模板匹配跟蹤的哈希增強(qiáng)算法

徐　珩　賀飛越

(昆明理工大學(xué)國土資源工程學(xué)院　云南 昆明 650093)

?

模板匹配跟蹤的哈希增強(qiáng)算法

徐珩賀飛越

(昆明理工大學(xué)國土資源工程學(xué)院云南 昆明 650093)

摘要基于平方差匹配SSD(Sum of Squared Difference)、標(biāo)準(zhǔn)相關(guān)系數(shù)匹配NCC(Normalized Cross Correlation)的傳統(tǒng)模板匹配跟蹤算法十分依賴灰度信息。圖像灰度劇烈變化或光照強(qiáng)度改變明顯的情況下容易被圖像的高頻信息影響，導(dǎo)致產(chǎn)生目標(biāo)偏移的現(xiàn)象，跟蹤精度降低。提出一種模板匹配跟蹤的哈希增強(qiáng)算法，用于減小灰度與亮度變化的影響，增強(qiáng)目標(biāo)跟蹤的精度。其具體過程是：以感知哈希提取感知特征，對提取的特征二值化生成跟蹤目標(biāo)的哈希序列；將哈希序列作為匹配跟蹤的模板，通過比較漢明距離在每一幀中尋找最為相似的目標(biāo)以達(dá)到跟蹤的效果；運(yùn)用抽屜原理縮短漢明距離比較的時(shí)間。給出一種基于漢明距離的自適應(yīng)模板更新算法，保證了跟蹤的連續(xù)性。仿真實(shí)驗(yàn)結(jié)果與基于SSD、NCC的模板跟蹤算法比較，在目標(biāo)灰度或亮度變化情況下匹配精度高出一個(gè)數(shù)量級，跟蹤速度能夠滿足實(shí)時(shí)性需求。

關(guān)鍵詞哈希增強(qiáng)模板匹配目標(biāo)跟蹤漢明距離

0引言

基于模板匹配的跟蹤方法原理簡單、便于實(shí)現(xiàn)，因此得到了廣泛應(yīng)用。模板匹配一般分為基于特征提取的方法以及基于灰度值的方法?；谔卣魈崛〉哪０甯櫵惴?，如小波變換法[1,2]、SIFT特征提取算法[3,4]等，具有尺度不變性與仿射不變性，抗干擾能力較強(qiáng)，特別是小波特征可實(shí)現(xiàn)圖像的多尺度分解匹配[5]。但一般包含特征提取和特征匹配兩部分，涉及大量的幾何與圖像形態(tài)計(jì)算，運(yùn)算量大，沒有一般模型可參考?；诨叶戎档哪０甯櫵惴╗6-13]簡單易行，有通用的數(shù)學(xué)模型對匹配進(jìn)行誤差估計(jì)、相似程度判定，如文獻(xiàn)[6]對平方差匹配SSD進(jìn)行了改進(jìn)，使模板動態(tài)更新，并通過對數(shù)極坐標(biāo)變換減小旋轉(zhuǎn)與比例變化帶來的影響；文獻(xiàn)[7]介紹了一種快速的模板匹配跟蹤算法。原理是通過粗糙到精細(xì)的方法CTF(Coarse to Fine)，先將圖像分成若干區(qū)域，選出所含像素屬于區(qū)域邊界線的區(qū)域，再對這些精選區(qū)域進(jìn)行標(biāo)準(zhǔn)相關(guān)系數(shù)匹配NCC或序貫相似性檢測算法SSDA(Sequential Similarity Detection Algorithm)來達(dá)到模板匹配的效果。

以上基于灰度的模板跟蹤方法都較為依賴灰度信息，圖像灰度劇烈變化或光照強(qiáng)度改變明顯的情況下容易被圖像的高頻信息影響，導(dǎo)致產(chǎn)生目標(biāo)偏移的現(xiàn)象，跟蹤精度降低。本文針對上述基于灰度值的模板跟蹤算法的缺陷，采用跟蹤目標(biāo)的低頻信息，通過感知哈希提取跟蹤目標(biāo)的感知特征，增強(qiáng)跟蹤目標(biāo)的輪廓結(jié)構(gòu)，并對提取的特征進(jìn)行二值化生成跟蹤目標(biāo)的哈希序列；將跟蹤目標(biāo)的哈希序列作為跟蹤模板，在每一幀中尋找最為相似的目標(biāo)；運(yùn)用抽屜原理縮短漢明距離比較的時(shí)間，加快匹配速度；在匹配成功后對模板進(jìn)行更新，提出一種基于漢明距離的自適應(yīng)模板更新算法，保證了跟蹤的連續(xù)性。

1哈希增強(qiáng)

圖像感知哈希函數(shù)[14]能夠考慮圖像在視覺領(lǐng)域的變化，并且能夠捕捉基本的感知屬性。從理論上說，視覺內(nèi)容相同的信息產(chǎn)生相同的感知哈希值，視覺內(nèi)容不同的信息產(chǎn)生不同的感知哈希值[15]，記圖像感知哈希函數(shù)為PH：

PH:I→Hp

(1)

圖1　圖像感知哈希的一般生成步驟

其中I為圖像在計(jì)算機(jī)中的數(shù)字表示序列所構(gòu)成的集合，Hp是感知數(shù)字摘要的集合，即感知哈希值，通過對感知特征降維得到。圖像感知哈希函數(shù)是由圖像數(shù)據(jù)到感知摘要集的單向映射，其一般生成步驟如圖1所示，數(shù)字圖像通過一系列操作能夠得到哈希序列。因此，將匹配目標(biāo)的感知哈希序列作為模板，與搜索區(qū)域內(nèi)其他圖像的哈希序列比較，若兩個(gè)哈希序列之間的感知距離在規(guī)定范圍內(nèi)則認(rèn)為匹配成功，反之則為匹配失敗。

1.1低頻信息提取

一張圖片就是一個(gè)二維信號，它包含了許多不同頻率的成分。這里的高頻和低頻指的是圖像的空間頻率，所謂的空間頻率是指特定頻率在單位間距內(nèi)重復(fù)的次數(shù)，圖像細(xì)節(jié)越精細(xì)，單位間距內(nèi)重復(fù)的次數(shù)越多，頻率就高；反之，則越低。換句話說，高頻部分主要是對圖像邊緣和細(xì)節(jié)的度量，對應(yīng)的是亮度或灰度變化劇烈的區(qū)域，如物體的紋理，提供圖像的詳細(xì)信息。而低頻部分主要是對整幅圖像強(qiáng)度的綜合度量，提供圖像的一個(gè)輪廓框架。

為了減小圖像灰度與亮度變化的影響，需要將圖像轉(zhuǎn)換到頻域空間，選取重要的低頻頻域，丟棄影響低的高頻頻域。考慮到需要保留圖像的低頻信息，本文使用離散余弦變換DCT來獲取圖像的低頻成分。離散余弦變換是與傅里葉變換相關(guān)的一種變換，經(jīng)常被信號處理和圖像處理使用，用于對信號和圖像進(jìn)行有損數(shù)據(jù)壓縮。這是由于離散余弦變換具有很強(qiáng)的能量集中特性，大多數(shù)的自然信號的能量都集中在離散余弦變換后的低頻部分。圖2是對圖像進(jìn)行離散余弦變換的結(jié)果，可以看到經(jīng)過變化后圖像的能量幾乎都集中在左上角的低頻系數(shù)上，而越到右下方的高頻系數(shù)能量越小。

圖2　灰度圖像的離散余弦變換

因此，可以對圖像進(jìn)行離散余弦變換后提取左上角的部分來降低圖像的頻率。為了簡化離散余弦變換的計(jì)算，將選定的跟蹤目標(biāo)圖像I(x，y)縮小為32×32的尺寸；接著將縮小后的圖像轉(zhuǎn)化為灰度圖像G(x，y)進(jìn)一步減少計(jì)算量；之后對G(x，y)進(jìn)行離散余弦變換，N×N的圖像進(jìn)行離散余弦變換如式(2)所示：

(2)

其中：

u=1，2，…，N-1;v=1，2，…，N-1；F(u，v)是變化系數(shù)矩陣；u、v為頻率域采樣值；x、y為空間域采樣值。

計(jì)算出32×32的離散余弦變換系數(shù)矩陣F(u，v)后，只需保留左上角的8×8矩陣f(x，y)，這部分圖像呈現(xiàn)了整個(gè)圖像中的最低頻率，也是最重要的部分。接著將變化系數(shù)矩陣還原成灰度圖像，需要用到逆離散余弦變換IDCT(Inverse Discrete Cosine Transform)，其效果如圖3所示。

圖3　灰度圖像的逆離散余弦變換

對f(x，y)進(jìn)行逆離散余弦變換，公式如下：

(3)

得到大小為8×8的跟蹤目標(biāo)低頻分量g(x，y)，即跟蹤目標(biāo)最重要的部分。

1.2差異增強(qiáng)

圖像均值對于目標(biāo)跟蹤有一定的貢獻(xiàn)，但SSD與NCC方法受圖像均值的影響非常大。圖像顏色非線性比例變化導(dǎo)致圖像均值改變會造成跟蹤精度下降，需要考慮減小圖像均值的影響。

圖像灰度變化較大的邊沿區(qū)域梯度值較大，灰度變化平緩的區(qū)域梯度值較小，而在灰度均勻的區(qū)域梯度值為零。一般圖像增強(qiáng)過程使用圖像的灰度變化梯度提取邊緣，將梯度值大的像素設(shè)置為0，梯度值小的像素設(shè)置為1就可以強(qiáng)化邊緣。為了簡化計(jì)算，本文使用一種類似梯度但是更快速的差異增強(qiáng)方法：計(jì)算相鄰兩像素間的灰度值差異，當(dāng)差異大于一定閾值時(shí)，將左側(cè)像素設(shè)置為0；反之，將其設(shè)置為1，該方法能夠更加快速地得到圖像的輪廓結(jié)構(gòu)信息。

將1.1節(jié)中得到8×8的圖像低頻信息g(x，y)，按行自第一個(gè)像素開始與下一元素進(jìn)行比較，計(jì)算相鄰像素的差異δg：

(4)

其中i=0，1，…，6；j=0，1，…，7；τ為預(yù)先設(shè)定的閾值，對于灰度圖像一般取τ=5。對每一行的相鄰像素點(diǎn)進(jìn)行比較，若左側(cè)與右側(cè)像素灰度值之差大于等于τ，將它們的差異值設(shè)為1，否則設(shè)為0。將式(4)得到的56個(gè)相鄰像素灰度差異值δg保存為8×7的矩陣。

1.3哈希序列生成

式(4)得到的差異值矩陣δg完全消除了圖像均值的影響，但圖像均值對于目標(biāo)跟蹤仍有一定的貢獻(xiàn)?？紤]到圖像每一行像素與圖像整體的相關(guān)性，計(jì)算g(x，y)每行均值μj與g(x，y)整體均值μ的差異δμ：

(5)

H=[δgδμ]

(6)

將δg與δμ橫向合并得到8×8的矩陣H按照從左到右從上到下的順序二進(jìn)制保存，生成跟蹤目標(biāo)哈希增強(qiáng)后的64位感知哈希序列。

哈希增強(qiáng)利用DCT變換提取圖像低頻信息，確保圖像重要信息的保留。通過差異增強(qiáng)抑制圖像灰度均值的影響，同時(shí)加強(qiáng)圖像每行像素與圖像整體的相關(guān)性，最終得到基于感知特征的64位哈希序列。哈希增強(qiáng)能夠良好地適應(yīng)跟蹤目標(biāo)灰度或亮度劇烈變化的影響，其計(jì)算出的感知哈希值不會改變。

2基于哈希增強(qiáng)的模板跟蹤

2.1模板匹配

第一幀得到跟蹤目標(biāo)的感知哈希序列，隨后對目標(biāo)進(jìn)行跟蹤。將目標(biāo)的感知哈希序列視為目標(biāo)模板，對之后每一幀通過掃描上一幀目標(biāo)周圍圖像區(qū)域，計(jì)算每個(gè)搜索窗口圖像的感知哈希序列，尋找最接近目標(biāo)感知哈希序列的窗口。使用漢明距離表示感知哈希值的相似度：

(7)

考慮到跟蹤目標(biāo)可能發(fā)生的變化，將與目標(biāo)模板漢明距離在7以內(nèi)的搜索窗口圖像視為候選跟蹤目標(biāo)，漢明距離超過7的視為非跟蹤目標(biāo)。如圖4所示，圖中一個(gè)方塊代表4位，黑色區(qū)域表示x與x′不同的部分，白色區(qū)域表示相同的部分。根據(jù)抽屜原理將64位哈希序列平均分為8段子序列，若漢明距離不超過7，說明匹配的兩串哈希序列之間至少有一段子序列是完全相同的。因此若搜索窗口內(nèi)圖像的哈希序列x′與模板x沒有任何一段子序列完全一致，則可視為此搜索窗口沒有匹配到跟蹤目標(biāo)，繼續(xù)計(jì)算下一個(gè)搜索窗口的感知哈希序列；若至少有一段子序列完全一致，再對其他子序列計(jì)算漢明距離；若漢明距離不超過7，保存為候選目標(biāo)；如此循環(huán)最終找到漢明距離最小的候選目標(biāo)，即為最終匹配目標(biāo)。

圖4　漢明距離的快速對比

2.2模板自適應(yīng)更新

通過計(jì)算漢明距離找到與目標(biāo)模版最為相似的搜索窗口，即當(dāng)前幀匹配窗口。為了適應(yīng)目標(biāo)的變化，需要動態(tài)更新目標(biāo)模板。

設(shè)當(dāng)前幀模板為M，當(dāng)前幀匹配目標(biāo)為T，更新后的模板為M′，模板更新的基本公式如下：

M′=αT+(1-α)M

(8)

其中α為更新參數(shù)，α = Dh/ n，Dh為當(dāng)前幀的模板M與匹配目標(biāo)T之間的漢明距離，Dh∈[0，7]，n=max(Dh+ 1)，即Dh的可能取值個(gè)數(shù)。α取值與當(dāng)前幀匹配窗口與目標(biāo)模版感知哈希序列的漢明距離成正比。Dh大，則M與T的差異大，跟蹤目標(biāo)發(fā)生了一定的變化，T的權(quán)重α大；Dh小，則M與T差異小，跟蹤目標(biāo)基本無變化，T的權(quán)重α小。將α = Dh/n代入式(8)得：

(9)

模板更新公式可根據(jù)當(dāng)前幀模板M與匹配目標(biāo)T間的漢明距離進(jìn)行自適應(yīng)調(diào)整。實(shí)驗(yàn)結(jié)果表明，模板更新的自適應(yīng)調(diào)節(jié)能夠良好地適應(yīng)跟蹤目標(biāo)的灰度或亮度變化，提高跟蹤的精度以及魯棒性。

2.3算法過程

整個(gè)實(shí)驗(yàn)的算法過程如圖5所示。首先在輸入視頻中選取跟蹤目標(biāo)，利用離散余弦變換DCT提取目標(biāo)的低頻信息；通過圖像感知哈希增強(qiáng)生成跟蹤目標(biāo)的哈希序列；在目標(biāo)周圍區(qū)域進(jìn)行掃描，通過比較漢明距離尋找感知哈希序列與跟蹤目標(biāo)最接近的掃描窗口，也就是該幀的目標(biāo)所在位置；最后為了適應(yīng)目標(biāo)的變化，在成功跟蹤后每一幀都要更新跟蹤的目標(biāo)。

圖5　模板匹配跟蹤的哈希增強(qiáng)算法步驟

輸入：一組視頻序列，跟蹤目標(biāo)的坐標(biāo)

輸出：跟蹤結(jié)果的坐標(biāo)

1) 輸入視頻序列，選取跟蹤目標(biāo)I(x，y)；

2) 將I(x，y)轉(zhuǎn)化為灰度圖像G(x，y)，并根據(jù)式(2)計(jì)算離散余弦變換系數(shù)矩陣F(u，v)；

3) 選取F(u，v)左上角8×8矩陣f(x，y)，根據(jù)式(3)得到跟蹤目標(biāo)的低頻分量g(x，y)；

4) 根據(jù)式(4)得到g(x，y)相鄰像素灰度差異值δg，根據(jù)式(5)得到g(x，y)每行像素與整體均值的差異δμ，之后根據(jù)式(6)得到模板的哈希序列H；

5) 根據(jù)式(7)計(jì)算模板哈希序列H與搜索區(qū)域內(nèi)其他窗口圖像的哈希序列H′的哈希距離Dh，若得到哈希距離最小的窗口坐標(biāo)，且Dh≤7，即為跟蹤目標(biāo)的坐標(biāo)，進(jìn)行步驟6；若Dh>7，則結(jié)束跟蹤；

6) 將I(x，y)與Dh代入式(9)，得到更新后的模板I((x，y)，轉(zhuǎn)至步驟2。

3實(shí)驗(yàn)與分析

為了驗(yàn)證本文提出的模板匹配跟蹤的哈希增強(qiáng)算法的跟蹤效果，將其用于對人臉的跟蹤，與基于SSD和基于NCC的模板跟蹤方法比較。實(shí)驗(yàn)一數(shù)據(jù)為自攝視頻序列，實(shí)驗(yàn)二與實(shí)驗(yàn)三數(shù)據(jù)源于Visual Tracker Benchmark的David視頻(https://sites.google.com/site/trackerbenchmark/benchmarks/v10)，包含存儲目標(biāo)真實(shí)位置的groundtruth_rect.txt文件。

實(shí)驗(yàn)環(huán)境：處理器Intel Core i7 2.10 GHz，內(nèi)存4 GB RAM，顯卡NVIDIA NVS 5400M，開發(fā)軟件采用VS 2010和Windows 7系統(tǒng)，用到軟件開發(fā)庫為Opencv 2.4。

實(shí)驗(yàn)一是對靜止背景下灰度亮度變化微小的目標(biāo)跟蹤。在分辨率為640×480像素、背景穩(wěn)定且光照不變的視頻序列中，跟蹤一張大小為193×179像素的移動人臉，選取第20、40、70和80幀作為參考，如圖6所示?？梢钥吹?，在視頻的前40幀三種方法都能較好地跟蹤目標(biāo)；從第70幀起，SSD跟蹤產(chǎn)生了一定的偏移，而NCC與本文方法則能準(zhǔn)確地跟蹤目標(biāo)。相對于目標(biāo)真實(shí)位置，平均每幀SSD模板跟蹤偏移30個(gè)像素，NCC模板跟蹤偏移16個(gè)像素，本文方法則僅偏移9個(gè)像素，可見NCC模板跟蹤與本文方法均能在靜止背景下良好地跟蹤灰度與亮度變化微小的目標(biāo)。

圖6　靜止背景下三種算法跟蹤結(jié)果

實(shí)驗(yàn)二是對復(fù)雜背景下灰度亮度變化劇烈的目標(biāo)跟蹤。如圖7所示，視頻序列分辨率為640×480像素，背景保持變動并且光照變化明顯，一個(gè)面部尺寸為80×85像素的行人面對移動的手持?jǐn)z像機(jī)快速地不規(guī)則走動，同時(shí)摘下眼鏡后再戴上，跟蹤目標(biāo)的灰度與亮度均產(chǎn)生劇烈的變化。分別選取視頻序列的第30、110、167、311以及398幀作為參考，可以看到視頻前30幀三種方法均能準(zhǔn)確地跟蹤目標(biāo)，之后到110幀附近時(shí)SSD與NCC方法跟蹤已經(jīng)產(chǎn)生偏移；從第167幀跟蹤目標(biāo)開始摘下眼鏡起，到第311幀目標(biāo)重新戴上眼鏡，SSD與NCC方法跟蹤的偏移量十分巨大，已經(jīng)無法進(jìn)行精確跟蹤；而本文方法從始至終十分精準(zhǔn)地跟蹤目標(biāo)。實(shí)驗(yàn)二中SSD與NCC方法平均每幀偏移35與30個(gè)像素，跟蹤精度大幅降低，不能準(zhǔn)確跟蹤目標(biāo)；本文方法平均每幀偏移3個(gè)像素，能在復(fù)雜背景下精準(zhǔn)地跟蹤灰度亮度變化劇烈的目標(biāo)。

圖7　復(fù)雜運(yùn)動情況下三種算法跟蹤結(jié)果

實(shí)驗(yàn)三為室外場景下對運(yùn)動目標(biāo)的跟蹤。如圖8所示，頻序列分辨率為640×480像素，跟蹤場景為室外小路；跟蹤目標(biāo)為慢跑的路人，大小為55×185像素。選取視頻序列的第40、78、165以及221幀進(jìn)行比較，可以發(fā)現(xiàn)隨著時(shí)間的推移，SSD方法偏移量逐漸增大，到221幀時(shí)只能跟蹤住目標(biāo)的半個(gè)身體；NCC方法能夠較為準(zhǔn)確地跟蹤目標(biāo)，但跟蹤窗口也逐漸偏移；本文方法則自始至終能夠精確地跟蹤目標(biāo)。相對于目標(biāo)真實(shí)位置，平均每幀SSD模板跟蹤偏移37個(gè)像素，NCC模板跟蹤偏移11個(gè)像素，本文方法則僅偏移8個(gè)像素，可見本文方法能在室外背景下良好地跟蹤運(yùn)動的目標(biāo)。

圖8　室外場景下三種方法目標(biāo)跟蹤結(jié)果

通過手工獲取實(shí)驗(yàn)一視頻中目標(biāo)真實(shí)位置，實(shí)驗(yàn)二與實(shí)驗(yàn)三視頻中目標(biāo)真實(shí)位置從groundtruth_rect.txt文件得到。表1中陳列了三種方法跟蹤的目標(biāo)與目標(biāo)真實(shí)位置的平均差與標(biāo)準(zhǔn)差，三種方法的跟蹤速度則在表2中可見。

表1　三種算法跟蹤的平均差與標(biāo)準(zhǔn)差(像素)

表2　三種算法跟蹤的平均匹配時(shí)間

從表1能夠看出，本文提出的哈希增強(qiáng)方法跟蹤精度高于SSD與NCC方法，擁有距目標(biāo)真實(shí)位置最小的平均差與標(biāo)準(zhǔn)差，跟蹤精度比SSD與NCC方法高出一個(gè)數(shù)量級。通過分析表2發(fā)現(xiàn)，哈希增強(qiáng)方法的運(yùn)行速度與SSD方法接近，高于NCC方法，能滿足實(shí)時(shí)性跟蹤的要求。綜合兩種因素考慮，本文提出的哈希增強(qiáng)方法表現(xiàn)最為優(yōu)異。

4結(jié)語

傳統(tǒng)基于灰度值的模板跟蹤算法對圖像的灰度與光照變化極為敏感，影響了跟蹤的適用范圍和效果。針對以上缺點(diǎn)，本文提取跟蹤目標(biāo)的低頻信息，運(yùn)用哈希增強(qiáng)的方法生成跟蹤目標(biāo)的哈希序列；計(jì)算哈希序列的漢明距離匹配跟蹤目標(biāo)，并使模板自適應(yīng)更新。經(jīng)實(shí)驗(yàn)證明，本文算法有效克服了目標(biāo)灰度與光照變化對圖像均值帶來的影響，達(dá)到更好的跟蹤效果。圖像的整體結(jié)構(gòu)保持不變，其計(jì)算出的感知哈希序列就不會變化，增強(qiáng)了對跟蹤目標(biāo)灰度亮度變化的適應(yīng)性，提高了跟蹤精度。若跟蹤目標(biāo)整體結(jié)構(gòu)變化，跟蹤精度會有所下降，速度也會有所下降，解決這些問題是今后研究的方向。

參考文獻(xiàn)

[1] Singh R,Purwar R K,Rajpal N.A better approach for object tracking using dual-tree complex wavelet transform[C]//2011 International Conference on Image Information Processing (ICIIP 2011),2011:1-5.

[2] Qi Zhang,Jinlin Zhang,Ting Rui.Target Tracking Based on Wavelet Features in the Dynamic Image Sequence[C]//2011 Sixth International Conference on Image and Graphics (ICIG),2011:811-815.

[3] Haopeng Li,Flierl M.Sift-based multi-view cooperative tracking for soccer video[C]//2012 IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP),2012:1001-1004.

[4] Kai Du,Yongfeng Ju,Gang Li,et al.Object tracking based on improved MeanShift and SIFT[C]//2012 2nd International Conference on Consumer Electronics,Communications and Networks(CECNet),2012:2716-2719.

[5] Cho H J,Park T H.Template Matching Method for SMD Inspection using Discrete Wavelet Transform[C]//2008 SICE Annual Conference,2008:3198-3201.

[6] Qiang Zhu,Kwangting Cheng,Hongjiang Zhang.SSD Tracking Using Template and Log-polar Transformation[C]//Fifth International Conference on Multimedia and Exposition,2004:723-726.

[7] Sahani S K,Adhikari G,Das B K.A Fast Template Matching Algorithm for Aerial Object Tracking[C]//2011 International Conference on Image Information Processing (ICIIP 2011),2011:1-6.

[8] Di Caterina G,Soraghan J J.Adaptive Template Matching Algorithm Based on SWAD for Robust Target Tracking[J].Electronics Letters,2012,48(5):261-262.

[9] Hager G D,Dewan M,Stewart C V.Multiple Kernel Tracking with SSD[C]//Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2004:790-797.

[10] Schreiber D.Robust Template Tracking with Drift Correction[J].Pattern Recognition Letters,2007,28(12):1483-1491.

[11] Zhen Jia,Balasuriya A,Challa S.Target Tracking with Bayesian Fusion Based Template Matching[C]//2005 International Conference on Image Processing (ICIP 2005),2005:826-829.

[12] 任仙怡,廖云濤,張桂林,等.一種新的相關(guān)跟蹤方法研究[J].中國圖象圖形學(xué)報(bào),2002,7(6):553-557.

[13] 朱永松,國澄明.基于相關(guān)系數(shù)的相關(guān)跟蹤算法研究[J].中國圖象圖形學(xué)報(bào),2004,9(8):963-967.

[14] Venkatesan R,Koon S M,Jakubowski M H,et al.Robust Image Hashing[C]//2000 International Conference on Image Processing (ICIP 2000),2000:664-666.

[15] 牛夏牧,焦玉華.感知哈希綜述[J].電子學(xué)報(bào),2008,36(7):1405-1411.

收稿日期：2015-01-13。國家自然科學(xué)基金項(xiàng)目(41161061，4090 1197)。徐珩，碩士生，主研領(lǐng)域：圖像模式識別。賀飛越，碩士生。

中圖分類號TP391.41

文獻(xiàn)標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.07.039

HASH ENHANCEMENT ALGORITHM FOR TEMPLATE MATCHING TRACKING

Xu HengHe Feiyue

(FacultyofLandResourceEngineering,KunmingUniversityofScienceandTechnology,Kunming650093,Yunnan,China)

AbstractTraditional template matching tracking algorithms based on sum of squared difference (SSD) and normalised cross-correlation (NCC) depend on grey information very much. In circumstance of dramatic greyscale change or significant illumination intensity variation in image, they are prone to be affected by high-frequency information of the image and this leads to the phenomenon of target drifting followed by the decrease in tracking accuracy. We proposed a hash enhancement algorithm for template matching tracking used to reduce the impacts of greyscale and luminance variations, and to enhance the tracking accuracy as well. The specific progress is as follows: It extracts the perceptual features of the target with perceptual hashing, and binarises the extracted features to generate hash string of the tracking targets. Then it saves the hash string as a template of matching tracking, by comparing the hamming distances it searches the most similar targets from each frame so as to reach the effect of tracking. By using drawer principle it shortens the time of hamming distances comparison. We also proposed a hamming distance-based adaptive model updating algorithm which guarantees the continuity of tracking. Comparing the results of simulative experiments with SSD-based and NCC-based template tracking algorithms, the matching accuracy reaches an order of magnitude higher in the case of target’s greyscale and luminance varying. What’s more, the tracking speed is able to meet the requirement of real-time property.

KeywordsHash enhancementTemplate matchingTarget trackingHamming distance