方法，特別是一種基于較強(qiáng)描述性和區(qū)分力的圖像局部特征描述的視頻目標(biāo)物體跟蹤方法。
【背景技術(shù)】
[0002]視頻目標(biāo)物體跟蹤的目的是在視頻的每一幀中確定目標(biāo)物體的位置，在安全監(jiān)控、人機(jī)交互、數(shù)字娛樂(lè)等方面具有重要的應(yīng)用價(jià)值，近些年，基于局部特征的視頻目標(biāo)物體跟蹤方法取得了一定的跟蹤效果，這類(lèi)方法提取目標(biāo)物體上的特征點(diǎn)，以這些特征點(diǎn)的描述作為目標(biāo)物體的表示，通過(guò)與下一幀特征點(diǎn)的匹配來(lái)確定目標(biāo)物體在下一幀中的問(wèn)題。然而近年來(lái)的研究表明，傳統(tǒng)局部特征描述針對(duì)實(shí)際情況中圖像拍攝視點(diǎn)仿射變換的不變性范圍相當(dāng)有限，這使得現(xiàn)有的視頻目標(biāo)物體跟蹤方法在魯棒性和跟蹤效果方面十分有限。因此，提出一種基于較強(qiáng)描述性和區(qū)分力的圖像局部特征描述的視頻目標(biāo)物體跟蹤方法具有廣泛的實(shí)際應(yīng)用價(jià)值。

【發(fā)明內(nèi)容】

[0003]發(fā)明目的:本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種新穎的基于圖像的局部特征描述的視頻跟蹤方法。
[0004]為了解決上述技術(shù)問(wèn)題，本發(fā)明公開(kāi)了一種基于圖像的局部特征流形的視頻目標(biāo)物體跟蹤方法，包括以下步驟:
[0005]步驟1，指定第一幀圖像中的目標(biāo)，使用特征點(diǎn)檢測(cè)方法提取第一幀圖像目標(biāo)區(qū)域的特征點(diǎn)，并獲取每個(gè)特征點(diǎn)周?chē)木植繀^(qū)域圖像；一般情況下，局部區(qū)域取為以每個(gè)特征點(diǎn)為中心，是固定寬和高的正方形圖像區(qū)域；
[0006]步驟2，對(duì)局部圖像進(jìn)行一系列復(fù)合變換，復(fù)合變換由三種基礎(chǔ)變換依次組合而成，三種基礎(chǔ)變換是縮放變換、旋轉(zhuǎn)變換和錯(cuò)切變換，改變各變換的參數(shù)，構(gòu)造一系列變換圖像；
[0007]步驟3，對(duì)每個(gè)變換圖像的特征點(diǎn)提取尺度不變特征描述；形成特征向量集:將針對(duì)每個(gè)變換圖像的特征點(diǎn)提取的特征描述向量排列在一起，構(gòu)成特征向量集；
[0008]步驟4，采用線性子空間逼近特征向量集:針對(duì)該特征向量集，運(yùn)用主元分析提取特征向量集的特征主元向量；生成特征描述符:將特征主元向量聯(lián)結(jié)在一起，構(gòu)成初始特征流型集合。同時(shí)生成初始候選特征點(diǎn)集合；在預(yù)處理時(shí)，初始候選特征點(diǎn)集合為空集，而在跟蹤時(shí)候，新添加的候選特征點(diǎn)為新檢測(cè)到的且沒(méi)有用于生成特征流型的特征點(diǎn)。
[0009]步驟5，在下一幀中提取目標(biāo)臨近區(qū)域包含的特征點(diǎn)的尺度不變特征描述；
[0010]步驟6，將下一幀中提取的特征點(diǎn)與當(dāng)前幀特征流型集合以及候選特征點(diǎn)集合中的元素進(jìn)行匹配，生成匹配關(guān)系；
[0011]步驟7,根據(jù)匹配關(guān)系計(jì)算連續(xù)兩巾貞匹配點(diǎn)之間的單應(yīng)(Homography)變換矩陣；
[0012]步驟8,對(duì)目標(biāo)區(qū)域頂點(diǎn)坐標(biāo)應(yīng)用單應(yīng)(Homography)變換,計(jì)算出目標(biāo)的位移；[0013]步驟9，更新并記錄目標(biāo)位置，更新特征流型集合及候選特征點(diǎn)集合。
[0014]步驟10，若下一幀非最后一幀，移動(dòng)至下一幀，并循環(huán)至步驟5 ;否則，程序結(jié)束。
[0015]本發(fā)明中，所述步驟I以特征點(diǎn)為中心，提取一個(gè)高和寬分別為50像素X50像素的正方形局部圖像區(qū)域；可以根據(jù)圖像的大小以及特征點(diǎn)在圖像中的位置，適當(dāng)調(diào)整特征點(diǎn)周?chē)植繄D像區(qū)域的大小。
[0016]本發(fā)明中，所述步驟2包括以下步驟:
[0017]步驟21，首先對(duì)局部圖像區(qū)域進(jìn)行縮放變換，得到三張縮放圖像，其寬和高分別為原局部圖像的I半，I倍和2倍；如果原始局部圖像區(qū)域分辨率為50X50，則三張縮放圖像分別為 25X25，50X50 和 100X100 ；
[0018]步驟22，其次對(duì)三張縮放圖像分別進(jìn)行旋轉(zhuǎn)變換，旋轉(zhuǎn)的角度為順時(shí)針30、60、90、120、150、180、210、240、270、300和330度，得到包括未旋轉(zhuǎn)照片的共36張圖像；
[0019]步驟23，再次對(duì)旋轉(zhuǎn)圖像分別進(jìn)行錯(cuò)切變換，錯(cuò)切變換涉及到對(duì)圖像橫和縱坐標(biāo)的縮放，縮放參數(shù)取值范圍均是{-1，O, 1}，改變橫向和縱向縮放的參數(shù)共產(chǎn)生9種錯(cuò)切變換。
[0020]本發(fā)明中，所述步驟3 使用 SIFT (Scale Invariant Feature Transformation)算法對(duì)每張變換圖像的中心點(diǎn)提取其一個(gè)128維的尺度不變特征描述向量，該向量包括所描述區(qū)域的尺度、所描述區(qū)域的主梯度方向和描述子矢量。SIFT算法的具體內(nèi)容可參見(jiàn)作者David G.Lowe 的原論文“D.G.Lowe, Distinctive image features from scale-1nvariantkeypoints, International Journal of Computer Vision60 (2) (2004) 91 - 110”。每張變換圖像的中心點(diǎn)均有一個(gè)128維的尺度不變的特征描述向量，將這些特征向量按照行序排列，即構(gòu)成一個(gè)完整的特征向量集合。
[0021 ] 本發(fā)明中，所述步驟4使用PCA主元分析方法對(duì)特征向量集合進(jìn)行降維，可以人為設(shè)定降維的維度，假設(shè)降維的維度為N，則提取出N個(gè)特征主元向量，一般N的取值為5。主元分析PCA(Principal component analysis)是一種對(duì)數(shù)據(jù)進(jìn)行分析的技術(shù),最重要的應(yīng)用是對(duì)原有數(shù)據(jù)進(jìn)行簡(jiǎn)化，可以有效的找出數(shù)據(jù)中最“主要”的元素和結(jié)構(gòu)，去除噪音和冗余，將原有的復(fù)雜數(shù)據(jù)降維，揭示隱藏在復(fù)雜數(shù)據(jù)背后簡(jiǎn)單且重要的結(jié)構(gòu)，關(guān)于其算法的具體內(nèi)容可參見(jiàn)論文“主元分析與偏最小二乘法.王桂增，葉昊編著，清華大學(xué)出版社，出版時(shí)間2012-8-1，ISBN9787302279426”中關(guān)于主元分析的闡述。將提取到的N個(gè)特征主元向量作為原始局部特征點(diǎn)的特征流形表示。
[0022]本發(fā)明中，所述步驟5中，對(duì)于當(dāng)前幀，在下一幀目標(biāo)臨近區(qū)域，提取每個(gè)特征點(diǎn)生成一個(gè)128維的尺度不變的特征描述向量，且下一幀目標(biāo)臨近區(qū)域的中心與上一幀圖像目標(biāo)區(qū)域的中心一致，長(zhǎng)寬和寬度為上一幀圖像目標(biāo)區(qū)域的2倍。
[0023]本發(fā)明中，所述步驟6含有兩種匹配類(lèi)型，一種是提取的特征點(diǎn)與特征流型之間的匹配，另一種是提取出的特征點(diǎn)與候選特征點(diǎn)之間的匹配。
[0024]本發(fā)明中，所述步驟7依據(jù)匹配關(guān)系可生成一個(gè)3x3的單應(yīng)(Homography)變換矩陣，該矩陣常用于圖像的變換中。關(guān)于其具體信息可參見(jiàn)“計(jì)算機(jī)視覺(jué):一種現(xiàn)代方法(第二版)，福賽斯，電子工業(yè)出版社，2012年5月I日出版，ISBN:9787121168307”的闡述。
[0025]本發(fā)明中，所述步驟8是用前一巾貞中四個(gè)頂點(diǎn)的坐標(biāo)分別與Homography變換矩陣相乘，得到四個(gè)新的坐標(biāo)即為目標(biāo)在下一幀中的估計(jì)位置。[0026]本發(fā)明中，所述步驟9是輸出被跟蹤目標(biāo)在下一幀中的估計(jì)位置。所述步驟9為更新記錄跟蹤目標(biāo)的位置，對(duì)找到匹配的特征流型進(jìn)行更新，對(duì)在候選特征點(diǎn)集合中出現(xiàn)一定次數(shù)以上的特征點(diǎn)，生成對(duì)應(yīng)特征流型并加入特征流型集合，刪除特征流型集合中k次未能匹配超過(guò)t次數(shù)的特征流型，k= [I, IOlt= [l，k]。同時(shí)，使用增量式主元分析IPCA(Incremental Principal component analysis)做特征流型的更新,其中 IPCA方法的目的是當(dāng)新增數(shù)據(jù)到來(lái)時(shí)候，可在原有數(shù)據(jù)的基礎(chǔ)上進(jìn)行迭代處理，從而節(jié)約計(jì)算量。關(guān)于其具體信息可以參見(jiàn)論文 “D.Skocaj, A.Leonardis, Weighted and robust incrementalmethod for subspace learning, in:Proc.1CCV, 2003, pp.1494 - 1501”。另外，在特征流型集合中添加新的穩(wěn)定特征流型，刪除過(guò)期的特征流型，此更新操作保證了在特征流型集合中的特征流型都是穩(wěn)定的。
[0027]本發(fā)明中，所述步驟10是判斷是否處理到視頻的結(jié)尾，若是則算法結(jié)束，否則至步驟5，循環(huán)執(zhí)行程序。
[0028]有益效果:本發(fā)明的顯著優(yōu)點(diǎn)是:本發(fā)明公開(kāi)了一種基于特征流型的視頻目標(biāo)跟蹤方法，針對(duì)視頻中的目標(biāo)物體采用特征流形進(jìn)行表示，特征流形對(duì)更符合實(shí)際視頻拍攝情況的視角變換適應(yīng)性要明顯好于傳統(tǒng)的局部特征點(diǎn)，進(jìn)而在視頻相鄰幀匹配跟蹤目標(biāo)時(shí)準(zhǔn)確率更高。本發(fā)明提出了特征流形來(lái)擴(kuò)大局部特征點(diǎn)對(duì)視角變換的適應(yīng)范圍，特征流形通過(guò)構(gòu)造適當(dāng)個(gè)數(shù)的多個(gè)視角下特征點(diǎn)的描述，從而獲得了該特征點(diǎn)的全視角完備描述；相對(duì)于其它的視頻跟蹤方法，采用本發(fā)明提出的特征流形來(lái)表示局部特征，在進(jìn)行圖像匹配時(shí)，圖像的匹配準(zhǔn)確性會(huì)更高，這極大地提高了圖像的特征匹配率，從而提高了目標(biāo)物體跟蹤的魯棒性和跟蹤效果。另外在跟蹤算法中，我們采用PCA進(jìn)行了降維，并用IPCA對(duì)特征流型模型做更新，低維的版本既節(jié)省了內(nèi)存空間，又能方便地應(yīng)用到跟蹤過(guò)程之中。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0029]下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明做更進(jìn)一步的具體說(shuō)明，本發(fā)明的上述和/或其他方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。
[0030]圖1為本發(fā)明方法的基本流程圖。
[0031]圖2為一個(gè)特征點(diǎn)的局部圖像區(qū)域。
[0032]圖3為經(jīng)過(guò)變換后生成的部分結(jié)果圖像。
[0033]圖4為所得到的特征描述集合中的部分特征向量。
[0034]圖5a和圖5b為牛津大學(xué)的一個(gè)研究小組公開(kāi)發(fā)布的兩幅視角變化的圖像。
[0035]圖6為采用基于特征流行的特征匹配算法與采用基于原始尺度不變特征SIFT的特征匹配算法在圖5的亮度圖像上進(jìn)行實(shí)驗(yàn)，所得到的匹配精確度和召回率曲線圖。
[0036]圖7為本發(fā)明中對(duì)比實(shí)驗(yàn)所使用的測(cè)試視頻信息。
[0037]圖8為跟蹤成功率對(duì)照表格，其中對(duì)比了不同跟蹤算法在不同視頻數(shù)據(jù)上的成功率。
[0038]圖9為平均中心誤差對(duì)照表格。其中對(duì)比了不同跟蹤算法在不同視頻數(shù)據(jù)上的平均中心誤差。
[0039]圖10為15個(gè)測(cè)試視頻的具體信息表。
[0040]圖11為對(duì)比了各個(gè)算法在不同視頻序列上的成功率的數(shù)據(jù)表。[0041]圖12為對(duì)比了各個(gè)算法在不同視頻序列上的平均中心誤差的數(shù)據(jù)表。
【具體實(shí)施方式】
[0042]具體地說(shuō)，如圖1所示，本發(fā)明公開(kāi)了一種基于局部特征點(diǎn)特征流型的視頻目標(biāo)物體跟蹤方法，包括以下步驟:
[0043]步驟1，利用特征點(diǎn)檢測(cè)方法提第一幀目標(biāo)初始區(qū)域所包含的特征點(diǎn)并獲取每個(gè)特征點(diǎn)周?chē)木植繀^(qū)域圖像:一般情況下，局部區(qū)域取為以每個(gè)特征點(diǎn)為中心，固定寬和高的正方形圖像區(qū)域。
[0044]步驟2，對(duì)局部圖像進(jìn)行一系列復(fù)合變換:復(fù)合變換由縮放變換、旋轉(zhuǎn)變換和錯(cuò)切變換三種基礎(chǔ)變換依次組合而成，首先施加縮放變換，然后是旋轉(zhuǎn)變換，最后施加錯(cuò)切變換。改變各變換的參數(shù)，構(gòu)造一系列變換圖像；
[0045]步驟3，采用SIFT特征描述方法，對(duì)每個(gè)變換圖像的特征點(diǎn)提取尺度不變特征描述；然后形成特征向 量集:將針對(duì)每個(gè)變換圖像的特征點(diǎn)提取的特征描述向量排列在一起，構(gòu)成特征點(diǎn)的特征向量集；
[0046]步驟4，采用線性子空間逼近特征向量集:針對(duì)該特征向量集，運(yùn)用主元分析提取特征向量集的特征主元向量；生成特征描述符:將特征主元向量聯(lián)結(jié)在一起，構(gòu)成特征描述符即初始特征流型集合MS及候選特征點(diǎn)集合CF。
[0047]步驟5，提取下一幀目標(biāo)鄰近區(qū)域的局部特征點(diǎn)。
[0048]步驟6，將提取的特征點(diǎn)與當(dāng)前幀特征流型集合以及候選特征點(diǎn)集合中的元素進(jìn)行匹配。
[0049]步驟7，利用與特征流型中元素的匹配信息擬合物體單應(yīng)(Homography)變換矩陣。
[0050]步驟8，利用變換矩陣計(jì)算出目標(biāo)的位移。
[0051]步驟9，更新并記錄目標(biāo)新位置，同時(shí)更新特征流型集合以及候選特征點(diǎn)集合。
[0052]步驟10，若下一幀非最后一幀，則移動(dòng)至下一幀，并循環(huán)至步驟5 ;否則，程序結(jié)束。
[0053]所述步驟I包括以下步驟:采用SIFT算法提取輸入圖像目標(biāo)物體區(qū)域的特征點(diǎn)，對(duì)每一個(gè)特征點(diǎn)，以該特征點(diǎn)為中心，提取一個(gè)高和寬分別為50X50的正方形局部圖像區(qū)域；可以根據(jù)圖像的大小以及特征點(diǎn)在圖像中的位置，適當(dāng)調(diào)整特征點(diǎn)周?chē)植繄D像區(qū)域的大小。SIFT算法的具體內(nèi)容可參見(jiàn)David G.Lowe的原論文David G.Lowe, "DistinctiveImage Features from Scale -1nvariant Keypoints"(International Journal ofComputer Vision2004, 60:91 - 110)。
[0054]所述步驟2包括以下步驟:
[0055]步驟21，首先對(duì)原始特征點(diǎn)的局部區(qū)域圖像進(jìn)行縮放變換:縮放變換將每一點(diǎn)的橫和縱坐標(biāo)縮小或放大至s倍，變換矩陣為:
【權(quán)利要求】
1.一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，包括以下步驟: 步驟1，指定第一幀圖像中的目標(biāo)，使用特征點(diǎn)檢測(cè)方法提取第一幀圖像目標(biāo)區(qū)域的特征點(diǎn)，并獲取每個(gè)特征點(diǎn)周?chē)木植繀^(qū)域圖像； 步驟2，對(duì)局部區(qū)域圖像進(jìn)行變換:所述變換包括縮放變換、旋轉(zhuǎn)變換和錯(cuò)切變換，構(gòu)造變換后的圖像； 步驟3，對(duì)每個(gè)變換后圖像的特征點(diǎn)提取尺度不變特征描述向量，將每個(gè)尺度不變特征描述向量排列在一起，構(gòu)成特征向量集； 步驟4，采用線性子空間逼近特征向量集:針對(duì)該特征向量集，提取特征向量集的特征主元向量；生成特征描述符:將特征主元向量聯(lián)結(jié)在一起，構(gòu)成初始特征流型集合，同時(shí)生成初始候選特征點(diǎn)集合； 步驟5，在下一幀中提取目標(biāo)臨近區(qū)域特征點(diǎn)尺度不變特征描述； 步驟6，將下一幀中提取的特征點(diǎn)與當(dāng)前幀的特征流型集合以及候選特征點(diǎn)集合中的元素進(jìn)行匹配，生成匹配關(guān)系； 步驟7，根據(jù)匹配關(guān)系計(jì)算連續(xù)兩幀匹配點(diǎn)之間的單應(yīng)變換矩陣； 步驟8，對(duì)目標(biāo)區(qū)域頂點(diǎn)坐標(biāo)進(jìn)行單應(yīng)變換，計(jì)算出目標(biāo)的位移； 步驟9，更新并記錄目標(biāo)位置，更新特征流型集合及候選特征點(diǎn)集合； 步驟10，若下一幀非最后一幀，移動(dòng)至下一幀，并返回至步驟5 ;否則，結(jié)束。
2.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟I中提取特征點(diǎn)的局部區(qū)域圖像的范圍，是以該特征點(diǎn)為中心，提取寬和高為分別為50像素X50像素的正方形圖像區(qū)域。
3.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟2包括以下步驟: 步驟21，對(duì)局部圖像區(qū)域進(jìn)行縮放變換，得到三張縮放圖像，三張縮放圖像的分辨率的橫和寬分別為原局部區(qū)域圖像的一半，一倍和兩倍； 步驟22，對(duì)三張縮放圖像分別進(jìn)行旋轉(zhuǎn)變換，旋轉(zhuǎn)的角度為順時(shí)針30度、60度、90度、120度、150度、180度、210度、240度、270度、300度和330度，得到包括未旋轉(zhuǎn)照片的共36張圖像； 步驟23，對(duì)旋轉(zhuǎn)后的圖像分別進(jìn)行錯(cuò)切變換，所述錯(cuò)切變換為對(duì)圖像橫坐標(biāo)和縱坐標(biāo)的縮放，縮放參數(shù)取值范圍均是{-1，O, 1}。
4.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟3為對(duì)每張變換圖像的中心點(diǎn)提取其一個(gè)128維的尺度不變的特征描述向量，該向量包括所描述區(qū)域的尺度、所描述區(qū)域的主梯度方向和描述子矢量，將所述特征向量按照行序排列，即構(gòu)成特征向量集合。
5.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟4為使用主元分析方法對(duì)特征向量集合進(jìn)行降維，提取兩個(gè)以上特征主元向量，將提取到的每個(gè)特征主元向量作為特征流形表示。
6.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟5為在下一幀目標(biāo)臨近區(qū)域，提取每個(gè)特征點(diǎn)生成一個(gè)128維的尺度不變的特征描述向量，且下一幀目標(biāo)臨近區(qū)域的中心與上一幀圖像目標(biāo)區(qū)域的中心一致，長(zhǎng)寬和寬度為上一幀圖像目標(biāo)區(qū)域的2倍。
7.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟6中包含兩種匹配，一種是提取的特征點(diǎn)與當(dāng)前幀的特征流型進(jìn)行匹配；另一種是將提取的特征點(diǎn)與當(dāng)前幀的候選特征點(diǎn)進(jìn)行匹配。
8.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟7為根據(jù)連續(xù)兩幀的匹配特征點(diǎn)擬合出一個(gè)3x3的單應(yīng)變換矩陣。
9.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟8包括對(duì)前一幀為目標(biāo)頂點(diǎn)所在位置進(jìn)行單應(yīng)變換，得到下一幀中目標(biāo)所在的估計(jì)位置。
10.根據(jù)權(quán)利要求1所述的一種基于局部特征點(diǎn)特征流型的目標(biāo)跟蹤方法，其特征在于，所述步驟9為更新記錄跟蹤目標(biāo)的 位置，對(duì)找到匹配的特征流型進(jìn)行更新，對(duì)在候選特征點(diǎn)集合中出現(xiàn)一定次數(shù)以上的特征點(diǎn)，生成對(duì)應(yīng)特征流型并加入特征流型集合，刪除特征流型集合中一定次數(shù)未能匹配超過(guò)一定次數(shù)的特征流型。
【文檔編號(hào)】G06T7/20GK103985136SQ201410107054
【公開(kāi)日】2014年8月13日 申請(qǐng)日期:2014年3月21日 優(yōu)先權(quán)日:2014年3月21日
【發(fā)明者】羅偉濤, 郭延文, 劉明, 陳曄, 湯峰, 李昂 申請(qǐng)人:南京大學(xué)