一种基于SIFT和KLT相结合的特征点跟踪方法研究

在目标发生明显姿态和大小变化条件下,为了利用基于特征点的跟踪算法实现对目标可靠、稳定跟踪,提出了一种SIFT算法和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪方法。通过对SIFT算法进行优化,使得到特征点分布相对均匀,同时不存在聚集现象;通过对KLT匹配算法进行分层迭代设计,提高了目标作快速运动时的匹配精度;最后根据特征点匹配结果,结合Greedy算法得到目标的准确位置。实验结果表明:该算法能够很好地适应目标姿态和大小的变化,实现对结构复杂目标的稳定跟踪;比KLT跟踪算法具有更好的鲁棒性和稳定性,能得到更加准确的目标位置。

基于DSP的KLT特征点跟踪算法优化实现

针对C6000系列定点DSP下KLT特征点跟踪算法的快速实现问题,通过结合DSP体系结构特点以及软件流水技术,提出了一种该类型DSP下的算法优化实现方案.基于算法流程的模块化分析,完成了该算法的定点化设计与实现工作;针对算法中计算密集型模块,提出了具体的改善软件流水,减少存储器访问,任务级并行设计等优化实现方法.在DSP软仿真平台CCS下进行实验测试,该优化实现方案下的运行效率和资源利用率均有较大的提升,且所使用的算法优化方法适用于所有C6000系列DSP.

基于特征跟踪和网格路径运动的视频稳像算法

针对手持移动设备拍摄的抖动视频问题,提出了一种基于特征跟踪和网格路径运动的视频稳像算法。通过SIFT算法提取视频帧的特征点,采用KLT算法追踪特征点,利用RANSAC算法估计相邻帧间的仿射变换矩阵,将视频帧划分为均匀的网格,计算视频的运动轨迹,再通过极小化能量函数优化平滑多条网格路径。最后由原相机路径与平滑相机路径的关系,计算相邻帧间的补偿矩阵,利用补偿矩阵对每一帧进行几何变换,从而得到稳定的视频。实验表明,该算法在手持移动设备拍摄的抖动视频中有较好的结果,其中稳像后视频的PSNR平均值相比原抖动视频PSNR值大约提升了11.2 dB。与捆绑相机路径方法相比约提升了2.3 dB。图像间的结构相似性SSIM平均值大约提升了59%,与捆绑相机路径方法相比约提升了3.3%。

基于改进SIFT特征匹配的快速图像拼接算法

针对经典SIFT算法存在特征点冗余、运算量大、鲁棒性差的问题,提出一种快速、准确的图像拼接算法.在SIFT提取不变特征向量过程中加入多尺度Harris检测算子,筛选出更能代表图像信息的特征点.利用快速RANSAC算法(PERANSANC)计算图像之间的变换矩阵.把检测到的特征点作为图像中的运动目标,运用KLT跟踪算法,确定特征点的精确位置,精炼变换矩阵.实验验证了该算法的稳健性和快速性.

结合双向光流约束的特征点匹配车辆跟踪方法

针对复杂交通场景中动态光照变化、目标尺度变化和部分遮挡等因素带来的影响,提出了一种基于特征点的稳定可靠的车辆跟踪方法.针对运动车辆高速行驶时具有较大帧间运动的特点,构造KLT算法的金字塔模型,根据前向和后向跟踪偏移量,对稳定性较差的特征点进行剔除.同时,采用SURF特征匹配算法对目标特征点集进行更新和校正.最后,利用特征点之间的位置信息,确定目标的尺度和旋转变化因子,从而实现当前帧中目标区域的定位.实验结果表明,提出的车辆跟踪方法可以有效地解决复杂场景中目标形变和部分遮挡等问题,对尺度和旋转变化也具有较强的鲁棒性.

电力监控场景下基于光流特征点的目标跟踪算法

针对在特定电力系统监控场景下的目标跟踪问题,提出了一种基于光流特征点的目标跟踪算法。首先,对Kanade-Lucas-Tomasi(KLT)跟踪算法提取到的特征点进行背景特征点滤除,分离出关键特征点;其次,利用Density Based Spatial Clustering of Applications with Noise(DBSCAN)聚类方法对关键光流特征点进行聚类处理,区分出不同运动目标;最后,在KLT跟踪算法中引入Kalman滤波器对因遮挡导致的跟踪目标识别不全甚至目标丢失进行了优化。仿真实验结果表明:提出的算法能够在电力系统监控视频中实现对多目标的有效跟踪,并对跟踪目标遮挡情况有较高的鲁棒性。

基于改进SURF和P-KLT算法的特征点实时跟踪方法研究

针对视频序列中运动目标的实时跟踪问题,提出一种基于改进SURF算法和金字塔KLT算法相结合的特征点跟踪方法。首先人工标定目标区域,利用改进的SURF算法分块快速提取具有高鲁棒性、独特性的特征点;然后在后续帧中应用金字塔KLT匹配算法对特征点进行稳定跟踪,采用基于统计的方法剔除错误匹配对;最后利用Greedy Snake分割算法提取轮廓确定更加精准的位置信息,更新目标区域。为使算法更具鲁棒性,还设计了离散点筛选、自适应更新策略。利用飞行视频数据库进行了大量的仿真,结果表明:该算法适用于多尺度图像序列中位置、姿态发生快速变化且结构简单的飞行器的稳定跟踪。帧平均时间为31.8ms,比SIFT+P-KLT跟踪算法减少47.1%;帧几何中心、目标轮廓面积平均误差分别为5.03像素、16.3%,分别比GFTT+P-KLT跟踪算法减少27.2%、56.9%,比SIFT跟踪算法减少38.6%、68.4%。