基于SURF的目标跟踪算法
surf特征点的匹配过程
surf特征点的匹配过程
Surf特征点的匹配过程包括以下步骤：
1. 提取特征点：通过Surf算法提取两幅图像中的特征点。
Surf算法通过计算图像中的Hessian矩阵的行列式来检测潜在的特征点，然后通过计算特征点的主方向和构建特征描述子。
2. 计算特征描述子：对于每个特征点，Surf算法会将其周围的图像区域划分为若干个子区域，然后提取每个子区域的Haar小波响应。
这些Haar小波响应将组成特征描述子。
通过这种方式，每个特征点都能够具有一个128维的特征描述子。
3. 特征点匹配：通过计算两幅图像中特征点的相似度来进行匹配。
常用的方法是计算两个特征描述子之间的欧氏距离或是余弦相似度。
对于每个特征点，选择在另一幅图像中与其具有最小距离的特征点作为匹配点。
4. 特征点筛选：根据匹配点之间的距离进行筛选，排除一些不太可信的匹配点。
常用的方法是计算匹配点的距离与次近距离之间的比值，如果这个比值小于一个给定的阈值，就将匹配点保留下来。
5. 可选的优化步骤：可以通过使用RANSAC（随机抽样一致性）算法进一步筛选匹配点，消除由于噪声或误识别造成的错误匹配。
RANSAC算法会随机选择一组匹配点，并计算这些匹配点与模型之间的误差，然后根据误差进行筛选，最后得到更准确的匹配结果。
通过以上步骤，Surf特征点的匹配过程可以得到两幅图像中匹配点的对应关系，从而进行图像配准、目标跟踪等应用。
基于图像识别的物体跟踪算法
基于图像识别的物体跟踪算法随着计算机视觉的不断发展，图像识别技术已经得到了广泛的应用。
其中，物体跟踪算法是一种常用的技术，它可以识别出物体的运动轨迹并进行跟踪。
基于图像识别的物体跟踪算法有着广泛的应用前景，下面我们将从算法的基本原理、应用场景、算法的优缺点等方面进行探讨。
1. 算法基本原理基于图像识别的物体跟踪算法主要基于两种思路：一种是通过像素的变化来实现物体的跟踪，另一种是通过特征匹配来实现物体的跟踪。
其中，前者主要是基于背景差分的思路，后者则主要是基于图像特征提取和匹配算法。
下面我们将分别介绍这两种思路的基本原理。
1.1 基于背景差分的思路基于背景差分的思路主要是通过对两幅相邻图像进行差分，来识别出运动物体的位置信息。
具体的步骤如下：（1）建立背景模型首先，需要对摄像机拍摄的视频进行分析，建立一个静态背景模型。
具体来说，可以使用高斯混合模型来建立背景模型，并对背景模型进行更新。
（2）将当前图像与背景模型比较然后，将当前图像与背景模型进行比较，得到一个差分图像。
在差分图像中，与背景模型相同的像素为0，与背景模型不同的像素为1。
我们将这些不同的像素点称为前景像素点，即表示运动物体的像素点。
（3）目标跟踪最后，对前景像素点进行聚类或轮廓提取，得到物体的位置信息，实现目标跟踪。
1.2 基于特征匹配的思路基于特征匹配的思路主要是通过提取图像中的特征点，然后使用特征点匹配算法来识别出物体的位置信息。
具体的步骤如下：（1）提取图像特征首先，需要通过SURF、SIFT、ORB等算法来提取图像中的特征点。
这些特征点可以是图像的角点、边缘等。
（2）特征点匹配然后，需要对两幅相邻图像中提取的特征点进行匹配。
这里可以使用FLANN、BFMatcher等算法。
（3）目标跟踪最后，通过匹配得到的特征点，计算物体在两幅图像中的位置，实现目标跟踪。
2. 应用场景基于图像识别的物体跟踪算法有着广泛的应用场景，包括：（1）智能监控基于图像识别的物体跟踪算法可以应用于智能监控系统，实现对人、车等运动物体的跟踪和警报。
surf算法代码 -回复
surf算法代码-回复什么是Surf算法Surf算法（Speeded Up Robust Features）是一种用于图像特征检测和描述的计算机视觉算法。
它是在2006年由Herbert Bay等人提出的，旨在提高图像处理中的特征点检测与匹配的速度和准确性。
Surf算法在计算机视觉和图像处理领域中得到广泛应用，它的主要目标是在图像中找到稳定且唯一的局部特征点。
Surf算法的步骤1. 尺度空间构建：Surf算法在图像中使用多尺度空间来有效地检测特征点。
它通过不断模糊图像，并计算模糊后的图像与原始图像的差异来构建多尺度空间。
算法使用一个高斯滤波器来进行图像模糊，并通过逐渐增加滤波器的方差来构建不同尺度下的图像。
这样做的目的是使得算法能够在不同尺度下检测到特征点，而不受图像缩放的影响。
2. 关键点检测：在构建好尺度空间后，Surf算法会在每个尺度中检测关键点。
关键点是那些在图像中具有稳定尺度和位置，并且对缩放、旋转和光照变化具有不变性的点。
Surf算法使用Hessian矩阵来检测关键点。
Hessian矩阵是一个用于测量图像局部变化的矩阵，在Surf算法中，它被用来检测图像中的高强度点。
3. 关键点定位：在检测到关键点后，Surf算法会对关键点进行精确定位。
它使用一个Haar 小波响应来定位关键点的位置和方向。
Haar小波是一种多尺度基函数，它能够识别出图像中的边缘和纹理特征。
Surf算法利用Haar小波响应来定位出关键点的具体位置和方向，以便后续的特征描述步骤。
4. 特征描述：在完成关键点定位后，Surf算法会对每个关键点进行描述，以便后续的特征匹配。
Surf算法使用了一种叫做加速权重积分（Fast Hessian）的方法来生成特征描述子。
特征描述子是一个向量，它能够描述关键点周围区域的结构和纹理信息。
Surf算法会通过计算关键点周围区域的灰度变化来生成特征描述子。
5. 特征点匹配：在完成特征描述后，Surf算法会使用一种叫做KD树的数据结构来进行特征点的匹配。
SURF算法在图像处理中的应用
SURF算法在图像处理中的应用SURF算法是一种被广泛应用于计算机视觉领域的算法，其全称是Speeded Up Robust Features。
它是一种特征提取算法，可以在图像中检测出具有特殊性质的关键点，并生成具有鲁棒性的特征描述子。
这些特征可以用于识别相似的图像，比较相似度，并在图像配准、图像跟踪、三维重建等领域中发挥重要作用。
本文将探讨SURF算法在图像处理中的应用。
一、 SURF算法的原理SURF算法是基于SIFT算法的一种改进，它的主要优势在于速度更快、鲁棒性更强。
下面简单介绍SURF算法的原理。
1. 尺度空间构建SURF算法首先对原始图像进行尺度变换，通过高斯金字塔来构建尺度空间。
尺度空间的不同层次可以检测到不同大小的特征。
通过不同层次检测的关键点可以估计出原始图像中的关键点，这个过程被称为尺度空间极值点检测。
2. 关键点定位在尺度空间中，SURF算法通过Hessian矩阵的行列式求解得到图像局部极值点位置，这些点是具有高强度、对光照变化鲁棒等性质的关键点。
3. 方向确定为了使SURF算法对旋转和光照变化更加鲁棒，需要为每个关键点确定一个主方向，这个方向是在关键点周围采用Hessian矩阵主方向确定的。
4. 特征描述为了描述关键点的局部特征，SURF算法使用了一种统计学上的方法，即将关键点周围的区域分解成小的子区域，每个子区域在水平和竖直方向上计算Haar小波变换，形成特征向量。
这些特征向量组成的特征描述子具有鲁棒性，可以用来评估关键点的稳定性。
5. 特征匹配在进行图像匹配时，SURF算法使用了一种快速的近似最近邻搜索方法，称为快速最近邻搜索（FLANN）。
它可以在大规模的特征库中快速找到与查询特征最相似的特征。
二、 SURF算法可以被广泛应用于图像处理中，下面介绍一些应用领域。
1. 图像配准SURF算法可以被用来匹配两幅图像之间的关键点，通过计算两幅图像中关键点的相似度来实现图像配准。
又快又准的特征匹配方法
又快又准的特征匹配方法又快又准的特征匹配方法是计算机视觉领域中非常重要的一个问题。
特征匹配是指在两个或多个图像中找到具有相似性的特征点，并建立它们之间的对应关系。
特征匹配在很多应用中都有广泛的应用，如图像配准、目标检测和跟踪等。
在过去的几十年中，研究人员提出了许多特征匹配方法，其中一些方法即使在处理大规模数据集时也能提供很高的匹配准确性和效率。
下面将介绍几种又快又准的特征匹配方法。
1.SIFT（尺度不变特征变换）SIFT是一种非常经典的特征匹配算法，在很多应用中都被广泛使用。
它通过将图像中的特征点转换成尺度、旋转和亮度不变的向量，然后使用特征向量之间的欧氏距离来进行匹配。
SIFT算法具有很高的匹配准确性和鲁棒性，但在处理大规模数据集时会存在时间和空间复杂度较高的问题。
2.SURF（加速稳健特征）SURF是一种基于SIFT的改进算法，能够在保持较高匹配准确性的同时提高匹配的速度。
SURF算法用Hessian矩阵来检测特征点，并通过使用积分图像来加速特征描述子的计算。
这种基于加速稳健特征的特征匹配方法比SIFT更快、更鲁棒，适用于处理大规模数据集。
3.ORB（方向倒角二值描述子）ORB是一种在效率和准确性之间取得平衡的特征匹配算法。
它结合了FAST关键点检测器和BRIEF特征描述子，使用方向倒角二进制描述子来表示特征点，从而使得匹配速度更快。
ORB算法在实践中表现良好，尤其适用于移动设备上的实时应用。
4.BRISK（加速鲁棒特征）BRISK是一种能够提供快速、鲁棒特征匹配的算法。
它通过快速角点检测器来检测特征点，并使用二进制描述子来进行特征匹配。
BRISK算法具有较低的计算复杂度和内存消耗，并且能够在保持较高的匹配准确性的同时提供很高的速度。
TCH（局部联合二进制特征）LATCH是一种基于二进制特征匹配的算法，具有很高的匹配速度和鲁棒性。
LATCH算法通过使用快速特征检测器和局部联合二进制描述子来检测和匹配图像中的特征点。
面向复杂场景的目标跟踪算法研究
面对复杂场景的目标跟踪算法探究关键词：目标跟踪；复杂场景；图像增强；多目标跟踪；神经网络一、引言目标跟踪是计算机视觉领域中重要的探究课题之一。
它在许多领域中都有广泛的应用，例如视频监控、自动驾驶和无人机等。
目标跟踪的目标是在视频序列中找到特定目标的位置，并在图像序列中跟踪它的运动轨迹。
但是，在实际应用中，目标跟踪往往会面临浩繁挑战，例如复杂背景、光照变化和目标遮挡等。
因此，如何在复杂场景中实现高效的目标跟踪一直是该领域的探究重点。
二、目标跟踪算法分类目标跟踪算法可以分为两类：基于区域的跟踪算法和基于点的跟踪算法。
基于区域的算法通过检测人工定义的目标区域来实现跟踪。
其中，常用的基于区域的跟踪算法包括均值漂移、卡尔曼滤波、粒子滤波和相关滤波等。
而基于点的跟踪算法则是通过识别特征点，并持续计算它们的相对位置来跟踪目标。
在基于点的跟踪算法中，SIFT和SURF算法是最常用的。
虽然两种算法的原理不同，但它们都具有很强的鲁棒性，在光照变化和目标旋转等状况下均能实现可靠的跟踪效果。
三、面对复杂场景的目标跟踪算法在复杂场景下，目标跟踪会受到许多干扰。
为了解决这些问题，探究人员们提出了许多新的算法。
1. 图像增强技术光照变化是导致目标跟踪误差的主要原因之一。
为了解决这个问题，许多探究者使用图像增强技术来改善图像质量。
常用的图像增强技术包括直方图均衡化、自适应直方图均衡化和对比度受限自适应直方图均衡化等。
这些技术可以将输入图像的亮度范围调整到更适合跟踪的范围。
2. 多目标跟踪算法在某些状况下，需要同时跟踪多个目标。
但是，传统的单目标跟踪算法并不能满足这种需求。
因此，探究人员提出了一些针对多目标跟踪的算法，例如基于马尔科夫随机场的多目标跟踪算法、基于分布式卡尔曼滤波的多目标跟踪算法和基于整体局部最小代价的多目标跟踪算法等。
3. 神经网络结构近年来，神经网络在计算机视觉中越来越受到重视。
许多探究人员将神经网络应用于目标跟踪，并取得了不错的效果。
人形追踪的原理
人形追踪的原理人形追踪是一种计算机视觉技术，它的原理是识别和跟踪图像中的人体部分，常用的人形追踪技术包括基于颜色、基于特征点、基于模型等方法。
下面将详细介绍人形追踪的原理。
1. 基于颜色的人形追踪方法：基于颜色的人形追踪方法是最简单和常用的方法之一。
它利用人体皮肤的颜色信息来进行人形追踪，一般通过在图像中选择一定的颜色范围来识别人体部分。
首先，在人形追踪之前，需要对图像进行预处理，包括颜色空间的转换和图像增强等。
然后，采用阈值分割的方法将图像中的人体部分分割出来。
最后，通过形态学操作和连通区域分析等方法对分割结果进行后处理，得到最终的人形追踪结果。
2. 基于特征点的人形追踪方法：基于特征点的人形追踪方法在图像中寻找人体的关键点，如头部、手臂、脚等，然后通过追踪这些关键点的位置变化来实现人体的追踪。
这种方法主要包括特征点提取、特征点匹配和特征跟踪三个步骤。
首先，通过特征提取算法（如SIFT、SURF等）从图像中提取关键点。
然后，利用特征匹配算法（如FLANN、RANSAC 等）将当前帧与参考帧中的特征点进行匹配。
最后，通过计算特征点的位置变化来实现人体的追踪。
3. 基于模型的人形追踪方法：基于模型的人形追踪方法通过在图像中构建人体的模型来实现人形追踪。
一般来说，构建人体模型的方法主要包括基于部分的模型和基于全局的模型两种。
基于部分的模型方法是通过将人体划分为多个部分，如头、躯干、四肢等，并建立它们之间的关系来进行追踪。
而基于全局的模型方法则是将整个人体作为一个整体来进行连续追踪。
基于模型的人形追踪方法通常需要先进行训练，通过大量的训练数据来学习人体的形状、结构和运动等信息，然后利用学习到的模型来进行追踪。
综上所述，人形追踪是一种基于计算机视觉技术的图像处理方法，有多种不同的实现方法。
不同的方法具有不同的优缺点和适用范围，可以根据具体的需求选择合适的方法来实现人形追踪。
人形追踪技术在很多领域都得到了广泛的应用，如智能监控、动作捕捉、虚拟现实等，对于实现实时目标追踪和场景分析具有重要的作用。
图像处理技术的物体跟踪与运动分析技巧
图像处理技术的物体跟踪与运动分析技巧物体跟踪和运动分析是图像处理技术中的重要部分，旨在从连续的图像序列中提取有关目标物体位置、形状和运动的信息。
这些技巧在许多领域中都有广泛的应用，例如视频监控、交通管理、虚拟现实等。
在物体跟踪和运动分析中，首先需要通过图像预处理方法增强图像质量，为后续的处理做准备。
其中，图像增强技术，如直方图均衡化、滤波器等，可以使图像更清晰、更易于分析。
在物体跟踪中，常用的技术方法之一是基于背景建模的方法。
该方法基于假设，认为背景是静态的，因此可以通过建模背景实现物体的提取和跟踪。
常用的背景建模方法包括高斯混合模型（Gaussian Mixture Model，GMM）和自适应背景更新等。
通过对背景模型的建模和更新，可以有效地检测和跟踪移动的物体。
另一种常用的物体跟踪方法是基于特征点的跟踪。
该方法通过提取图像中的特征点，并在连续帧之间进行匹配，从而实现物体的跟踪。
常用的特征点提取算法包括SIFT（Scale-Invariant Feature Transform）和SURF（Speeded Up Robust Features）等。
通过计算特征点的描述子以及匹配过程，可以实现对物体的准确跟踪。
与物体跟踪相伴的是运动分析，目的是进一步了解和分析物体的运动规律。
常用的运动分析方法之一是光流估计。
光流估计可以计算相邻帧之间像素的运动方向和速度。
通过对运动场的分析，可以了解物体的运动方向、速度、形状等信息。
基于深度学习的方法在物体跟踪和运动分析中也取得了显著的成果。
通过使用深度卷积神经网络（CNN），可以实现对目标物体的准确检测和跟踪。
这些方法在提取图像特征上更具有鲁棒性，可以有效地处理各种场景和复杂的背景干扰。
总结一下，物体跟踪和运动分析是图像处理技术中的重要内容。
通过图像预处理、背景建模、特征点跟踪、光流估计和深度学习等方法，可以实现对目标物体的跟踪和运动分析。
这些技巧在许多实际应用中发挥着重要的作用，为人们提供了更多的信息和洞察力。
- 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)。
第5 期
王露露等： 基于 SURF 的目标跟踪算法
517Biblioteka 现目标的跟踪。其基本思路如下： 1 ） 对于 n 帧视频图像 I1 ， …， In ， 在第一帧 I1 图 像上， 运动目标位置所在区域为椭圆 e1 ， 采用 SURF 提取特征点得到初始特征点集合 A。 2 ） 对于下一帧 I i （ i ≥2 ） ， 在椭圆 e i － 1 区域内和 周围同样进行 SURF 特征提取， 得到特征点集合 B 。 3 ） 将得到特征集合 A 与 B 进行最近邻匹配， 然 后结合 RANSANC 和最小二乘法来去除误匹配， 得 到最终匹配。 4 ） 根据最新匹配更新目标位置 e i ， 同时更新特 A 。 征点集合 以上算法虽然能够快速准确地跟踪目标的运 动， 但是当目标发生遮挡时将会失效。 这是因为目 标被遮挡时， 更新机制会将出现在目标区域内的属 添加到特征集合 A 中， 从而导致 于背景的特征点， 运动目标的跟踪失败。 为了解决目标运动过程中发生的短时间遮挡 问题， 提出下面一种方法， 即同目标特征点集一样， 文中同样将背景特征点集也参与特征匹配中去， 同 时在处理完每一帧后也进行更新。 因此， 当跟踪的 目标发生遮挡时， 目标区域内检测到的特征点将会
第 11 卷第 5 期 2012 年 10 月
江 南 大 学 学 报（ 自 然 科 学 版） Journal of Jiangnan University（ Natural Science Edition）
Vol． 11 Oct．
No． 5 2012
基于 SURF 的目标跟踪算法
王露露， 张
* 洪 ， 高忠国
516
江 南 大 学 学 报 （ 自 然 科 学 版）
第 11 卷
放， 同时发生颜色变化时， 仍能实现稳定的跟踪。 由于 SURF 特征提取算法是当前特征点匹配领 具有较高的匹配能力， 并且当图像发生 域的热点， 平移、 旋转、 光照变换等情况， 都具有较高的匹配精 度和鲁棒性。为此， 文中提出一种基于 SURF 算子 的目标跟踪算法， 与 SIFT 算法相比， 同样具有尺度 但 是 速 度 明 显 加 快。 同 时 针 对 目 标 跟 不变 性， ［78 ］ 踪 中遇到的短时间遮挡问题， 文中提出一个遮 挡检测机制， 就是对于运动目标区域内的背景也进 行检测， 当目标检测区域内的背景特征点面积的总 就可以断 和与目标区域的面积比超过了一个阈值， 。 定目标被遮挡了
［5 ］ 标跟踪识别算法 SURFTrack ， 并实验证明其在户
、 HessianLaplace、 强角点检测等。 它们的
外进行移动电话跟踪的良好性能； 李英等研究了结 合 SURF 与聚类分析方法实现运动目标的快速跟 踪
［6 ］
优点是对图像的旋转、 平移、 光照变化具有很强的
收稿日期： 2012 － 05 － 02 ； 修订日期： 2012 － 06 － 04 。
L xy （ x， σ） L yy （ x， σ）
^ ^
]
式中： L xx 是高斯函数 g（ σ） =
2
1 － （ x2 + y2 ） / 2 σ2 e 2 πσ2
^ y ） 在点 x = （ x， y） 的二阶导数 2 g（ σ） 同图像 I （ x， x L yy 含义类似。 处的卷积结果； L xy ， Bay 等人［9-10］提出用箱式滤波来近似代替二阶 用积分图像来加速卷积以提高计算速 高斯滤波， 。 SURF 度 为使 特征具有尺度不变性， 需要构造尺 度空间， 在各个尺度空间下通过 Hessian 矩阵行列 式得到局部极值点。 SURF 对尺度空间的构造是保 持图像大小不变， 用不同大小的箱式滤波器同图像 进行卷积得到的。 箱式滤波同图像卷积后的值分 D xy ， D yy ， xy 方向， y 方向。 别为 D xx ， 分别表示 x 方向， 由于箱式滤波是二阶高斯滤波的近似估计， 因此引 入比例因子 ω（ ω 近似取 0． 9 ） ，进一步得到 Hessian 矩阵的行列式： det（ H） = D xx D yy － （ 0 ． 9 D xy ）
， 实验证明当目标发生大角度旋转和快 速 缩
基金项目：教育部自主科研计划项目 （ JUSRP211A17 ） 。 作者简介：王露露（ 1987 —） ， 男， 江苏宿迁人， 机械电子专业硕士研究生 。 * 通信作者：张 洪（ 1966 —） ， 男， 江苏无锡人， 副教授， 硕士生导师。主要从事机器人控制、 机电一体化研究。 Email： 1105399774@ qq． com
［3 ］
提出的 SIFT 算法是一种
具有尺度不变性的特征点检测方法。 它 鲁棒性好、 的缺点 是 算 法 的 时 间 复 杂 度 高， 计 算 数 据 量 大。 ZHOU Huiyu 等人研究了基于 SIFT 特征和均值漂 提出了一种优化的相似性搜索函数 移的目标跟踪， 对复杂背景下的目标跟踪有较好的效果。 Ta D N 等人研究了一种使用局部特征描述的连续快速目
时， 才将此局部极值点作为候选特征点。 然后去除 低对比度的点和边缘点， 最后通过插值得到亚像素 级的特征点的位置和尺度。 1． 2 特征点主方向的确定 为保持特征点的旋转不变性， 在特征点位置确 需要给每个特征点确定一个主方向。 首先 定以后， 以特征点为中心， 计算半径为 6 s（ s 为特征点所在的 y 方向上的 Haar 小波 尺度值） 的邻域内的点在 x， （ Haar 小波边长取 4 s） 响应， 并同时给这些响应值赋 于相应的高斯权重系数 （ 靠近特征点的响 应 贡 献 大， 远离特征点的响应贡献小 ） ， 这样可以减少特征 用 π /3 大小的扇形区域范围遍 点的误匹配。然后， 历整个圆形区域， 得到特征点的主方向 （ 域内水平 方向响应和垂直方向响应的矢量和模的最大值的 通过逐一计算所有的特征点， 就可得 方向） 。这样， 到所有特征点的方向。 1． 3 描述子的生成 以特征点为中心， 选取一边垂直于主方向、 边 长为 20 s 的正方向区域。 将窗口区域划分为 4 × 4 的子区域， 在每一个子区域内， 计算 5 s × 5 s （ 采样步 长取 s） 范围内的小波响应。相对于主方向的水平、 dy ， 垂直方向的 Haar 小波分别记作 d x ， 同样赋予响 以增加对几何变换的鲁棒性。 然 应值以权值系数， 后将每个子区域的响应值和响应值的绝对值相加 形成∑d x ， ∑d y ， ∑ dx ， ∑ d y 。 这样， 在每个子 ∑ dy ， 区域中 形 成 了 四 维 分 量 的 矢 量 V = （ ∑ d x ， ∑ dx ， ∑ dy ） ， 因此， 对于每个特征点， 则形成 4 × （ 4 × 4 ） = 64 维的描述向量。为了使描述符对于 光照具有高的鲁棒性， 要对向量进行归一化处理， 最终得到 SURF 描述符。 1． 4 特征匹配 S2 分别为两帧 文中采用最近邻匹配法， 设 S1 ， i2 ， 图像 i1 ， 用 SURF 方法提取得到的特征点集合， 对 S1 中的任一特征点 n ij ， S2 中与 n1j 的欧氏距离最小 n2j ， 和次最小的两个特征点分别为 n1j ， 对应距离分 d2 。若 d1 ≤αd2 （ 文中 α = 0 ． 65 ） ， 别为 d1 ， 则认为 n1j 与 n2j 为对应的匹配对， 遍历 S1 中所有的特征点， 找 出所有潜在的匹配对。然后结合 RANSANC 和最小 二乘法来去除误匹配， 得到最终匹配。 1． 5 基于 SURF 的目标跟踪与遮挡处理 SURF 跟踪算法中， 目标是通过一个 SURF 特征 点集来进行描述的， 这样一种描述方式的优点在于 它能够允许目标的不同部分进行不同的运动， 同时 SURF 的计算量较小， 因此能够更加灵活、 快速地实
运动目标识别与跟踪
［ 12 ］
在机器视觉中一直都
适应性， 但是对于尺度变化鲁棒性较差， 可能会导 致匹配失败。Lowe 等人
［4 ］
是研究的热点问题之一。目标匹配跟踪问题在近年 来得到了很大发展， 目前广泛应用的图像匹配算法分 为以下两大类： 一类是基于灰度相关的匹配方法， 就 是直接利用图像的灰度进行匹配； 另一类是基于特 征的匹配方法， 它是通过提取的图像特征进行匹配， 优点是具有较强的抗干扰性， 同时计算量较小。 基于特征的匹配方法需要先提取图像特征， 如 提取特征点、 边缘、 区域和轮廓等， 然后再匹配图像 特征。常用的特征点检测方法如 Harris 角点检测、 SUSAN
（ 江南大学 机械工程学院， 江苏 无锡 214122 ） 要：为了改善运动目标在跟踪中的实时性问题 ， 提出了一种基于 SURF 算子的目标跟踪算法。 通过对 SURF 特征点集进行描述快速确定目标位置 ， 实验表明该方法是一种简洁有效的目标跟踪 摘 提出了一种目标遮挡检测机制， 为目标 识别方法。同时针对目标运动过程中短时间的遮挡问题 ， 遮挡的处理提供了一种途径。 关键词： 目标跟踪； 遮挡； 目标识别； 特征匹配 中图分类号：TP 242． 6 文献标识码： A 文章编号：1671 － 7147 （ 2012 ） 05 － 0515 － 04
2
通过 Hessian 矩阵的行列式得到各个尺度空间 下的局部极值点后， 每个局部极值点及同一尺度的 8 个相邻点以及它上下两个尺度的各 9 个点， 形成 一个 3 × 3 × 3 的立体邻域。 将尺度空间的每个极 值点与立体邻域相邻的 26 个点进行比较， 只有当 局部极值点的值大于 （ 或小于 ） 所有 26 个相邻点
Research of Object Tracking Algorithm Based on SURF
WANG Lulu， ZHANG Hong * ， GAO Zhongguo
（ School of Mechanical Engineering， Jiangnan University， Wuxi 214122 ， China） Abstract： In order to improve the realtime object track， a new object tracking algorithm based on SURF operator was proposed． Through the description of SURF feature point sets，the target position was quickly determined． The experimental results show that the method is a kind of concise and effective target tracking recognition． At the same time，aiming at the short time occlusion issues，a kind of object shelter detection system is put forward，which provides a kind of way to deal with occlusion． Key words： object tracking， occlusion， object recognition， feature matching