基于圖像匹配的積相關(guān)跟蹤算法研究

1、基于圖像匹配的積相關(guān)跟蹤算法研究    【關(guān)鍵詞】圖像匹配 積相關(guān)跟蹤 算法 電視跟蹤系統(tǒng)對目標的跟蹤是通過跟蹤指定目標的圖像實現(xiàn)的。目前在該系統(tǒng)中應(yīng)用比較廣泛的是形心跟蹤和積相關(guān)跟蹤算法。形心跟蹤算法簡單,在一般條件下可以達到較高的跟蹤精度,但是這種算法的跟蹤精度受周圍條件的影響較大。積相關(guān)跟蹤的優(yōu)點是受環(huán)境的影響很小,并且通過快速簡化積相關(guān)算法的實現(xiàn),能夠提高系統(tǒng)的實時性,因此能夠得到廣泛的應(yīng)用。 1、積相關(guān)算法概述 以圖像匹配為基礎(chǔ)的電視跟蹤方法,習(xí)慣上稱為電視圖像相關(guān)跟蹤,簡稱為相關(guān)跟蹤。積相關(guān)算法是常見的相關(guān)算法中的一種,也叫歸一化相關(guān)算法:

2、相似性度量(x0,y0)的表達式為: n(x0,y0)=m-1X=0m-1y=0f(x,y)t(x x0,y y0)m-1X=0m-1y=0f2(x,y)m-1X=0m-1y=0t2(x x0,y y0) 其中,0x0n-m, 0y0n-m。如果把f(x,y)和t(x,y)分別看作兩個歐式空間里的矢量,那么積相關(guān)算法的度量值表達式正是這兩個矢量在歐式空間里夾角的余弦。這是一個非常有用的性質(zhì),它的實際意義是,當環(huán)境光強發(fā)生變換時。應(yīng)用積相關(guān)算法可以不受干擾。 2、跟蹤穩(wěn)定性的研究 所謂跟蹤的穩(wěn)定性是指匹配點的位置是否能夠唯一確定或者在一個極小的范圍內(nèi)滑動。研究系統(tǒng)跟蹤的穩(wěn)定性具有十分重要的意義。

3、 2.1圖像預(yù)處理對跟蹤穩(wěn)定性的影響 在智能電視跟蹤系統(tǒng)中實現(xiàn)積相關(guān)算法時,采取必要的圖像預(yù)處理是非常必要和有益的。對模板和實時圖像進行灰度均衡,使相關(guān)峰變得尖銳,從而提高跟蹤性能;增大圖像的對比度,也可以使相關(guān)峰變得尖銳,從而提高跟蹤性能;對圖像進行灰度最小化處理,使相關(guān)峰變得尖銳,提高跟蹤性能。 2.2模板選取對跟蹤穩(wěn)定性的影響 積相關(guān)跟蹤算法的模板需要人工在視場范圍內(nèi)進行鎖定,這個初始的第一個模板對跟蹤效果也是有影響的。為了得到良好的跟蹤效果,相關(guān)峰應(yīng)當盡量選擇在圖像比較復(fù)雜并且沒有規(guī)律的區(qū)域內(nèi)。 2.3奇偶場對跟蹤穩(wěn)定性的影響 系統(tǒng)采用的攝像頭是按照PAL-D制式進行隔行掃描按照奇偶場

4、產(chǎn)生圖像的。對一幅靜止的圖像如果采用隔場匹配,那么一個模板始終與奇數(shù)場或者偶數(shù)場的實時圖像進行匹配,此時跟蹤點就始終是穩(wěn)定的。對于動態(tài)的、連續(xù)的圖像,應(yīng)該在算法中加入一些處理措施,比如對模板進行刷新,否則可能造成跟蹤不穩(wěn)定。 3、簡化的快速積相關(guān)圖像匹配算法 基于前面給出的簡化歸一化積相關(guān)度量方法,為了進一步減少匹配算法匹配時間,提高匹配效率,且同時保證一定的匹配精度與匹配概率,設(shè)計了先粗后精的分層匹配控制策略。 3.1先粗后精的分層匹配控制策略 下圖中給出了匹配控制策略的設(shè)計框圖。 這種匹配控制策略首先是進行粗匹配,確定匹配點的大概位置或候選位置,接著進行精匹配,確定匹配點的精確位置或最佳位

5、置。精匹配是在粗匹配的結(jié)果-候選匹配子圖中完成的,因而搜索范圍大大減少,提高了匹配速度。 對于本文算法,使用該方案需要注意以下三點。 (1) 粗匹配階段,為了保證精匹配階段的有效性,必須確保粗篩選后所保留的預(yù)選點包含有匹配點。 (2) 門限法實現(xiàn)起來難度較大,多數(shù)是靠大量實驗及經(jīng)驗獲取,且僅在特定的情況下可以采用。實際中,可以考慮采用35點篩選法,即直接取粗匹配階段度量值最優(yōu)的35個匹配點作為精匹配基準點。 (3) 圖像的預(yù)處理是指對匹配圖像的灰度數(shù)據(jù)進行一定的壓縮或特征提取。在粗匹配階段,可以考慮隔像素取值且隔像素搜索。而在精匹配階段,像素值及搜索范圍均要適當擴展。 3.2算法設(shè)計 結(jié)合簡化

6、的度量方法及前面給出的先粗后精的分層匹配控制方案,設(shè)計了簡化的快速歸一化積相關(guān)圖像匹配算法。 (1) 粗匹配階段 計算總的匹配搜索次數(shù)(如對于大小分別為m×m和n×n的基準圖與實時圖,則總的搜索次數(shù)為(m-n 1)×(m-n 1),進行循環(huán)遞推匹配。匹配準則如下。 每隔n1像素從基準圖左上角開始掃描獲取各個基準子圖,并在實時圖及所選的基準子圖中隔n2個像素取其滅度值,組成用于相關(guān)匹配的維數(shù)較小的灰度矢量。 利用簡化的歸一化積相關(guān)度量方法比較基準子圖與實時圖灰度矢量的相似性。 采用遞歸比較的方法得到35個最優(yōu)的匹配點,對應(yīng)的基準子圖作為候選配子圖。 (2) 精匹配階

7、段 在粗匹配階段得到的各個匹配點周圍適當展開進行搜索匹配(若粗匹配階段是隔n1像素進行搜索的,則在各匹配點周圍展開的幅值為應(yīng)在n1/2到n1的范圍內(nèi))。 利用簡化的積相關(guān)度量方法逐一取候選子圖,并在其擴展的范圍內(nèi)進行灰度匹配。 所有度量值中,Rs(u,v)值最大的匹配位置便是最終的匹配結(jié)果。 4、提高跟蹤實時性 經(jīng)過大量的實驗,采用快速的簡化積相關(guān)算法進行匹配仿真實驗可得出如下結(jié)論:        第一是積相關(guān)及本文簡化快速積相關(guān)算法在智能電視跟蹤系統(tǒng)中出項的穩(wěn)定性干擾以及較小的幾何畸變具有良好的抑制作用,且實時圖

8、像越大,其抑制能力越好。 第二是對未經(jīng)選定的圖像,可以考慮對匹配數(shù)據(jù)及搜索方案進行適當調(diào)整以獲得滿意的匹配效率。對于經(jīng)過選定的圖像,采用本文提出簡化的積相關(guān)度量方法及先粗后精的分層匹配控制策略,有效地提高了匹配效率。 第三是減少匹配次數(shù)。在匹配時,進行一次粗匹配和二次精匹配。一次粗匹配時將步長設(shè)為2個像素,這樣可以使計算量減少為原來的1/4。需要指出的是,采取上述的參數(shù)進行積相關(guān)處理時,一次粗匹配的過程中,可能會遺漏實際的最佳匹配點,但是最佳匹配區(qū)域不會被遺漏,也就是說,最佳匹配點可以在二次精匹配中找回。 總之,通過上述方法可以在有限的硬件條件下,有效地提高了系統(tǒng)跟蹤的穩(wěn)定和實時性。 參考文獻: 1 Franz Matthias O, Bernhard. Scene-based homing by image matchingJ.Biol. Cybern,1998:191-202. 2劉揚,趙峰偉,等.景像匹配區(qū)選擇方法研究J.紅外與激光工程, 2001, 30(3): 168-170. 3任仙怡,廖云濤,張桂林等.一種新的相關(guān)跟蹤方法研究J.中國圖象圖形學(xué)報(A版),2002,7(6):553557. 4劉嘉.應(yīng)用隨機過程M.北京:科學(xué)出版社,2002:1213. 5彭架雄,雷達圖像匹配制導(dǎo)技術(shù),華中理工大學(xué). 6孔丹,李介谷.亞像元精度的圖像匹配技術(shù)J.紅外與激光工程,19