一种基于SIFT特征匹配的运动目标检测方法

摘要

本发明是一种基于SIFT特征匹配的运动目标检测方法。本方法首先使用SIFT特征提取方法获得图像的特征点；然后再对图像的SIFT特征点进行快速准确的匹配：根据动态场景的特点构建全局运动模型，并采用改进的RANSAC方法排除外点的影响，运用最小二乘法求解全局运动参数，根据特征点变化及时更新运动参数，再利用基于残差图像块的更新策略对特征点进行更新，通过限制次近邻查找区域的方法保证特征匹配的准确性；最后，通过差分目标分割法实现对运动目标的检测。实验证明，本发明与传统的基于图像块匹配检测方法相比，运算速度提高了31.26％，而且能够有效排除背景干扰，所检测到的目标图像清晰，本发明非常适用于动态场景下对运动目标的实时检测。

主权项

一种基于SIFT特征匹配的运动目标检测方法，其特征在于，实现步骤如下：步骤一：对目标图像进行SIFT(Scale Invariant Feature Transform，尺度不变特征变换)特征提取，提取图像序列中的SIFT特征点；SIFT特征提取包括：从图像中提取局部特征，在尺度空间寻找极值点，初步定位特征点，准确定位特征点，确定特征点方向，生成关键点描述算子；步骤二：对步骤一得到的图像SIFT特征点进行快速准确匹配；步骤2.1，根据动态场景的特点构建全局运动模型及运动参数，参数模型采用8参数旋转模型，利用步骤一得出第t‑1帧的特征点集合H_t‑1，对图像中相邻两帧分别搜索特征点，找出第t帧所有特征点集H_t,n，保存在特征点集合H_t中，并用H_t‑1和H_t进行匹配并建立匹配点对集合F_t；模型变换矩阵的表达式为：$Q=\left[\begin{array}{cccccccc}x& y& 1& 0& 0& 0& x^2& xy\\ 0& 0& 0& x& y& 1& xy& y^2\end{array}\right]$步骤2.2，利用改进的RANRAC(Random Sample Consensus，随机抽样一致)方法去除步骤2.1产生的匹配点对集F_t中存在的误匹配点，再用最小二乘法求出第t帧的参数矩阵I_t。对第t‑1帧图像做同样处理，然后对图像中摄像机旋转运动进行补偿，得到残差图像P_b；通过改进RANRAC模型参数选取，选择透视投影变换作为图像变换模型，线性求解模型8个参数，采用最小二乘法求解该矩阵参数；通过选择少数最优匹配点作为观察数据集代表，在其中随机抽取初始样本数据得到初始模型参数更接近于真实值，并且实现了用较少的迭代次数得到较真实的矩阵参数，估计模型参数的理想情况是搜索所有可能性，但计算量太大，实际通过确定一个适当采样次数，使匹配点是内点的概率足够高即可；模型变换矩阵的表达式为：$C=\frac{1}{\rho }\left[\begin{array}{cccccccc}{x}_1& y_1& 1& 0& 0& 0& -x_2{x}_1& -x_2{y}_1\\ 0& 0& 0& x_1& y_1& 1& -y_2{x}_1& -y_2{y}_1\end{array}\right]$模型选取方式改进为增加临时模型预检测，对每个模型参数检验之前，首先随机抽取少量的数据对模型参数预检验，如果通过预检验，则进入后续的检验，否则这个模型不再参与后续的全数据检验。采用此临时模型预检测方式，节约运行时间，提高计算的效率；步骤2.3，判断从步骤2.1得到的特征点集H_t中的特征点数目是否小于最佳匹配值O，若小于则进行特征点更新，将得到的残差图像P_b、参数矩阵I_t、特征点对集F_t进行保存，同时更新背景；在动态场景中，由于随着拍摄视角的不断变化，图像的特征也随之变化，匹配值O的设定关系到最小二乘解的准确性，如果匹配值O设置偏大，会造成程序计算量增大，影响算法的运行效率；如果设置偏小，则会使图像平均匹配点数降低，造成无法得到最小二乘的最优解。根据多次试验选取最佳匹配值O＝15；利用基于残差图像的方法把图像前景区域进行快速标记，通过对图像块的SAD(Sum of Absolute Difference，绝对残差和)值排序方式，综合考虑计算量和前景标记的准确性，找到合理的块参数大小，并对图像进行及时更新；SAD的计算方法：$SAD=\underset{i=0}{\overset{M}{\Sigma }}\underset{j=0}{\overset{N}{\Sigma }}\left|{\phi }_{i,j}\right|$步骤2.4，本发明提出基于预测的特征点匹配方法，根据得到当前帧的特征点合理推测出下一帧的特征点，如此使匹配在限制的范围内进行，缩小搜索范围，达到快速匹配的目的，最后，利用最近邻和次近邻特征点的比值关系验证匹配准确性，完成图像的配准；本发明将最近邻和次近邻特征点的距离限定在一个特定范围内进行查询，以增加次小距离的方法减小这一比值，有效增加正确匹配特征点的数量，达到特征匹配准确的目的；最近邻和次近邻特征点欧式距离的比值关系：$d_1(T_1^i,T_{2^0}^i)/d_2(T_1^i,T_{2^1}^i)\ge d_1(T_1^i,T_{2^0}^i)/d_3(T_1^i,T_{2^2}^i)$步骤三：利用步骤二所配准的图像，通过差分目标分割法实现对运动目标的检测，通过后期处理得到前景目标轮廓，将前景目标轮廓进行填充得到完整的运动目标。