基于Harris角点匹配的目标跟踪
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｐ １和图像 Ｂ的角点 ｑ 为 中心的两个大小相 同的窗 １ ，ｕ 、ｕ １ ２ １ ｌ ２
为相关窗 口内像素灰度 的均值 ， （ ，ｙ） 的取值范围为窗 １ ｘ １ １ ３ 大小 ，则定义 Ｎ Ｃ公式 Ｃ
ｌ ｒ 、 ， 一
图 １ 使 用 Ｎ Ｃ角 点 匹 配 后 结 果 Ｃ
∑ （ １ｘ ｙ ） ｕ ｗ ２ｘｙ ） ｕ） １ （ｌ １一 Ｏ（ （ｌ １一 ２ ｗ
存 在 ３个角点未得 到正确匹配 ，图 ２中通过 Ｒ ｎ ａ 去除 了误 ａｓｃ 匹，获得 了更高的正确匹配率 。
电脑 编 程 技 巧 与 维 护
法分 为差 异度量 （ Ｓ Ｄ，Ｓ Ｄ 和相似性 度量 （ Ｎ Ｃ 。 如 Ａ Ｓ） 如 Ｃ ）
Ｎ Ｃ是 ３种方法 中鲁棒 性和准确性 最高 的。所 以在文 中采用 Ｃ Ｎ Ｃ算法 对特 征点进行粗 匹配 。采用相 似测度 Ｎ Ｃ （ 一化 Ｃ Ｃ 归 互相关 ）对特征点 进行匹配 ，该 方法根 据角点邻 域像素灰 度 的相 似性来进 行匹配 。设 Ｗ１和 Ｗ２分别是 以图像 Ａ的角点
的角点彼此对应时 ，就完成了角点的初始匹配。
３２ Ｒ ｎａ 确 匹 配算 法 ． ａｓｃ精
图 ２ 使用 Ｒ ｎａ 后 结 果 ａ ｓｃ
Ｒ ｎａ 方法 旧 是一种鲁棒 性的参数估计方 法。它 的基本 ａｓｃ 思想是 ，首先根据 具体问题设计 出某种 目标 函数 ，然后通 过 反复提取 最小点集估 计该 函数 中参 数 的初 始值 ，利 用这些初 始参数值把所有 的数据分为所谓 的 “ 内点” （ ｌ ｒ，即满足 Ｉ ｉｓ ｎｅ 估计 参 数 的点 ） 和 “ 点 ” （ ｕｌ ｒ，即不满 足 估计 参数 外 Ｏ ｔｅｓ ｉ 点） ，最 后反过来 利用 所有 的 “ 内点”重新计算和估计 函数 的
Ｃ１＝ Ｙｉ一
ｃ ２＝ ｙ ２一 （ ： ３＝ Ｙ ３一
为随机抽取一对特征点不是匹配内点 的概率。 ３ 结果 比较 ． ３
Ｃｎ＝ Ｙ １ Ｘ Ｉ一
如图 １和图 ２所示 ，绿色的点代表 目标上所检测 的角点 ， 蓝色 的点 是待匹配 图像 上 的角点 ，红色连 线所连接 的点代表 匹配 的两个角点 。 在 图 １ 是经过 Ｎ Ｃ匹配之后 的角 点 ，其 中 Ｃ
错误 。所 以在计算 匹配角点偏移均值 的时候应 该剔 除掉这些
误匹配的角点 。假设 （１ ２ ３ ． ）与 （１ ２ ３ ｙ ） ｘ ，ｘ ，ｘ …－ｎ ｘ ｙ ， ， …… ｎ ｙｙ 是经过 （） （）两步骤运算后 互相 匹配的角点 。首先计算 ２、 ３
它们的偏移均值 。
ｘ＝（１ １ ＋（２ ２ ｙ 一Ｘ） ｙ 一Ｘ） ｙ 一ｘ ＋（３ ３ ＋…＋（ｎ Ｒ） ｙ —Ｘ）
图像之 间的变换模 型。 Ｎ为匹配 的特征点 对数 ， 为在变 换模型 Ｈ’下 内点在 整个 匹配特征点中所 占的比例 ，实验 中取 ９ ％。Ｌ为 随机试验 ０
在 最后 一步 中，虽然我们经过 Ｒ ｎａ ａｓｃ方法得 到了很高 的 角点匹配正 确率 ，但是 由于角点在某 些图像 的消失 ，或者是 新 的更 匹配 的角点 的出现 ，不可避免 地会导致 角点 匹配出现
目标运动特性则是在一个扩大 ２ ％目标区域 的范围内计算 。 ０ （）通过 Ｎ Ｃ方法进行角点 的初步配准。 ２ Ｃ
Ｎ Ｃ算法 可 以得到 比较 高 的正确 匹配率 ，但 是仍然存 在 Ｃ
一
些误 匹配 ，尤其 在有运动物体 出现 时。特征点 匹配 的正确
（）使用 Ｒ ｎａ 算法对 Ｎ Ｃ粗匹配 的结果 ，进行精确匹 ３ ａｓｃ Ｃ
参数 。
４ 基 于角点 的 目标 匹 配
在上面两章 中讨论 了角点 的提取 ，以及 角点的匹配 问题 。 在本 章要讨论如果 通过角点来 计算跟踪 目标 的偏 移值 ，以确 定跟踪窗 口的位置。具体步骤如下 ：
（）用 Ｈａ ｉ算子提取各帧 图像的角点 ，作为模板 的第一 １ ｒｓ ｒ 帧 图像只需要在选定的 目标 范围内计算 ，其余 图像 由于考虑到
一 ＝＝＝：：＝ ＝＝＝＝＝：： 下 ＝＝＝：＝ ＝：＝＝＝：＝： ＝＝＝＝ ＝＝＝＝ ＝＝＝＝＝
、
ｆｌ （ｌ１一 １ ∑ （ （１１ ｕ） ∑ （ ｘＹ） Ｕ） １ ｘＹ） ｚ ｗ１ ｗ２ －
Ｎ Ｃ匹配方 法去除 了低频 背景亮度信 息的干 扰 ，进行角 Ｃ 点匹配 时首先 对图像 Ａ中得任 一角点 ，寻找 在图像 Ｂ中核 它 相关性最 大 的角点 ；然后对于 图像 Ｂ中任一 角点 ，寻找在 图 像 Ａ中和它相关性最 大的角点 ，当双 向搜 寻找到最大相关性
计算 出初始化 参数值 ，然后 重新计算并 统计 内点和外点 ；而 Ｒ ｎａ ａ ｓｃ最开始是利用 部分数据作 为 内点得到初 始值 ，然 后寻 找数据集 中所有别 的内点 。一般 图像 间的变换有平移 ，旋转 ， 缩放 ，仿射 ，投影等 ，其 中，投影 变换有更 强的适应性 。因 此 ，为 了使算 法更具鲁棒 性 ，采用 透视变换作 为两 幅待拼接
配 ，减小角点的误匹配率 。
性直接影响到对 目标位置偏移的估计 ，采用 Ｒ ｎａ 算法 ［ 来 ａ ｓｃ ６ １ 消 除错 误 匹配并求 得 图像 间的最优变换 。Ｒ ｎａ ａ ｓｃ方法和 传统
（）计算匹配角 点的偏移 值均值 ，从 而确 定 目标 跟踪窗 ４
口的位 置 。
的优 化方法 的区别 在于 ：传统 的方法先 把数据点 作为 内点而
然后计算 匹配角点 的方差 ，为了快速计算直接取绝对值 。
的次数 ，满足如下关系 ：
， ＝ —— — —— —— — —— —— — —— — —— — —— — —— — 一
ｌ （ １一 Ｐ ｏｇ ）
ｌｇ １一 （ ｏ（ １一 Ｐ ） ） 其中 ， 为 Ｒ ｎａ ａ ｓｃ过程获得最 优变换模型 的概率 ，ｊ
为相关窗 口内像素灰度 的均值 ， （ ，ｙ） 的取值范围为窗 １ ｘ １ １ ３ 大小 ，则定义 Ｎ Ｃ公式 Ｃ
ｌ ｒ 、 ， 一
图 １ 使 用 Ｎ Ｃ角 点 匹 配 后 结 果 Ｃ
∑ （ １ｘ ｙ ） ｕ ｗ ２ｘｙ ） ｕ） １ （ｌ １一 Ｏ（ （ｌ １一 ２ ｗ
存 在 ３个角点未得 到正确匹配 ，图 ２中通过 Ｒ ｎ ａ 去除 了误 ａｓｃ 匹，获得 了更高的正确匹配率 。
电脑 编 程 技 巧 与 维 护
法分 为差 异度量 （ Ｓ Ｄ，Ｓ Ｄ 和相似性 度量 （ Ｎ Ｃ 。 如 Ａ Ｓ） 如 Ｃ ）
Ｎ Ｃ是 ３种方法 中鲁棒 性和准确性 最高 的。所 以在文 中采用 Ｃ Ｎ Ｃ算法 对特 征点进行粗 匹配 。采用相 似测度 Ｎ Ｃ （ 一化 Ｃ Ｃ 归 互相关 ）对特征点 进行匹配 ，该 方法根 据角点邻 域像素灰 度 的相 似性来进 行匹配 。设 Ｗ１和 Ｗ２分别是 以图像 Ａ的角点
的角点彼此对应时 ，就完成了角点的初始匹配。
３２ Ｒ ｎａ 确 匹 配算 法 ． ａｓｃ精
图 ２ 使用 Ｒ ｎａ 后 结 果 ａ ｓｃ
Ｒ ｎａ 方法 旧 是一种鲁棒 性的参数估计方 法。它 的基本 ａｓｃ 思想是 ，首先根据 具体问题设计 出某种 目标 函数 ，然后通 过 反复提取 最小点集估 计该 函数 中参 数 的初 始值 ，利 用这些初 始参数值把所有 的数据分为所谓 的 “ 内点” （ ｌ ｒ，即满足 Ｉ ｉｓ ｎｅ 估计 参 数 的点 ） 和 “ 点 ” （ ｕｌ ｒ，即不满 足 估计 参数 外 Ｏ ｔｅｓ ｉ 点） ，最 后反过来 利用 所有 的 “ 内点”重新计算和估计 函数 的
Ｃ１＝ Ｙｉ一
ｃ ２＝ ｙ ２一 （ ： ３＝ Ｙ ３一
为随机抽取一对特征点不是匹配内点 的概率。 ３ 结果 比较 ． ３
Ｃｎ＝ Ｙ １ Ｘ Ｉ一
如图 １和图 ２所示 ，绿色的点代表 目标上所检测 的角点 ， 蓝色 的点 是待匹配 图像 上 的角点 ，红色连 线所连接 的点代表 匹配 的两个角点 。 在 图 １ 是经过 Ｎ Ｃ匹配之后 的角 点 ，其 中 Ｃ
错误 。所 以在计算 匹配角点偏移均值 的时候应 该剔 除掉这些
误匹配的角点 。假设 （１ ２ ３ ． ）与 （１ ２ ３ ｙ ） ｘ ，ｘ ，ｘ …－ｎ ｘ ｙ ， ， …… ｎ ｙｙ 是经过 （） （）两步骤运算后 互相 匹配的角点 。首先计算 ２、 ３
它们的偏移均值 。
ｘ＝（１ １ ＋（２ ２ ｙ 一Ｘ） ｙ 一Ｘ） ｙ 一ｘ ＋（３ ３ ＋…＋（ｎ Ｒ） ｙ —Ｘ）
图像之 间的变换模 型。 Ｎ为匹配 的特征点 对数 ， 为在变 换模型 Ｈ’下 内点在 整个 匹配特征点中所 占的比例 ，实验 中取 ９ ％。Ｌ为 随机试验 ０
在 最后 一步 中，虽然我们经过 Ｒ ｎａ ａｓｃ方法得 到了很高 的 角点匹配正 确率 ，但是 由于角点在某 些图像 的消失 ，或者是 新 的更 匹配 的角点 的出现 ，不可避免 地会导致 角点 匹配出现
目标运动特性则是在一个扩大 ２ ％目标区域 的范围内计算 。 ０ （）通过 Ｎ Ｃ方法进行角点 的初步配准。 ２ Ｃ
Ｎ Ｃ算法 可 以得到 比较 高 的正确 匹配率 ，但 是仍然存 在 Ｃ
一
些误 匹配 ，尤其 在有运动物体 出现 时。特征点 匹配 的正确
（）使用 Ｒ ｎａ 算法对 Ｎ Ｃ粗匹配 的结果 ，进行精确匹 ３ ａｓｃ Ｃ
参数 。
４ 基 于角点 的 目标 匹 配
在上面两章 中讨论 了角点 的提取 ，以及 角点的匹配 问题 。 在本 章要讨论如果 通过角点来 计算跟踪 目标 的偏 移值 ，以确 定跟踪窗 口的位置。具体步骤如下 ：
（）用 Ｈａ ｉ算子提取各帧 图像的角点 ，作为模板 的第一 １ ｒｓ ｒ 帧 图像只需要在选定的 目标 范围内计算 ，其余 图像 由于考虑到
一 ＝＝＝：：＝ ＝＝＝＝＝：： 下 ＝＝＝：＝ ＝：＝＝＝：＝： ＝＝＝＝ ＝＝＝＝ ＝＝＝＝＝
、
ｆｌ （ｌ１一 １ ∑ （ （１１ ｕ） ∑ （ ｘＹ） Ｕ） １ ｘＹ） ｚ ｗ１ ｗ２ －
Ｎ Ｃ匹配方 法去除 了低频 背景亮度信 息的干 扰 ，进行角 Ｃ 点匹配 时首先 对图像 Ａ中得任 一角点 ，寻找 在图像 Ｂ中核 它 相关性最 大 的角点 ；然后对于 图像 Ｂ中任一 角点 ，寻找在 图 像 Ａ中和它相关性最 大的角点 ，当双 向搜 寻找到最大相关性
计算 出初始化 参数值 ，然后 重新计算并 统计 内点和外点 ；而 Ｒ ｎａ ａ ｓｃ最开始是利用 部分数据作 为 内点得到初 始值 ，然 后寻 找数据集 中所有别 的内点 。一般 图像 间的变换有平移 ，旋转 ， 缩放 ，仿射 ，投影等 ，其 中，投影 变换有更 强的适应性 。因 此 ，为 了使算 法更具鲁棒 性 ，采用 透视变换作 为两 幅待拼接
配 ，减小角点的误匹配率 。
性直接影响到对 目标位置偏移的估计 ，采用 Ｒ ｎａ 算法 ［ 来 ａ ｓｃ ６ １ 消 除错 误 匹配并求 得 图像 间的最优变换 。Ｒ ｎａ ａ ｓｃ方法和 传统
（）计算匹配角 点的偏移 值均值 ，从 而确 定 目标 跟踪窗 ４
口的位 置 。
的优 化方法 的区别 在于 ：传统 的方法先 把数据点 作为 内点而
然后计算 匹配角点 的方差 ，为了快速计算直接取绝对值 。
的次数 ，满足如下关系 ：
， ＝ —— — —— —— — —— —— — —— — —— — —— — —— — 一
ｌ （ １一 Ｐ ｏｇ ）
ｌｇ １一 （ ｏ（ １一 Ｐ ） ） 其中 ， 为 Ｒ ｎａ ａ ｓｃ过程获得最 优变换模型 的概率 ，ｊ