鉴于传统的跟踪学习检测(TLD)算法存在稳健性差、跟踪成功率低以及运算效率低等问题,提出一种结合二进制稳健不变可扩展关键点(BRISK)特征点与区域预估的TLD跟踪算法。在跟踪器中引入BRISK特征点,将其与传统的用于跟踪的普通像素点相结合,共同用于目标跟踪,由于BRISK特征点提取较快,从而使得跟踪器部分的总体运算时间降低;在检测器部分采用了卡尔曼滤波器与马尔可夫模型方向预测器相结合的方式,该方式使得最终送入到检测器的子图像块数量大幅缩减,且对相似目标的辨别能力增强,进而提升了检测器的速度和精度。实验结果表明,相比于传统TLD算法,所提TLD算法的跟踪精度提高约64.4%,运行速度提升约39.6%,并具有更好的稳健性。

为了解决传统图像拼接算法匹配率低以及拼接速度慢的问题,提出一种结合区域分块的快速BRISK图像拼接算法。采用频域相位相关算法寻找两幅图像间的相似部分,将其均匀划分成N×N'的图像块,计算各图像块的标准差,选择标准差较大且分布在不同位置的两个图像块,用BRISK算法进行特征点粗匹配。获得匹配点对后,构造有向线段并进行邻近线段匹配。通过随机选择的匹配点对计算投影变换矩阵,进行投影误差校正,最后进行加权融合和亮度均衡化完成图像拼接。实验结果表明:该算法能够保证图像拼接的正确率大于90%,并且拼接速度提升63.7%。