摘要: 如何在较复杂环境下对视频中的运动目标进行有效跟踪，是目前研究的热点问题。本文提出了基于协方差矩阵建模的改进跟踪中心点的确定方法。该方法在确定融合了LBP纹理特征的目标特征向量基础上，建立目标区域协方差矩阵作为模板矩阵，并从下一帧中提取协方差矩阵，与模板矩阵进行矩阵相似性度量，形成相似度矩阵，使用阈值进行矩阵元素的选择，并计算剩余元素的权值，再按重心公式确定跟踪中心点。实验结果表明：在较复杂环境中，可以对目标的旋转、遮挡和形状变化进行具有更高准确度的跟踪，验证了该方法的有效性。

关键词: 目标特征提取;图像跟踪;协方差矩阵;LBP纹理特征；矩阵相关性

引言

运动物体目标的特征提取和跟踪作为视频图像中自动识别系统的两个重要组成部分，融合了模式识别、人工智能和自动控制等不同领域的知识，对人类的一些突发灾害预防和紧急措施的实施，以及对一些公共场所安全和军事、交通上的智能控制等领域都有着重要的应用价值。然而，由于摄像机运动、光照变化、形状变形、目标旋转和周围物体的干扰给跟踪带来很大困难，因此在较复杂场景进行有效的跟踪是一个具有挑战性的问题[1]。目前，在静态背景下，背景差分法、帧间差分法和光流法是三种应用较广的算法；在动态背景下，基于区域、特征、轮廓等方面的跟踪算法被大量使用。

协方差矩阵是一种有效的多特征融合方法，属于目标匹配的类别[2]。早在20世纪70年代，目标匹配算法就在导航制导中得以应用，至今已深入图像处理、模式识别等领域。在目标特征提取和特征匹配方面，协方差矩阵能将不同形式的特征有效地融合到一起，并且它的维数很小，可以基于颜色、位置、纹理等特征对目标区域进行描述，而且在引入旋转不变性的描述特征后，能够在运动目标旋转时进行有效的跟踪。

LBP纹理特征

LBP纹理特征是众多目标特征提取方法之一，可用于目标的纹理特征描述，具有角度旋转不变性、灰度不变形、图像光强变化不敏感等优点。

1.1传统LBP纹理特征

最初的LBP纹理特征是对中心像素(x_c,y_c)的3×3矩形邻域进行操作的，首先将中心像素灰度值作为阈值分别和其邻域八个像素的灰度值进行比较，若邻域位置灰度值大于阈值，则标记为1，否则为0。其次，将八个像素的标记值按特定规则进行读取、排列，组成二进制序列，就产生了2^8=256种排列方式。最后，将二进制数值转化为十进制数值，再做进一步的分析归类处理。如图1：

1.2圆形LBP纹理特征

为了体现不同尺度的纹理特征，可将传统LBP纹理特征定义推广，把原来的矩形邻域变为圆形邻域，邻域的范围可以变化，其上的取样点个数也可以变化，形成了圆形LBP算子，用LBP_(P,R)表示，其中P代表取样点个数，R代表邻域半径。图二展示了三种常用的圆形LBP算子[3]：

如果取样点落在像素的边界线或角点处，则取相邻像素的灰度平均值作为该点灰度值。圆形LBP纹理特征的数值定义式如下：

圆形LBP纹理特征能够很好的反映邻域像素的特点，但是取样点数量越多，得到的二进制排列方式也越多，且成指数形式增长，使得数据的处理变得繁琐，减弱了其统计能力。

分享让更多人看到