一种机载遥感视频特定人造区域自动识别跟踪方法
【专利摘要】本发明提供了一种机载遥感视频数据特定人造区域自动识别跟踪方法，包括离线状态下跟踪和在线状态下跟踪，其中离线状态下跟踪包括尺度空间的极值检测、关键点定位、关键点方向分配、关键点描述；在线状态下跟踪包括SIFT特征提取、关键点精确匹配、待跟踪目标区域范围确定、通过轨迹预测自适应的确定待跟踪目标的局部区域范围。
【专利说明】一种机载遥感视频特定人造区域自动识别跟踪方法
【技术领域】
[0001]本发明属于遥感图像处理领域，具体涉及一种机载遥感视频特定人造区域自动识别跟踪方法。
【背景技术】
[0002]对机载遥感视频序列中动目标的跟踪算法大部分都是根据前后帧的帧差来初步确定目标的位置，后经过一系列的虚警剔除算法和预测算法，达到跟踪的目的，但是实际的视频序列往往受到噪声、拍摄方式等方面的影响，图像质量会大大下降，再加上图像背景可能相对复杂，这种方法难以提取出理想的目标，最终导致跟踪结果存在偏差甚至失败。再者，这种方法无法实现对视频序列中相对静止目标的识别和跟踪，存在技术上的缺陷。
[0003]针对以上问题，有人提出了融合SIFT算子和其他算法的改进技术，实现对静止目标的跟踪。SIFT是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子，但是这种算法计算过程复杂，运算量庞大，通常情况下很难满足实时性的要求。即使可以实现对静止目标的跟踪，但是大部分的改进算法，在程序的初始一般需要人为干预，圈定待跟踪的目标，不能实现真正的自动识别和跟踪。
【发明内容】
[0004]为了解决上述技术问题，本发明提供了一种机载遥感视频数据特定人造区域自动识别跟踪方法。
[0005]一种机载遥感视频数据特定人造区域自动识别跟踪方法，为离线状态下跟踪，具体包括以下步骤:
[0006](I)尺度空间的极值检测:对于给定的一幅二维图像，连续进行高斯卷积和2倍下采样及相减操作，构成该图像的尺度空间，产生高斯金字塔和高斯差分(DOG)金字塔，在差分金字塔中，除了第一层和最后一层图像外，进行极值检测，得到尺度空间的极值点的位置坐标；
[0007](2)关键点定位:对尺度空间DOG函数进行三维二次曲线拟合，确定阈值，剔除那些对比度低的不稳定的极值点，再利用二阶的Hessian矩阵去除边缘响应强烈的极值点，得到精确位置的关键点的坐标；
[0008](3)关键点方向分配:计算关键点邻域像素的梯度幅度和角度信息，并按梯度的角度进行幅度大小的直方图统计，进行直方图的二次曲线拟合，确定关键点的主方向和辅方向；
[0009](4)关键点描述:对所有的关键点的邻域按照上述计算得到的关键点的主方向进行旋转，再通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的128维向量，对该向量进行梯度幅度限制和向量归一化，得到最后的表征该关键点的区域图像信息的描述子。
[0010]所述的离线状态下的步骤(I)极值检测中，通过待检测的位置点和它同尺度的8个相邻点和上下相邻尺度对应的9X2个点共26个点进行比较，得到尺度空间的极值点的位置坐标。
[0011]一种机载遥感视频数据特定人造区域自动识别跟踪方法，为在线状态下跟踪，具体包括以下步骤:
[0012](I) SIFT特征提取:对原始的高斯差分金字塔的每组第一层图像进行自适应阈值的图像二值化，提取边缘区域，再进行固定半径的膨胀，然后只在此确定区域内进行极值点检测，最后生成描述子；
[0013](2)关键点精确匹配，具体包括:
[0014]a、初步匹配:对模板和实时图中的关键点的128维的描述子进行相似性的度量，即求欧式距离；
[0015]b、去除多对一的匹配点:将匹配对的坐标按照实时图中的匹配结果排序，剔除多余的匹配点，得到一对一的匹配结果；
[0016]C、剔除错误匹配对；
[0017](3)待跟踪目标区域范围确定:得到正确的匹配对之后，随机选取3对，模板关键点为:(Xpyi)，(x2，y2)，(χ3，y3)，实时图中对应的匹配点为:(χ/，y/)，12 )? (χ3，，y3’)，代入下述仿射变换模型:
【权利要求】
1.一种机载遥感视频数据特定人造区域自动识别跟踪方法，为离线状态下跟踪，其特征在于，具体包括以下步骤: (1)尺度空间的极值检测:对于给定的一幅二维图像，连续进行高斯卷积和2倍下采样及相减操作，构成该图像的尺度空间，产生高斯金字塔和高斯差分(DOG)金字塔，在差分金字塔中，除了第一层和最后一层图像外，进行极值检测，得到尺度空间的极值点的位置坐标； (2)关键点定位:对尺度空间DOG函数进行三维二次曲线拟合，确定阈值，剔除那些对比度低的不稳定的极值点，再利用二阶的Hessian矩阵去除边缘响应强烈的极值点，得到精确位置的关键点的坐标； (3)关键点方向分配:计算关键点邻域像素的梯度幅度和角度信息，并按梯度的角度进行幅度大小的直方图统计，进行直方图的二次曲线拟合，确定关键点的主方向和辅方向； (4)关键点描述:对所有的关键点的邻域按照上述计算得到的关键点的主方向进行旋转，再通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的128维向量，对该向量进行梯度幅度限制和向量归一化，得到最后的表征该关键点的区域图像信息的描述子。
2.如权利要求1所述的一种机载遥感视频数据特定人造区域自动识别跟踪方法，其特征在于，所述的离线状态下的步骤(1)极值检测中，通过待检测的位置点和它同尺度的8个相邻点和上下相邻尺度对应的9X2个点共26个点进行比较，得到尺度空间的极值点的位置坐标。
3.一种机载遥感视频数据特定人造区域自动识别跟踪方法，为在线状态下跟踪，其特征在于，具体包括以下步骤: (1)SIFT特征提取:对原始的高斯差分金字塔的每组第一层图像进行自适应阈值的图像二值化，提取边缘区域，再进行固定半径的膨胀，然后只在此确定区域内进行极值点检测，最后生成描述子； (2)关键点精确匹配,具体包括: a、初步匹配:对模板和实时图中的关键点的128维的描述子进行相似性的度量，即求欧式距离； b、去除多对一的匹配点:将匹配对的坐标按照实时图中的匹配结果排序，剔除多余的匹配点，得到一对一的匹配结果； C、剔除错误匹配对； (3)待跟踪目标区域范围确定:得到正确的匹配对之后，随机选取3对，模板关键点为:(X1, Y1), (x2, y2), (x3, y3),实时图中对应的匹配点为:(x/，y/ )，(x2’，y2’)，(x3’，丫3’ )，代入下述仿射变换模型:、Λ O O I ο] [?,I 1.?;.]O O X, yt O I IH1 I v: |X2 J2 0 0 I 0 爾,I χ.!:O O λ- O I /? I r/ 1:3 Fj ο O I OI V/ Iβ Cl ν; V' Cl Ij 卜'、 [r/j将上式简化写成Ax=b,则:x= [A1Ar1A1ID ;得到仿射变换矩阵χ,即[In1, m2，m3, m4, tx, ty]T,对给定的模板图像的边界值带入变换模型，得到目标在实时图中的位置的边界值，即跟踪局部的范围大小，再加上像素的边界冗余量，就可以在下一幅图像中确定待跟踪目标的范围大小；同样，将模板中的匹配点的质心坐标代入变换模型，就可以得到实时图中的模板质心坐标； (4)通过轨迹预测自适应的确定待跟踪目标的局部区域范围:采用抛物线外推的方式进行轨迹预测，根据得到的局部跟踪范围区域的信息，在下一帧的实时图中截出含有目标的局部跟踪范围，截取得到一个小图，同样，对其进行SIFT特征提取，求得尺度空间精确定位的极值点，为其找到主方向，产生局部描述子，再经过和模板图像的关键点的精确匹配，确认目标是否在选定的局部区域内，如果确认了目标跟踪，则继续局部区域的跟踪，反之，重新对实时图进行特征提取和匹配。
4.如权利要求3所述的一种机载遥感视频数据特定人造区域自动识别跟踪方法，其特征在于，所述的关键点精确匹配采用采用穷举匹配方法: 模板中的关键点的描述子表示为Ai=Cril, r12,......, ril28), 实时图中的关键点描述子表示为=Si= (sn, si2,......, Sil28), 则任意两描述子的欧式距离:
5.如权利要求3或4所述的一种机载遥感视频数据特定人造区域自动识别跟踪方法，其特征在于，所述的剔除错误匹配对采用以下方法进行剔除: 模板中的关键点的坐标为^i=Ui, Yi),质心坐标为Cl,关键点与质心的距离定义为欧式距离，同样，实时图的关键点的坐标为:sf (\，yP，质心坐标为c2，关键点与质心的距离定义为欧式距离，对于一个匹配对来说定义比值:
6.如权利要求5所述的一种机载遥感视频数据特定人造区域自动识别跟踪方法，其特征在于，所述的剔除错误匹配对在完成第一次剔除后采用以下方法进行第二次剔除:重新确定一个质心坐标，替换原有质心,再次剔除。
【文档编号】G06K9/46GK103761523SQ201410001565
【公开日】2014年4月30日 申请日期:2014年1月2日 优先权日:2014年1月2日
【发明者】毕福昆, 章菲菲, 陈禾, 谢宜壮, 陈亮, 龙腾 申请人:北京理工大学