基于尺度不变特征的目标识别与跟踪方法

第7 期
张平定， 等: 基于尺度不变特征的目标识别与跟踪方法
取 0． 75 。具体匹配算法可描述为： a） 为 F b 的全部元素建立索引。
· 2203·
和待检测区域， 提出了一种基于图像配准技术的目标识别与跟 踪方法。实验表明， 该方法具有良好的实时稳定跟踪特性 。
1
尺度不变特征变换算法原理
尺度不变特征变换算法的基本原理是： 首先将输入图像通
。
因此， 提高图像配准算法的自适应能力和匹配效率就成了实现
61272011 ) ; 国家 重 点 实验 室 基金资 基金项目： 国家自然科学基金资助项目( 60773209 ，
作者简介： 张平定( 1949-) ， 男， 陕西三原人， 教授， 硕导， 主要研究方向为通信与信息 系统 ( 1196204417@ qq． com ) ; 安东 ( 1975-) ， 男， 陕西 绥德 人， 讲师， 主要研究方向为智能信 息处理．
（ a） （ a） ） （ b） （ b） F a = ｛ f1 ， f2 ， …， f （Na ｝， F b = ｛ f1 ， f2 ， …， f （Nbb） ｝ ， 其中 N a 和 a
（ 2）
y， 其中： G（ x， σ ） = （ 2 πσ ）
2
－1
e
－ （ x 2 + y 2 ） / 2 σ2
表示尺度可变高斯函
y ） 表示图像在像素点（ x， y ） 处的灰度 数； * 为卷积符号； I （Biblioteka Baidux， 值； σ 为尺度空间因子。为了更高效地检测到稳定和独特的特 征点， 可利用不同尺度的高斯差分方程同图像进行卷积， 求取 高斯差尺度空间：
b） 由式（ 5 ） 得到 F a 中每个元素的近似 k 近邻， 返回两个 最近邻特征点 f1 和 f2 。 c） 根据匹配规则确定是否为 k i 的有效匹配。 d） 对所有 k i 重复算法， 得到 F b 的特征点 k1 配到的所有特征点对的集合 。 k nb 与 F a 匹
形成高斯金字塔 过不同尺度的高斯核函数连续滤波和下采样， 图像， 然后对相邻尺度的两个高斯图像相减得到金字塔多尺度 空间表示； 而后对该尺度空间每个点与相邻尺度和相邻位置的 点逐个进行比较得到局部极值位置， 即关键点所处的位置和尺 度。其主要包括以下几个关键步骤 。 1. 1 特征提取 为了使特征具有尺度不变性， 特征点的检测是在多尺度空 间内完成的。一幅二维图像的尺度空间可定义为
变特征的目标识别与跟踪方法， 有效地反映了目标图像 的 特征 分布， 提 高 了 跟踪 与 识 别系统的 可 靠 性。 实验 表 明， 当目标进行较大角度改变和背景发生剧烈变化时， 该 方法能 有效 减 小 目 标跟踪 误 差， 精 确识 别 目 标 位 置， 提 高目标跟踪精度。 关键词： 特征提取; 目标识别; 目标跟踪 中图分类号： TN911. 73 文献标志码： A 文章编号： 1001-3695 ( 2013 ) 07-2202-04 doi： 10． 3969 / j． issn． 10013695． 2013． 07． 070
Abstract： To the complexity and multiformity of the target realtime recognition and tacking in the complex electromagnetic environment， this paper proposed the target recognition and tacking method based on scale invariant feature in use of image registration techniques，which reflected the character distribution of the target image better，enhanced the performance and reliability of the target recognition and tracking system． The experimental result shows that the method could drop off the matching error，recognize the target location accurately and improve the accuracy of target tracking when the target angle or background has acutely changed． Key words： feature detector； target recognition； target tacking
［9 ， 10 ］
用， 未来战场态势瞬息万变， 如何实时有效地获悉战场目标的 位置和运动情况、 分辨目标类型、 判断敌对目标的威胁程度并 跟踪攻击已成为制约军事态势评估系统性能提高的决定因素， 在学术界和工程技术领域引起了重点关注
［1 ］
。因此， 基于尺度不变特征的空间理论一经问世， 就
［11 ］
迅速发展成为一个重要而有趣的热门研究课题， 取得了大量有 价值的理论成果。Zhu 等人 利用尺度不变原理设计出一种
收稿日期： 2012-09-19 ; 修回日期： 2012-11-07 助项目( 2012ADL-DW0301 )
［6 ］
子拓展到多尺度图像域， 提出了一种 SAR 图像尺度不变特征
［14 ］
利用全景图充分覆盖局部场景信息特性，
给出 了 基 于 全 景 子 空 间 的 尺 度 不 变 特 征 跟 踪 方 法； 孙 抗 等 通过设计基于差异度函数和索引值的两级特征匹配方 法， 构建了基于局部亮度直方图特征的实时目标识别与跟踪系 目前的尺度不变特征转换算法均是通过参考图像与 统。然而， 待配准连续图像的匹配来实现目标识别与跟踪的， 虽然对背景 的变化保持了不变性， 但当目标发生明显的形体变化时依然容 易丢失跟踪目标。鉴于此， 本文通过建立动态的待匹配特征点 增强了图像变换约束特征点的稳定性； 通过构建目标区域 集，
0
引言
随着战争样式的日益多样化和各种电子战手段的综合运
细节描述能力， 在特征匹配、 图像理解和配准等工程中有着广 泛的应用
［7 ， 8 ］
。相比其他方法， 尺度不变特征变换算法能够获
且对于旋转、 缩放、 甚至光照等变化有 取更多的稳定特征信息， 可以在大量的特征数据库中进行快速准确的 着很好的不变性， 匹配
第 30 卷第 7 期 2013 年 7 月
计 算 机 应 用 研 究 Application Research of Computers
Vol． 30 No． 7 Jul． 2013
基于尺度不变特征的目标识别与跟踪方法
张平定，安
摘
*
东
( 西安外事学院 工学院，西安 710077 ) 要： 针对复杂电磁环境下目标实时识别追踪的复杂性和多样性， 利用图像配准技术提出了一 种 基 于 尺 度 不
［12 ］ 具有旋转和变换不变性数字图像水印算法； Suk 等人 基于
。 图像配准作为
目标识别与跟踪的关键技术， 随着计算机软 / 硬件的发展在军 GPS 导航等领域得到了广泛应用， 事、 交通管制、 智能监控、 相 关算法的研究日益深入
［2 5 ］
图论提出一种构建仿射尺度不变矩的方法并成功应用于模式 识别； 王广学等人 提取方法； 范志强 人
Method of target recognition and tacking based on scale invariant feature
ZHANG Pingding，AN Dong
（ Engineering Institute，Xi’ an International University，Xi’ an 710077 ，China）
其中： k 是常数因子。 1. 2 特征描述 尺度不变特征变换理论为每个特征点建立一个描述符， 使 其不随各种变化而改变， 且每个描述符都有较高的独特性， 从 而不断提高特征点正确匹配的概率 。因此， 利用特征点邻域像 使描述符具 素的梯度方向分布特性为每一个特征点分配方向， 有旋转不变性：
m（ x， y） = ［ （ L（ x + 1 ， y） － L（ x － 1 ， y） ）
［15 ］ ［13 ］
。根据匹配思想， 图像配准算法大
将单尺度图像特征点检测中的 Harris 算
致可分为基于图像灰度和基于图像特征的两类匹配方法。灰度 匹配是按照某种相似性度量对图像的灰度阵列进行搜索、 比较 实现图像配准， 该算法的主要缺点是对图像尺度和仿射变化等 过于敏感， 实际应用中难以保持良好的准确性和匹配效率； 特征 匹配是目前应用比较成功的一种算法， 能有效提取目标图像稳 匹配准确度高， 但是算法复杂， 应用范围受限 定的特征数据， 目标识别与跟踪系统智能化亟待研究解决的重要问题。 以尺度不变特征变换为代表的不变量空间理论是近年来 以其优越的鲁棒性和图像 兴起的一种新的图像特征提取方法，
k m k TG_SET k all = TG_SET det + ∑ i = 1 TG_SET i k det k
L（ x， y + 1 ） － L（ x， y － 1） y） = tan － 1［ ］ θ（ x， L（ x + 1 ， y） － L（ x － 1 ， y）
y + 1） 、 L（ x， y － 1） 、 L（ x － 1 ， y） 、 L（ x + 1 ， y） 分别 其中： 尺度 L（ x， y） 上下左右四个像素点的尺度值， 表示关键点（ x， 此时的关键 大小和方向三个参数。 点具有位置、 1. 3 特征匹配 通常依据特征间的相似性对特征点进行匹配 。 相似性度 量方法有很多， 实际应用中主要利用最近邻方法对特征点进行 匹配。对于提取出来的描述符， 首先计算待匹配点与需要匹配 的数量较多的特征点描述符间的欧氏距离； 其次根据匹配准 则， 当最近点与次近点的距离比小于某个阈值时， 则认为匹配 成功。具体的匹配过程可描述为： 设待匹配的图像为 A 与 B， 其特征点描述向量分别为：
1 /2 （ L（ x， y + 1 ） － L（ x， y － 1 ） ） 2］ 2
2. 2. 1
+ （ 3） （ 4）
14 ， 15］利用前后两帧目标 体变化时容易丢失跟踪目标， 文献［ 图像的相似性进行目标的持续鲁棒性跟踪， 取得了较好的效 果。然而， 跟踪实验结果表明： 如果仅仅利用相邻目标图像的 约束关系， 尺度不变特征会表现出强烈的不稳定性， 这种不稳 定性直接导致符合图像变换约束的特征点越来越少 。 本文通 过构建动态的待匹配特征点集成功地解决了这个问题 。 特征 点集 TG_SET all 可表示为
D（ x， y， y， kσ） － G（ x， y， y） = σ） = （ D（ x， σ） ） * I（ x， L（ x， y， kσ） － L（ x， y， σ）
b） 计算图像中检测出特征点的特征描述符 。 c） 利用特征匹配算法对参考图像和待配准图像的特征点 去除明显错误的匹配点对 。 进行粗匹配， d） 利用文献［ 16］ 的直觉模糊核匹配算法精确去除步骤 c） 中保留匹配点对中的错误匹配点对， 获取待配准图像中与参考 图像对应的正确匹配点集 。 2. 2 目标跟踪算法 确定待匹配特征点集 基于尺度不变特征的目标跟踪算法在目标发生明显的形
L（ x， y， y， y） σ） = G （ x， σ） * I（ x， （ 1）
2
基于尺度不变特征的动态连续目标识别与跟踪 算法
2. 1
目标识别算法 若事先获悉目标的图像特征， 那么目标识别就转换为一个
图像配准过程。设已知特征的目标图像为参考图像， 动态目标 视频中的第一帧为待配准图像 。 由于目标在第一帧图像的位 置、 角度和方向等均是未知信息， 为获得更好的目标识别率和 跟踪效果， 需先获取目标的各种成像信息， 即参考图像信息。 目标识别就是用多幅多角度的参考图像和第一帧图像进行配 准， 寻找第一帧图像中目标的各类信息 。具体的识别算法可表 示为： a） 从参考图像和待配准图像中获取尺度不变特征点 。