买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军火箭军工程大学

摘要：本发明公开了一种基于KCF和SURF特征的实时鲁棒目标跟踪方法，涉及目标跟踪技术领域，其技术方案要点是：包括以下步骤：S1、获取目标图像，并基于KCF算法进行目标跟踪；S2、基于峰值旁瓣比来判定目标是否被遮挡或丢失；S3、基于SURF‑RANSAC目标检索匹配，重新对目标进行匹配；S4、重新框选目标，更新目标模板，并继续执行KCF目标跟踪任务。本发明的方法能够有效的解决在目标发生遮挡、丢失或跟踪失败时再检测跟踪的问题，能够实现在失配的情况下，自动匹配框选目标，并继续执行跟踪策略；并且，本发明的方法考虑到无人机的机载计算机的计算能力有限，设计的实时鲁棒目标跟踪方法简洁高效，计算耗时少，满足实时性要求。

主权项：1.一种基于KCF和SURF特征的实时鲁棒目标跟踪方法，其特征是：具体包括以下步骤：S1、获取目标图像，并基于KCF算法进行目标跟踪，其中，所述目标跟踪的任务为对特定目标进行实时跟踪并反馈目标在画面中的位置；S2、基于峰值旁瓣比来判定目标是否被遮挡或丢失，在目标跟踪的目标丢失后，重新搜索定位目标，且在KCF跟踪目标的过程中，对目标跟踪情况进行判断，提取目标SURF特征，生成目标模板；在目标发生遮挡或丢失时，提取下一帧目标图像的SURF特征并与目标模板进行匹配，框选出与目标模板特征最相匹配的目标，然后重新更新跟踪模型，并对继续进行目标跟踪；S3、基于SURF-RANSAC目标检索匹配，重新对目标进行匹配，采用随机抽样一致性算法RANSAC与SURF算法结合，剔除相似匹配和误匹配，基于SURF-RANSAC目标检索匹配策略重新对目标进行匹配的具体方法为：1SURF特征提取与匹配，通过构建Hessian矩阵来检测和提取图像中所特定区域的特征值：设定一副图像fx,y，其Hessian矩阵可表示如下： 构建矩阵前对图像fx,y进行高斯滤波，经滤波后的Hessian矩阵为： 式中：x为图像特征点的坐标，σ为尺度，Lxx、Lxy、Lyy为进行高斯滤波后图像在各个方向上的二阶导数；然后通过引用9×9的滤波器模板来简化高斯滤波的计算，计算后分别用Dxx、Dxy、Dyy代替L在x、xy、y三个方向的近似值，则H矩阵的行列式的判别式的近似计算表示为：detHapprox＝DxxDyy-ωDxy2式中，detHapprox为特征点x附近区域的框式滤波响应值的近似结果；ω为权重值，且取值为0.9；然后，在SURF中统计特征点领域内的harr小波特征，以60度扇形为单位，统计该扇形区域内特征点的垂直和水平haar小波响应值的总和，并将该扇形进行一定间隔的旋转，旋转后以haar小波响应值最大的方向作为该特征点的主方向，再以特征点为中心取4×4的子区域，然后对每个子区域进行haar小波响应值检测，分别取x方向响应和、x方向响应绝对值之和、y方向响应和、y方向响应绝对值之和，并分别记为∑dx、∑dx|、∑dy、∑dy|，把每个区域的4维向量按规则连接起来，得到一个特征点为64维特征向量；然后，以计算特征向量之间的相似性作为判断不同视角下图像特征之间是否成功匹配的依据；2RANSAC剔除误匹配：采用随机抽样一致性算法RANSAC与SURF算法相结合，剔除相似匹配及误匹配：在图像之间的特征点对应关系已知的情况下，由单应性矩阵H计算出图像之间的相对变化关系： 其中，x,y与x′,y′分别为两帧图像相对应的特征点，s为尺度参数；3重新匹配目标，采取双向匹配，匹配过程如下：a分别读入image1与image2两帧图像；b分别对image1与image2进行SURF特征点检测，得到两组特征点集合point1与point2；c对每个points1中的点i在points2中找出对应的点j；d对每个points2中的点k在points1中找出对应的点l；e如果点i的匹配点为j，且点j的匹配点为i，则匹配成功；f用RANSAC算法去除SURF算法匹配中的误匹配；S4、重新框选目标，更新目标模板，并继续执行KCF目标跟踪任务，将步骤S3中的匹配结果进行框选，并将框选后新的样本输入到KCF算法中，继续对目标执行跟踪任务。

全文数据：

权利要求：

百度查询： 中国人民解放军火箭军工程大学 一种基于KCF和SURF特征的实时鲁棒目标跟踪方法