基于特征点的运动目标跟踪算法研究

基于特征点的运动目标跟踪算法研究

作者：武婷侯红娜

来源：《科技风》2017年第04期

摘要：由于目标的姿态和大小不断发生变化，本文通过对SIFT特征点的跟踪实现对目标可靠、稳定跟踪，即采用SIFT算法与光流算法相结合的跟踪算法。由于SIFT特征点存在分布太密集的现象，增加了后续跟踪算法的耗时性。针对以上这类问题，本文加入距离约束机制对SIFT算法进行改进。光流只适合小运动，本文采用基于图像金字塔模型的光流跟踪以适应大尺度运动。利用基于多尺度分层的金字塔结构，实现小窗口捕获大运动。通过实验证明，本文所采用的算法相对于传统光流具有更好的鲁棒性和稳定性，能得到更加准确的目标位置。

关键词：SIFT特征点；光流算法；图像金字塔；目标跟踪

目标跟踪问题是机器视觉领域中的一个热点和难点，由于技术的飞速发展，已经被广泛用于道路交通监控、人机交互、制导与导航等诸多领域[ 1 ]。运动目标有有很多的特征能进行跟踪，常见的主要有特征点、轮廓、边缘、形状、颜色等。最容易且能够稳定跟踪的是特征点[ 2 ]。国内外研究者针对特征点的跟踪提出了许多不同的算法，主要的有两种算法：一是基于滤波器预测的方法；二是基于光流的方法。KLT 跟踪算法是由Kanade-Lucas两人提出[ 3 ]，后来由Tomasi和 Kanade改进[ 4 ]。KLT算法首先运用 KLT 算子获取特征点，然后采用最优估计的 KLT 匹配算法实现特征点之间的匹配[ 5 ]，近些年来得到了广泛应用。Ajmal S. Mian 等人采用KLT算法实现了对结构单一、运动迅速的军用飞机的跟踪[ 6 ]；Abdat等人利用KLT算法实现对人脸特征点的跟踪[ 7 ]；邓义等[ 8 ]人在光流算法中加入滤波，该算法提高了特征点跟踪的精度。但是光流法的前提条件之一是图像的连贯性，所以L-K只适用在小尺度运动的目标跟踪，相对于运动尺度、姿态发生比较大变化的跟踪，容易出现特征点丢失的现象导致跟踪失败。本文采用一种图像金字塔的L-K 光流特征点跟踪方法。

由于SIFT是一种局部特征，同时具备尺度和旋转不变性等的优点。然而光流场代表的是一种全局特征，表示的是像素点强度的变化。SIFT算法提取的特征点可以满足光流方程的约束条件[ 9 ]，因此，本文把SIFT特征点和L-K算法结合起来实现对目标的准确跟踪。由于SIFT特征点存在分布过于密集的不足，本文将对SIFT特征点检测加入距离限制进行改进。

1 SIFT特征点提取与改进

1.1 SIFT特征点检测步骤

1.2 改进的SIFT算法

SIFT算法检测到的特征点具有很好地稳定性和抗噪能力，但检测到的特征点过于密集，在后续的跟踪过程中，加大了计算复杂度，影响算法的实时性。针对上述问题，在SIFT算法

中键入距离限制对SIFT算法进行优化，将密集分布的特征点中对比度较低的滤除掉。具体的规则如下：

设两个特征点间的最小距离限制为dmin，如果两个特征点间距离比dmin小，则去掉空间极值相对较小的特征点，减少了后续跟踪的耗时性，同时对目标的位置不会产生较大的影响。

2 改进的金字塔光流跟踪算法

2.1 金字塔型的跟踪

图像金字塔模型是经过对原始图像一连降采样取得的，当达到指定的终止条件时停止降采样。传统光流法采用小窗口跟踪目标以满足空间一致假设，当图像间存在较大运动，小运动的假设往往很难成立。针对以上的不足，本文将图像金字塔和光流跟踪算法相结合，首先将图像进行金字塔分解，当图像分解到某层后，连续两帧图像间的运动量会变得非常小，能够符合光流估计的三个约束条件，可以进行光流估计。在实际计算时，由高到低进行，先计算出上一层的光流增量，然后将其加到初始值上，并进行投影重建，作为其下一层的光流计算初值。由上到下这一过程不断循环，直至估计出最底层图像的光流值。

在金字塔光流算法中，g=[gg]为第L层的初始光流，自上往下，从顶层Lm到底层计算获得。顶层Lm的初始光流g=[0 0].d为L层迭代计算得到的光流增量，相邻层之间的光流计算如式（1）、（2）：

g=[0 0] （1）

g=2（g+d）（2）

上述迭代求解的过程自上而下递推，获得最终的光流计算结果，如式（3）所示：

d=g+d=2d （3）

2.2 光流迭代计算

本文采用迭代法进行最优估计，计算金字塔的每层的光流。d为L层的增量，记为，可由式（4）和式（5）迭代计算得到。

η=G，v=v+ η （4）

G=

，=

（5）

其中η为光流增量；G，由差分得到；假设K为计算收敛所需次数，初始迭代值v0=[0 0] ，则最终的光流增量dL如式（6）所示：

d==v=η （6）

迭代终止条件K=20或η⩽0.03。

3 基于金字塔光流算法的特征点跟踪

4 结果分析

（a）图为原图像，（b）图为没有加入距离限制时检测到的特征点数目，特征点非常密集（c）图为距离限制dmin=10时，检测到的特征点，可以看出，特征点数目明显减少。（d）图为dmin=20时检测到的特征点。由此可以发现，选取不同的dmin，检测出的特征点数目也不定，要根据图像纹理变化和大小，进行距离设定。

5 结论

1）针对角点检测对尺度、光照等敏感的问题，本文采用SIFT算法检测特征点，SIFT特征点对尺度变化和光照具有很好的鲁棒性，并加入距离限制，避免特征点分布过于密集。

2）由于传统光流只适合小运动，本文采用基于图像金字塔的光流算法，将大运动缩减成小运动，得到精确的光流估计实现运动目标的跟踪。

参考文献：

[1] 刘洁.基于特征点的目标检测与跟踪方法研究[D].南京航空航天大学，2008，04.

[2] 肖军，朱世鹏，黄杭等.基于光流法的运动目标检测与跟踪算法[J].东北大学学报，2016，06.

[3] Lucas B，Kanade T.An iterative image registration technique with an application to stereo v-ision.International Joint Conference on Artificial Intelligence，1981.

[4] Tomasi C， Kanade T. Detection and tracking o-f point features. Carnegie Mellon Unversity Te-chnical Report CMU-CS-91-132.1991.

[5] 刘玉；王敬东；李鹏.一种基于SIFT和KLT相结合的特征点跟踪方法研究[J].宇航学报，2011，32（7）：1618-1625.

[6] Mian A S. Realtime visual tracking of aircrafts [C].Proceeding of the 2008 Digital Image Comput -ing； Techniques and Application Washington， DC， USA， December 1-3，2008.