韋超現(xiàn)

(南寧師范大學(xué)，廣西 南寧 530000)

1 引言

圖像跟蹤技術(shù)是將物體的邊界信息作為一個關(guān)鍵特性加入多幀圖像跟蹤標(biāo)簽中[1]。許多問題在計算機(jī)視覺中發(fā)生，如移動目標(biāo)識別，但是在對圖像目標(biāo)跟蹤過程時，由于環(huán)境、背景以及目標(biāo)的復(fù)雜不確定性，容易導(dǎo)致物體移動時，目標(biāo)圖像模具粘貼和顫抖[2]。在這種情況下，如何有效地實現(xiàn)運動圖像在視覺傳達(dá)下的目標(biāo)跟蹤標(biāo)記，是該領(lǐng)域中要解決的問題，已經(jīng)有很多學(xué)者對此進(jìn)行了廣泛的討論。

文獻(xiàn)[3]利用RGB顏色空間變換HSV空間圖像的亮度V分量，建立RGB圖像的背景掩膜，獲取二進(jìn)制圖像，建立坐標(biāo)系，獲取最小矩形特征向量，加入約束條件，并根據(jù)參數(shù)校準(zhǔn)，實現(xiàn)動態(tài)樣例構(gòu)建。該方法能夠快速跟蹤圖像特征目標(biāo)，但該方法未考慮前景圖像輪廓權(quán)值問題，圖像特征目標(biāo)跟蹤準(zhǔn)確性較低。文獻(xiàn)[4]根據(jù)多尺度小波變換，得到運動前景目標(biāo)信息提取的特點，采用卡爾曼濾波對粒子進(jìn)行預(yù)測和校正，將當(dāng)前觀測到的信息輸入粒子濾波過程中，通過均值和協(xié)方差估計對粒子狀態(tài)進(jìn)行預(yù)測，使動態(tài)粒子更接近于概率分布，從而提高運動目標(biāo)的跟蹤精度。該方法可以有效地跟蹤視頻運動目標(biāo)，但該方法計算量大，圖像特征目標(biāo)跟蹤效率較低。

針對上述問題，提出了基于視覺傳達(dá)的多幀圖像特征目標(biāo)跟蹤方法。采用稀疏表示策略采集多幀圖像的特征目標(biāo)，利用高斯分布建立圖像運動模型，再根據(jù)灰度投影法進(jìn)行特征提取，對圖像各個幀間的特征點匹配，獲得多幀圖像的輪廓跟蹤目標(biāo)并運算出前景輪廓的目標(biāo)函數(shù)權(quán)重，實現(xiàn)多幀圖像特征目標(biāo)跟蹤。實驗結(jié)果表明，該方法提取的多幀圖像目標(biāo)特征精度較好，跟蹤準(zhǔn)確率較高，能夠有效降低多幀圖像特征目標(biāo)跟蹤時間。

2 視覺傳達(dá)下采集多幀圖像目標(biāo)特征

計算機(jī)技術(shù)獲取和處理視覺圖像信息的功能越來越廣泛。雖然強(qiáng)大的視覺系統(tǒng)可以處理、分析和理解視覺信息，但是沒有實現(xiàn)圖像自主視覺[5]。采用稀疏表示方法，從多幅視頻圖像中采集有效的目標(biāo)特征，視頻圖像的特征選擇過程如下式

(1)

式(1)中，A∈K×(m+n)作為多幀圖像轉(zhuǎn)換為32*32像素大小的圖像。字典是通過將其校驗為列向量來構(gòu)造的。m與n作為字典對應(yīng)的正負(fù)模板個數(shù)，K作為多幀圖像的特征維數(shù)，s作為稀疏系數(shù)向量，λ1作為權(quán)重因子，p∈m+n作為字典中每個原子的屬性，+1作為原子中的正模板屬性，-1作為原子中的負(fù)模板屬性，s內(nèi)的非零元素作為多幀圖像特征選擇的依據(jù)，多幀圖像投影矩陣S的i行和l列元素的表達(dá)式為

(2)

式(2)中，si1表示為稀疏系數(shù)向量s內(nèi)的第i1個元素，通過方程(2)將字典A與候選采樣x兩者投影到相同判別空間中，完成多幀圖像目標(biāo)特征的采集，多幀圖像降維后的字典A′和候選狀態(tài)x′的表達(dá)式如下

A′=SA，x′=Sx

(3)

根據(jù)式(3)可以對K維多幀圖像進(jìn)行高效的特征識別[6]。通過一系列多幀圖像的目標(biāo)觀測值O1：t={o1，o2，…，ot}來估計當(dāng)前多幀圖像的目標(biāo)狀態(tài)，并利用方程(4)來運算多幀圖像目標(biāo)狀態(tài)xt的后驗概率。

(4)

式(4)中，p(xt|xt-1)所描述的是視頻圖像的兩個相鄰幀之間的目標(biāo)運動模型。p(xt-1|O1：t-1)所描述的是t-1時刻多幀圖像目標(biāo)狀態(tài)xt的后驗概率。p(ot|xt)所描述的是似然函數(shù)。它闡述了候選狀態(tài)和目標(biāo)模板之間的近似程度。利用高斯分布建立視頻圖像的運動模型，其表達(dá)式為

p(xt|xt-1)=N(xt，xt-1，ψ)

(5)

在式(5)中，N(· )作為高斯分布，ψ作為對角協(xié)方差矩陣，xt-1作為t-1時間段內(nèi)圖像目標(biāo)狀態(tài)多幀圖像第j個候選目標(biāo)狀態(tài)xj的似然函數(shù)表達(dá)式如下

(6)

3 多幀圖像特征目標(biāo)跟蹤方法

3.1 提取多幀圖像特征目標(biāo)

為了提取多幀圖像的目標(biāo)特征，首先需要對多幀圖像的灰度和細(xì)節(jié)特征進(jìn)行小波分析，然后利用灰度投影法提取多幀圖像的目標(biāo)特征，用圖像目標(biāo)前景和圖像目標(biāo)背景的分類問題代替多幀的特征跟蹤問題，分離圖像目標(biāo)前景和圖像目標(biāo)背景范圍的系數(shù)，根據(jù)圖像特征分布方差的比值函數(shù)判斷目標(biāo)前景和目標(biāo)背景范圍。

假設(shè)輸入校正后的灰度圖像為hx(a，b)，多幀圖像的兩個特征：灰度細(xì)節(jié)塔Px(u)和細(xì)節(jié)金字塔Qx(u，g)用多尺度描述。為了改善多幀圖像的特點，在視覺傳達(dá)下，對多幀圖像進(jìn)行多幀處理用尺度差分法代替卷積過程，其公式為

(7)

式(7)中，tw所描述的是特征對比度測量值，δy所描述的是影響視頻圖像的目標(biāo)范圍大小，δu所描述的是影響視頻圖像的抑制區(qū)域大小[7]。

在提取多幀圖像灰度和細(xì)節(jié)特征的目標(biāo)特征時，需要設(shè)定Px(y)和Px(u)代表H(u)插值和H(y)尺度的目標(biāo)范圍，得出公式為

(8)

設(shè)定Z(l，r)作為第x1幀視頻圖像中(l，r)像素的灰度值，ga作為x2幀視頻圖像之間的平移估計，gb作為k+m幀視頻圖像之間的平移估計，按照平移估計值合理運算出x3幀視頻圖像的特征目標(biāo)，其表達(dá)式為

認(rèn)知與計算的實踐轉(zhuǎn)向中，圖靈提出了一種客觀的，易于操作的檢驗方法。在他看來，如果一臺經(jīng)過編程的計算機(jī)能夠與一個有理性思維能力的人談?wù)撊魏卧掝}，而用戶判斷不出他是在與一個人交談還是在與一臺機(jī)器交談，那就可以說這臺計算機(jī)是具有智能的。這就是“圖靈測驗”。

Nx(，r)=|Z(l，r)-ga-gb|

(9)

(10)

式(10)中：F(x)代表灰度特征顯著圖的歸一化函數(shù)為，F(xiàn)(x)代表細(xì)節(jié)特征顯著圖的歸一化函數(shù)，F(xiàn)(x)代表運動特征顯著圖的歸一化函數(shù)，最終提取到多幀圖像特征值為Ux。因此，利用Ux結(jié)果可以提取出具有目標(biāo)特征的多幀圖像，通過上述步驟，完成多幀圖像特征目標(biāo)的提取。

3.2 檢測多幀圖像目標(biāo)

在對視覺傳達(dá)下多幀圖像特征目標(biāo)跟蹤的過程中，根據(jù)所獲特征目標(biāo)及上述多幀圖像背景高斯分布的參數(shù)模型，實時匹配多幀圖像的特征點，獲得多幀圖像的輪廓軌跡追蹤目標(biāo)[8]。具體流程如下：

(11)

(12)

(13)

假設(shè)圖像中運動對象模型的速度是一個變量，運動區(qū)域外矩形框左上角和右下角坐標(biāo)系中運動模型的速度也是一個變量，然后在α-β-γ濾波器內(nèi)，狀態(tài)方程的公式即

(14)

(K+1)=(K)+α[(K+1+K)]

(15)

3.3 實現(xiàn)多幀圖像特征目標(biāo)跟蹤

(16)

(17)

依據(jù)上述公式可知，目標(biāo)函數(shù)優(yōu)化前景區(qū)域的所有輪廓標(biāo)記公式為

(18)

目標(biāo)函數(shù)權(quán)重ci主要根據(jù)相應(yīng)的前景圖像輪廓線的表面積與所有前視輪廓的總面積之比來確定的。根據(jù)權(quán)值結(jié)果，在視覺傳達(dá)下對多幀圖像實施特征目標(biāo)跟蹤，由此實現(xiàn)多幀圖像特征目標(biāo)跟蹤。

4 實驗結(jié)果分析

為了驗證基于視覺傳達(dá)的多幀圖像特征目標(biāo)跟蹤方法的有效性，進(jìn)行仿真。實驗數(shù)據(jù)選用具有235幀的flying多幀圖像數(shù)據(jù)，圖像特征目標(biāo)選定為場景中的翅膀部分。在Matlab環(huán)境下搭建多幀圖像真實性建模仿真平臺。在實驗過程中，使用佳能5D相機(jī)拍攝了一系列的多幀模型序列圖像，焦距60mm，圖像分辨率2707×1772ppi。分別采用所提方法與文獻(xiàn)[3]方法、文獻(xiàn)[4]方法對提取的多幀圖像目標(biāo)特征進(jìn)行對比。對比結(jié)果如圖1所示。

圖1 不同方法提取的多幀圖像目標(biāo)特征

從圖1中可以看出，文獻(xiàn)[3]方法提取的多幀圖像目標(biāo)錯誤特征較多，其多幀圖像目標(biāo)特征提取精度較差，文獻(xiàn)[4]方法提取的多幀圖像目標(biāo)特征數(shù)量較少，無法準(zhǔn)確地提取到多幀圖像特征目標(biāo)，而所提方法能夠準(zhǔn)確地提取多幀圖像目標(biāo)特征。由此可知，所提方法提取的多幀圖像目標(biāo)特征精度較好，因為本文根據(jù)多幀圖像背景高斯分布的參數(shù)模型，對多幀圖像的特征點實時匹配，從而能夠準(zhǔn)確地提取多幀圖像目標(biāo)特征，增強(qiáng)多幀圖像目標(biāo)特征提取精度。

為了驗證基于視覺傳達(dá)的多幀圖像特征目標(biāo)跟蹤方法的跟蹤時間，分別采用文獻(xiàn)[3]方法、文獻(xiàn)[4]方法與所提方法對多幀圖像特征目標(biāo)跟蹤時間進(jìn)行對比，結(jié)果如圖2所示。

圖2 不同方法多幀圖像特征目標(biāo)跟蹤時間

分析圖2可知，文獻(xiàn)[3]方法的平均多幀圖像特征目標(biāo)跟蹤時間為20s，文獻(xiàn)[4]方法的平均多幀圖像特征目標(biāo)跟蹤時間為26s，而所提方法的平均多幀圖像特征目標(biāo)跟蹤時間僅為7s。由此可知，所提方法的跟蹤時間最短，因為本文主要采用灰度投影法，能夠快速提取多幀圖像的目標(biāo)特征，降低多幀圖像特征目標(biāo)跟蹤時間。

為了驗證基于視覺傳達(dá)的多幀圖像特征目標(biāo)跟蹤方法的跟蹤準(zhǔn)確性，利用式(19)計算不同方法的多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率，其表達(dá)式為：

(19)

式(19)中，PS表示為正確跟蹤匹配的多幀圖像幀數(shù)，ZS表示為總多幀圖像幀數(shù)。對比文獻(xiàn)[3]方法、文獻(xiàn)[4]方法與所提方法多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率，對比結(jié)果如圖3所示。

圖3 不同方法多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率

通過圖3可知，當(dāng)多幀圖像幀數(shù)為250幀時，文獻(xiàn)[3]方法的平均多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率為62%，文獻(xiàn)[4]方法的平均多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率為70%，而所提方法的平均多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率為90%，由此可知，所提方法的多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率最高，因為本文主要根據(jù)前景圖像輪廓線的表面積與所有前視輪廓的總面積之比，確定權(quán)值結(jié)果，從而提高多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率。

5 結(jié)論

為了解決多幀圖像目標(biāo)特征提取精度差、跟蹤準(zhǔn)確率低、跟蹤時間長的問題。提出了基于視覺傳達(dá)的多幀圖像特征目標(biāo)跟蹤方法。采用稀疏表示策略采集多幀圖像的特征目標(biāo)，利用高斯分布建立圖像運動模型，根據(jù)灰度投影法提取目標(biāo)特征，匹配運動圖像幀間的特征點，得到多幀圖像的輪廓跟蹤目標(biāo)，求解前景輪廓的目標(biāo)函數(shù)權(quán)重，實現(xiàn)多幀圖像特征目標(biāo)跟蹤。實驗結(jié)果表明，所提方法提取的多幀圖像目標(biāo)特征精度較好，能夠提高多幀圖像特征目標(biāo)跟蹤準(zhǔn)確率、降低跟蹤時間。