基于运动预测与多模板匹配相结合的图像目标识别方法

摘要

本发明公开了基于运动预测与多模板匹配相结合的图像目标识别方法，该方法步骤为：(1)获取目标图像并将其建立为多模板模型，根据各个子模板的匹配度确定遮挡状态；(2)目标无遮挡时，对图像直接进行目标匹配确定目标图像；目标部分遮挡时，分别对各个子模板进行匹配确定目标图像；目标全部遮挡时，在预测的位置及邻域内进行搜索获得目标图像；(3)根据(2)步的匹配度更新备用模板。本发明的技术方案能准确判断目标受遮挡的程度，区分目标发生部分遮挡或全部遮挡情况，提高了目标图像识别的准确性。

说明书

技术领域

本发明属于图像目标的识别和跟踪技术领域，具体来说是基于运 动预测与多模板匹配相结合的图像目标识别方法，该方法特别适用于 对高速公路上的运动图像目标进行识别和跟踪，减少由于遮挡而导致 的目标不能被分辨现象。

背景技术

智能交通目标图像的识别和检测是高速公路监控系统的重要组成 部分，对保障高速公路安全运营、人民生命财产保护及避免二次事故 的发生等具有重要的作用，图像目标检测方法则是交通管理系统的核 心部分。因此，研究高速公路运动目标的图像识别和检测方法具有重 要的意义。

我国高速公路建设起步较晚，交通监控系统建设相对滞后。近些 年，随着国家的重视资金的投入，目前多数高速公路已经建成了一定 规模的交通监控系统。在高速公路交通事件检测方法理论研究和技术 应用方面，虽然与发达国家有些差距，但也取得了一定的研究成果。 国内外对交通图像识别检测方法的研究主要集中在新理论和新技术应 用的研究方面，如神经网络、模糊理论、小波分析以及支持向量机等。 相对于传统的图像识别和检测方法，基于这些新理论的交通图像目标 的检测和识别方法具有良好的性能表现。识别率较高，报误率较低且 检测时间短。但是基于这些新理论的图像识别模型尚有改进之处，识 别方法的适用条件以及图像目标模型之间的性能差异研究比较缺乏和 不足。同时，针对小波分析的一些图像目标识别方法由于实时性的限 制，不能很好的完成实时准确的识别功能，在一定程度上限制了其方 法的应用。

运动目标的图像识别本质是从图像信号中实时自动识别目标，提 取目标的位置信息，自动对目标进行跟踪。该技术的难点在于图像信 号采集过程中的信息损失和复杂的应用环境，特别是目标在运动过程 中经常被场景中的其它物体遮挡，这种遮挡导致了部分固有特征的丢 失和新特征的产生，这给目标识别和定位带来了很大困难。因此，如 何在图像识别方法中降低遮挡导致的识别困难是识别方法实用性的关 键。近年来多子模板匹配的方法开始应用于遮挡情况下的图像位置识 别，该方法通过对所有目标子模板的跟踪获得目标在遮挡时的真实位 置，但如何高效构造子模板和图像识别的效率和准确度紧密相关。现 有的多模板是将目标图像模板划分为“田”子型的4个子模板，这样 选取的子模板在目标发生遮挡时，遮挡物是从某一个方向进入目标模 板而不会从4个方向同时进入，因此当某个或两个子模板发生遮挡匹 配度下降时，其他未发生遮挡的子模板仍然具有很好的匹配精度可以 用来进行目标识别。但经过实验发现，这种分配子模板和其他将目标 模板进行分块的多模板匹配方法存在如下问题：当子模板发生遮挡进 而匹配度下降时，无法判断目标受遮挡的程度，所以不能很好的区分 目标发生部分遮挡或全部遮挡。

发明内容

本发明的目的是为了解决现有多模板图像目标识别方法中不能准 确判断目标受遮挡的程度，区分目标发生部分遮挡或全部遮挡情况的 缺陷提出基于运动预测与多模板匹配相结合的图像目标识别方法。

实现上述目的本发明的技术方案为，基于运动预测与多模板匹配 相结合的图像目标识别方法，该方法步骤为：(1)获取目标图像并将 其建立为多模板模型，根据各个子模板的匹配度确定遮挡状态；(2) 目标无遮挡时，对图像直接进行目标匹配确定目标图像；目标部分遮 挡时，分别对各个子模板进行匹配确定目标图像；目标全部遮挡时， 在预测的位置及邻域内进行搜索获得目标图像；(3)根据(2)步的 匹配度更新备用模板。上述步骤中采用的多模板模型是“田”字型四 个子模板及在其中心叠加中心子模板构成，中心子模板的引入可以用 来判断是否发生全部遮挡，即中心子模板的匹配度降低时，全部遮挡 发生；各个子模板匹配度相同时，无任何遮挡；中心子模板匹配度不 变，而其他子模块匹配度下降，发生部分遮挡。这种多模板分配方法 能够在复杂背景条件下判断目标受遮挡的程度。

各个模板的匹配度为各个子模板与对应目标模板的子模板间的归一 化函数，$R(i,j)=\frac{M-N\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\left[S^{\mathrm{ij}}(m,n)T(m,n)\right]-\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{S}^{\mathrm{ij}}(m,n)\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}T(m,n)}{\sqrt{\{M-N\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\left[S^{\mathrm{ij}}(m,n)\right]}^2-{\left[\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{S}^{\mathrm{ij}}(m,n)\right]}^2\}\{\mathrm{MN}\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\left[T(m,n)\right]}^2-{\left[\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}T(m,n)\right]}^2\}}},$T是子 模板，S^ij表示子模板覆盖下搜索图，其中i，j表示位置，M、N分别表 示子模板的宽和高。

当发生完全遮挡时，需要在预测的位置及邻域内进行搜索获得目标图 像，具体预测过程包括：运动方向的预测，取模板图像中心，利用该点 处的坐标值计算出运动方向，计算公式为：其中(x_i-1,y_i-1)， (x_i,y_i)分别是前一帧和当前帧模板图像中心的位置，θ_i是该时刻的目标 运动方向的估计；运动速度的预测，以目标的运动速度为匀速运动估 计；由此确定的预测位置为M_i+1(x,y)＝(x_i+v_icosθ_i,y_i+v_isinθ_i)，其中(x_i,y_i)是 当前帧模板图像中心的坐标。θ_i为目标运动的方向的估计，v_i为上一帧目 标运动的平均速度。

当需要更新备用模板时，其更新条件是当各个子模板的匹配度加 权平均值大于预先设定的模板更新门限，模板更新门限选择为大于 0.85小于1.0的数。

本发明的技术方案采用多模板匹配构造目标图像的模板模型，同 时根据目标运动速度队目标位置进行预测和估计，运用改进的归一化 参数对遮挡情况下的复杂图像进行识别和检测，实现了遮挡状态的判 断，提高了目标图像识别的准确性。

附图说明

图1是本发明基于运动预测与多模板匹配相结合的图像目标识别 方法流程图。

具体实施方式

下面对本发明的技术方案进行具体描述，如图1所示为本发明所 述的图像目标识别方法流程图，如图所示，步骤包括：(1)获取目标 图像并将其建立为多模板模型，根据各个子模板的匹配度确定遮挡状 态；(2)目标无遮挡时，对图像直接进行目标匹配确定目标图像；目 标部分遮挡时，分别对各个子模板进行匹配确定目标图像；目标全部 遮挡时，在预测的位置及邻域内进行搜索获得目标图像；(3)根据(2) 步的匹配度更新备用模板。上述步骤中采用的多模板模型是“田”字 型四个子模板及在其中心叠加中心子模板构成，中心子模板的引入可 以用来判断是否发生全部遮挡，及中心子模板的匹配度降低时，全部 遮挡发生；各个子模板匹配度相同时，无任何遮挡；中心子模板匹配 度不变，而其他子模块匹配度下降，发生部分遮挡。这种多模板分配 方法能够在复杂背景条件下判断目标受遮挡的程度。

各个模板的匹配度为各个子模板与对应目标模板的子模板间的归一 化函数，$R(i,j)=\frac{M-N\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}\left[S^{\mathrm{ij}}(m,n)T(m,n)\right]-\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{S}^{\mathrm{ij}}(m,n)\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}T(m,n)}{\sqrt{\{M-N\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\left[S^{\mathrm{ij}}(m,n)\right]}^2-{\left[\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{S}^{\mathrm{ij}}(m,n)\right]}^2\}\{\mathrm{MN}\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}{\left[T(m,n)\right]}^2-{\left[\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{N}{\Sigma }}T(m,n)\right]}^2\}}},$T是子 模板，S^ij表示子模板覆盖下搜索图，其中i，j表示位置，M、N分别表 示子模板的宽和高。

当发生完全遮挡时，需要在预测的位置及邻域内进行搜索获得目标图 像，具体预测过程包括：运动方向的预测，取模板图像中心，利用该点 处的坐标值计算出运动方向，计算公式为：其中(x_i-1,y_i-1)， (x_i,y_i)分别是前一帧和当前帧模板图像中心的位置，θ_i是该时刻的目标 运动方向的估计；运动速度的预测，以目标的运动速度为匀速运动估 计；由此确定的预测位置为M_i+1(x,y)＝(x_i+v_icosθ_i,y_i+v_isinθ_i)，其中(x_i,y_i)是 当前帧模板图像中心的坐标。θ_i为目标运动的方向的估计，v_i为上一帧目 标运动的平均速度。

在模板更新时，选择为大于0.85小于1.0的数作为更新门限，当各 个子模板的匹配度加权平均值大于预先设定的模板更新门限时进行备用 模板更新。如实验中选择模板更新门限0.9，则：在正常情况下，即匹配 度高于匹配门限低于更新门限时，将备用模板更新为目标模板；当物体发 生遮挡时，即匹配度低于匹配门限，为了避免将遮挡物信息引入目标模板， 此时停止模板更新以及刷新备用模板。

上述技术方案仅体现了本发明技术方案的优选技术方案，本技术 领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发 明的原理，属于本发明的保护范围之内。