二值特征匹配跟蹤算法的快速性和魯棒性比較

劉亞偉，李小民

(軍械工程學院 無人機工程系，河北 石家莊 050003)

二值特征匹配跟蹤算法的快速性和魯棒性比較

劉亞偉，李小民

(軍械工程學院 無人機工程系，河北 石家莊 050003)

針對目標跟蹤實時性和魯棒性問題，提出了基于二值特征匹配的目標跟蹤算法。將二值特征匹配算法應用于目標跟蹤過程中，對特征匹配算法的實時性進行比較，并在目標被遮擋的情況下對算法的魯棒性進行測試。實驗結果表明，基于二值特征匹配的目標跟蹤算法比SIFT(Scale Invariant Feature Transform)和SURF(Speeded Up Robust Feature)快將近3～4倍，而BRISK(Binary Robust Invariant Scalable Keypoint)對目標遮擋問題的魯棒性最好。

二值特征；遮擋；快速性；魯棒性

0 引言

隨著計算機視覺領域的快速發展，目標跟蹤技術受到了各領域的重視并廣泛應用于視覺監控、醫學和航空等領域。目前常用的目標跟蹤算法有MeanShift跟蹤算法[1]、Kalman濾波跟蹤算法[2]和基于特征點匹配的跟蹤算法[3]等。基于特征點匹配的目標跟蹤算法由于其獨特的性能，受到了廣泛的關注。基于特征匹配的目標跟蹤算法(例如SIFT、SURF、ORB(Oriented FAST and Rotated BRIEF)[4]、BRISK[5]和FREAK(Fast Retina Keypoint)[6]等)具有對尺度縮放和旋轉的不變性，對視角、光照和遮擋具有良好的穩定性。文獻[3]將SIFT算法應用到了運動目標的檢測和跟蹤中；文獻[7]將SURF算法應用到了目標跟蹤過程中。但是由于SIFT和SURF算法分別采用64維特征向量和32維特征向量進行特征描述，計算復雜，所以導致在跟蹤過程中實時性較差[8-9]。而ORB、BRISK和FREAK等基于二值特征的目標匹配算法，由于其采用二進制字符串進行特征描述并使用漢明距離進行特征匹配，使得其運算速度和運算過程中內存占有量都有了明顯改善[10-11]。

本文將二進制特征匹配算法應用于目標跟蹤過程中，分別對ORB[4]、BRISK[5]和FREAK[6]等目標跟蹤算法性能進行測試和對比，并與SIFT和SURF等非二進制特征匹配跟蹤算法進行對比，實驗結果表明，基于二值特征描述的特征匹配跟蹤算法在保證魯棒性的前提下，具有較好的實時性。

1 二值特征匹配算法

二值特征描述是指將圖像中的特征點用二進制字符串(0和1)進行描述的特征描述方法。采用二進制字符串進行特征描述的描述符需要用漢明距離進行特征匹配。

1.1 ORB算法

ORB特征匹配算法采用改進的FAST算子作為特征檢測算法，并通過多層圖像金字塔來獲得尺度信息。ORB算法采用亮度中心來計算特征點的主方向，并在此基礎上采用BRIEF對每個特征點建立由(0,1)組成的二進制字符串組成的n維二進制描述符，n一般情況下取值256，因此每個特征點會得到一個256 bit的描述符。對于二進制描述符的相似性判別，可以用漢明距離來表示(特征匹配)。漢明距離是指將一個字符串轉化成另一個字符串所需要替換的字符個數，其計算采用按位“異或”來實現。

1.2 BRISK算法

BRISK算法采用基于特征點為中心的40×40像素塊構建同心圓方法的自定義鄰域采樣模式，如圖1所示。

圖1 BRISK鄰域采樣模式

采用長距離采樣點對集和短距離采樣點對集的形式計算角點的特征方向，最終形成512 bit的二值化特征描述。BRISK算法同樣采用漢明距離進行特征匹配。

1.3 FREAK算法

FREAK算法是基于人類視網膜而提出的一種特征檢測和描述算法，FREAK描述符的采樣點分布如圖2所示。

圖2 FREAK算子的采樣點結構

特征點分布在以特征點為中心的同心圓上，離中心特征點越近，采樣點越密集，離中心特征點越遠，采樣點越稀疏。FREAK生成的二進制字符串由采樣點對的強度比較結果級聯而成。最終通過漢明距離進行特征匹配。

2 基于特征匹配的目標跟蹤算法性能測試

特征點匹配算法在目標跟蹤[12-13]過程中的實現過程為：讀取視頻的一幀圖像與模板進行匹配，通過RANSAC進行特征點篩選剔除錯誤匹配點，根據正確匹配點畫出目標區域方框，這樣循環進行讀取視頻幀并進行匹配就實現了目標的跟蹤。具體流程如圖3所示。

圖3 特征匹配目標跟蹤流程

由此可以看出，在基于特征點匹配的目標跟蹤中，對特征檢測子、描述子和匹配算法的性能要求非常高，尤其是在快速性方面要求更加嚴格。

2.1 基于二進制特征匹配的目標跟蹤算法快速性測試

本文將SIFT、SURF算法和ORB、BRISK、FREAK等二進制特征匹配算法應用于HERO運動相機拍攝的目標跟蹤視頻過程中。視頻幀頻率為25幀/s，分辨率為“1 920×1 080”。 實驗是在VS2010開發平臺上，利用VC++語言和開源代碼OpenCV聯合編程實現。其中硬件系統：處理器為Inter(R)Core(TM) i3 CPU M390@2.67GHz，內存為4.00GB，硬盤為500G，操作系統為Windows 7。實驗對跟蹤視頻中的前20幀的檢測、匹配時間進行測試，并取其平均值，具體測試結果如表1所示。

表1 特征匹配算法快速性測試表

測試結果表明，ORB、BRISK和FREAK等二進制特征匹配算法普遍比SIFT快近6倍，比SURF算法快近3倍。而ORB算法與BRISK和FREAK算法相比速度較快。

2.2 基于二進制特征匹配的目標跟蹤算法對遮擋情況的魯棒性測試

本文采用上述拍攝的視頻，通過測試目標在經過遮擋帶時的跟蹤效果，來測試算法對目標被遮擋情況下的跟蹤魯棒性。

2.2.1 ORB算法

基于ORB特征匹配算法的目標跟蹤效果如圖4所示。

圖4 ORB特征匹配目標跟蹤

圖4中，第69幀為目標正常情況下的跟蹤效果圖；第193幀為目標頭部進入遮擋區域時的跟蹤效果圖，跟蹤正常；第207幀為目標進入一半時的目標跟蹤效果圖，跟蹤仍然正常；目標運動到第209幀時，開始出現了錯誤匹配點；到213幀時，跟蹤框發生了變化；第223幀為目標被全部遮擋情況下的跟蹤效果圖；第228幀時跟蹤框恢復正常；第234幀時特征匹配點恢復正常。

2.2.2 BRISK算法

基于BRISK特征匹配算法的目標跟蹤效果如圖5所示。

圖5 BRISK特征匹配目標跟蹤

圖5中，第69幀為目標正常情況下的跟蹤效果圖；第193幀為目標頭部進入遮擋區域時的跟蹤效果圖，跟蹤正常；第207幀為目標進入一半時的目標跟蹤效果圖，跟蹤仍然正常；當目標運動到第215幀時，開始出現錯誤匹配點；第217幀時跟蹤框發生明顯變化；第223幀為目標全部被遮擋情況下的跟蹤效果圖；第228幀時跟蹤框恢復正常；第230幀時特征匹配點恢復正常。

2.2.3 FREAK算法

基于FREAK特征匹配算法的目標跟蹤效果如圖6所示。

圖6 FREAK特征匹配目標跟蹤

圖6中，第69幀為目標正常情況下的跟蹤效果圖；第193幀為目標頭部進入遮擋區域時的跟蹤效果圖，這是開始出現了錯誤匹配點；第207幀為目標進入一半時的目標跟蹤效果圖，跟蹤窗口開始出現明顯變化；第223幀為目標被全部遮擋情況下的跟蹤效果圖；第235幀時跟蹤框恢復正常；第242幀時特征匹配點恢復正常。

基于二值特征匹配的目標跟蹤算法對遮擋的魯棒性能測試結果如表2所示。

表2 性能測試結果

由表2可知，跟蹤過程中錯誤匹配點出現的前后順序為FREAK、ORB、BRISK；跟蹤框出現錯誤的順序為FREAK、ORB、BRISK;跟蹤框恢復的順序為ORB、BRISK、FREAK；匹配點恢復的順序為BRISK、ORB、FREAK。綜上所述，BRISK對目標被遮擋跟蹤的魯棒性最強，其次是ORB和FREAK。

3 結束語

二進制特征匹配算法作為視頻跟蹤領域一個新方法，其速度明顯快于傳統的SIFT和SURF算法，具有較好的實時性。在對目標被遮擋的魯棒性方面，仍然保持著較高的魯棒性。實驗結果表明，BRISK算法無論是在實時性方面和對遮擋魯棒性方面都表現出了很好的性能，能夠應用于目前的跟蹤領域，具有較強的應用價值。

[1] 田 莘.基于MeanShift算法的目標跟蹤問題研究[D].西安：西安科技大學，2010:16-41.

[2] 瞿衛欣,程承旗.基于Kalman濾波的Camshift運動跟蹤算法[J].北京大學學報(自然科學版),2015,51(5):799-803.

[3] 章菲菲.基于改進SIFT算法的目標識別與跟蹤技術研究背景[D].北京:北京理工大學,2015.

[4] 李小紅,謝成鵬,賈易臻.基于ORB特征的快速目標檢測算法[J].電子測量與儀器學報，2013,27(5):455-458.

[5] LEUTENEGGER S,CHLI M,Siegwart R.BRISK:Binary Robust Invariant Scalable Keypoints[C]∥Proceedings of the IEEE International Conference on Computer Vision (ICCV) ,2011:2 548-2 555.

[6] ALAHI A，ORTIZ R，PVANDERGHEYNST P.FREAK:Fast Retina Keypoint[C]∥IEEE Cnference on Computer Vision and Pattern Recognition (CVPR),2012:510-517.

[7] 彭 欣,劉富強,劉華軍.基于SURF目標跟蹤算法研究[J].長春理工大學學報,2011(6):138-141.

[8] 夏曉霞,劉 欣.基于改進ASIFT的可見光圖像拼接研究[J].綜合電子信息技術，2014,40(5):73-75.

[9] 張云生,鄒崢嶸.基于改進ORB算法的遙感圖像自動配準方法[J].國土資源遙感，2013,25(3):20-23.

[10]王燦進,孫 濤,陳 娟.基于FREAK特征的快速景象匹配[J].電子測量與儀器學報，2015,29(2):204-212.

[11]索春寶,楊東清,劉云鵬.多角度比較SIFT、SURF、BRISK、ORB、FREAK算法[J].北京測繪，2014(4):23-26.

[12]曹 建,謝曉方,付霖宇,等.基于兩步位操作匹配的實時目標識別跟蹤算法[J].彈箭與制導學報,2013,33(2):125-128．

[13]藺海峰,馬宇峰,宋 濤.基于SIFT特征目標跟蹤算法研究[J].自動化學報,2010,36(8):1 204-1 208.

劉亞偉 男，(1991—)，碩士研究生。主要研究方向：無人機目標識別與跟蹤。

李小民 男，(1968—)，博士生導師。主要研究方向：無人機模擬仿真技術。

Comparison of Rapidity and Robustness of Tracking Algorithms Based on Binary-feature Matching

LIU Ya-wei，LI Xiao-min

(DepartmentofUAVEngineering，OrdnanceEngineeringCollege，ShijiazhuangHebei050003，China)

A Tracking algorithm based on binary-feature has been proposed to solve the problems of rapidity and robustness in the process of target tracking.The matching algorithms of binary-feature are used in object tracking，and the real-time performances are compared.Moreover，a series of experiments with occluded targets are conducted to test the robustness of the algorithms.Experiment results show that the matching speed of the tracking algorithm based on binary-feature matching is 3～4 times faster than SIFT (Scale Invariant Feature Transform) and SURF (Speeded up Robust Feature).And for occluded targets，BRISK (Binary Robust Invariant Scalable Keypoint) has the strongest robustness.

binary-feature;occlusion;rapidity;robustness

10.3969/j.issn.1003-3106.2016.11.08

劉亞偉，李小民.二值特征匹配跟蹤算法的快速性和魯棒性比較[J].無線電工程,2016,46(11):30-33.

2016-07-21

“十二五”裝備預研基金資助項目(51325050101)。

TP391.9

A

1003-3106(2016)11-0030-04