基于移動增強(qiáng)現(xiàn)實(shí)技術(shù)的復(fù)雜場景視頻圖像多目標(biāo)跟蹤

黃 珍，潘 穎

(蘭州文理學(xué)院 數(shù)字媒體學(xué)院，甘肅 蘭州 730000)

隨著視頻圖像處理技術(shù)的發(fā)展，在復(fù)雜場景中進(jìn)行視頻圖像采集，根據(jù)采集的復(fù)雜場景視頻圖像進(jìn)行目標(biāo)跟蹤識別，提高目標(biāo)的主動跟蹤和探測能力，研究復(fù)雜場景視頻圖像的跟蹤方法在實(shí)現(xiàn)移動目標(biāo)檢測中具有重要意義。相關(guān)的復(fù)雜場景視頻圖像跟蹤方法研究在交通視頻監(jiān)控、紅外目標(biāo)探測等領(lǐng)域展示了較好的應(yīng)用前景，受到人們的極大關(guān)注[1]。張麗紅等人針對高頻成像聲吶多目標(biāo)跟蹤中聲成像的不穩(wěn)定問題,在基于檢測前跟蹤的聲吶圖像序列尺度不變特征變換(Scale Invariant Feature Transform, SIFT)的基礎(chǔ)上,提出了一種結(jié)合對數(shù)變換的聲吶圖像序列SIFT特征跟蹤方法[2]。該方法利用對數(shù)變換進(jìn)行圖像預(yù)處理,進(jìn)而利用聲吶圖像序列SIFT特征進(jìn)行多目標(biāo)跟；位寶燕等人將時空上下文視覺(STC)單目標(biāo)跟蹤算法應(yīng)用于多目標(biāo)跟蹤。該算法通過構(gòu)造各目標(biāo)和其上下文區(qū)域的時空關(guān)系模型,計算置信圖得到下一幀圖像的目標(biāo)位置,并且對窗口大小進(jìn)行自適應(yīng)變換,當(dāng)目標(biāo)發(fā)生旋轉(zhuǎn)等姿態(tài)變化或者尺度變化時,窗口可以根據(jù)目標(biāo)變化而變化[3]。石治國等人在多目標(biāo)跟蹤過程中,針對概率假設(shè)密度濾波器難以正確估計目標(biāo)個數(shù)和目標(biāo)狀態(tài)問題,提出一種新的基于邊緣粒子濾波的改進(jìn)算法。算法運(yùn)用Rao-Blackwellized思想,將目標(biāo)狀態(tài)分解為線性和非線性模型的結(jié)構(gòu),采用RBPF濾波方法預(yù)測與估計概率假設(shè)密度濾波器中目標(biāo)的非線性狀態(tài),使用卡爾曼濾波方法對線性狀態(tài)進(jìn)行預(yù)測與估計,以更好地提高目標(biāo)狀態(tài)估計精度,降低了計算的復(fù)雜度[4]。

基于上述觀點(diǎn)，對復(fù)雜場景視頻圖像的檢測是建立在圖像的3維視覺信息融合基礎(chǔ)上，結(jié)合特征優(yōu)化識別方法進(jìn)行復(fù)雜場景視頻圖像的信息融合，構(gòu)建復(fù)雜場景視頻圖像的目標(biāo)跟蹤模型，提高復(fù)雜場景視頻圖像多目標(biāo)跟蹤能力。本文提出基于移動增強(qiáng)現(xiàn)實(shí)技術(shù)的復(fù)雜場景視頻圖像多目標(biāo)跟蹤方法。采用模糊信息度特征提取方法實(shí)現(xiàn)復(fù)雜場景視頻圖像的特征提取，通過移動增強(qiáng)現(xiàn)實(shí)技術(shù)進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)跟蹤過程中的自適應(yīng)尋優(yōu)，實(shí)現(xiàn)復(fù)雜場景視頻圖像多目標(biāo)跟蹤，最后進(jìn)行仿真測試分析。

1 復(fù)雜場景視頻圖像成像及預(yù)處理

1.1 復(fù)雜場景視頻圖像的3維成像模型

為了實(shí)現(xiàn)基于移動增強(qiáng)現(xiàn)實(shí)技術(shù)的復(fù)雜場景視頻圖像多目標(biāo)跟蹤，需要構(gòu)建復(fù)雜場景視頻圖像的3維成像模型[5]。采用邊緣特征分割和Harris角點(diǎn)特征檢測方法進(jìn)行復(fù)雜場景視頻圖像的多維尺度分解，在D維空間中進(jìn)行復(fù)雜場景視頻圖像的動態(tài)采集和信息融合。采用多模態(tài)空間分布式重建方法進(jìn)行復(fù)雜場景視頻圖像的動態(tài)特征重構(gòu)，結(jié)合3D模型重構(gòu)方法進(jìn)行復(fù)雜場景視頻圖像的信息跟蹤識別，設(shè)定3個方向，分別為x、y、z，提取復(fù)雜場景視頻圖像的關(guān)鍵動態(tài)特征量，采用幀特征匹配方法，進(jìn)行復(fù)雜場景視頻圖像的動態(tài)跟蹤控制，提高復(fù)雜場景視頻圖像的信息跟蹤和特征識別能力，建立復(fù)雜場景視頻圖像的3維成像模型，表示為：

u=G(x,y;t)；

(1)

(2)

其中，△u為復(fù)雜場景視頻圖像的區(qū)域邊緣輪廓特征分量，△x表示復(fù)雜場景視頻圖像在梯度方向的像素特征分布強(qiáng)度，σ為復(fù)雜場景視頻圖像在2維粗糙集表面的紋理分布。

根據(jù)復(fù)雜場景視頻圖像的相似度分布進(jìn)行3維信息重組，提取復(fù)雜場景視頻圖像的相鄰幀特征量，結(jié)合匹配濾波檢測的方法，進(jìn)行復(fù)雜場景視頻圖像的高維濾波處理，在復(fù)雜運(yùn)動條件下，多目標(biāo)跟蹤的場景融合濾波檢測為：

gi=〈f,dγ0〉dγ0+σ。

(3)

其中〈f,dγ0〉表示復(fù)雜場景視頻圖像的像素特征點(diǎn)在dγ0方向上的統(tǒng)計特征分布集。

根據(jù)時間維度的關(guān)聯(lián)性，建立復(fù)雜場景視頻圖像的視頻分布集，利用背景建模的方法，進(jìn)行目標(biāo)的自動跟蹤檢測，得到特征配準(zhǔn)結(jié)果f(gi)為：

(4)

由此獲得復(fù)雜場景視頻圖像的特征匹配集。

根據(jù)外輪廓的位置信息分布，進(jìn)行多目標(biāo)跟蹤過程中的速度信息匹配，得到模板大小為M×N，重建復(fù)雜場景視頻圖像的灰色關(guān)聯(lián)特征分布集[6]，得到視頻運(yùn)動目標(biāo)的匹配函數(shù)式為：

(5)

結(jié)合檢測跟蹤的方法，進(jìn)行區(qū)域匹配，根據(jù)目標(biāo)的尺度和姿態(tài)信息進(jìn)行深度融合，提高復(fù)雜場景視頻圖像的檢測和識別能力[7]。

1.2 復(fù)雜場景視頻圖像增強(qiáng)處理

采用邊緣特征分割和Harris角點(diǎn)特征檢測方法進(jìn)行復(fù)雜場景視頻圖像的多維尺度分解，構(gòu)建目標(biāo)圖像的3維成像模型。采用邊緣特征分割和Harris角點(diǎn)特征檢測方法進(jìn)行復(fù)雜場景視頻圖像的多維尺度分解[8]，構(gòu)建目標(biāo)圖像的3維成像模型，得到紋理結(jié)果分布為：

s(k)=Φ·s(k-1)+w(k)，

(6)

其中

(7)

根據(jù)復(fù)雜場景視頻圖像的紋理、細(xì)節(jié)區(qū)域進(jìn)行圖像的3維紋理結(jié)構(gòu)重組，提取模糊復(fù)雜場景視頻圖像增強(qiáng)表達(dá)式為：

(1-t(x))。

(8)

其中，t(x)為自相關(guān)函數(shù)，Ac為復(fù)雜場景視頻圖像的多維卷積特征量，Ic(y)為復(fù)雜場景視頻圖像的透射強(qiáng)度。設(shè)J(x)t(x)為后向散射總功率，使用高斯自相關(guān)特征匹配方法，進(jìn)行復(fù)雜場景視頻圖像的信息增強(qiáng)處理[9]。

2 復(fù)雜場景視頻圖像多目標(biāo)跟蹤

2.1 復(fù)雜場景視頻圖像的像素序列重組

在構(gòu)建復(fù)雜場景視頻圖像的3維成像模型，采用邊緣特征分割和Harris角點(diǎn)特征檢測方法進(jìn)行復(fù)雜場景視頻圖像的多維尺度分解的基礎(chǔ)上，進(jìn)行復(fù)雜場景視頻圖像的像素序列重組，實(shí)現(xiàn)多目標(biāo)跟蹤，提出基于移動增強(qiáng)現(xiàn)實(shí)技術(shù)的復(fù)雜場景視頻圖像多目標(biāo)跟蹤方法。構(gòu)建目標(biāo)圖像的3維成像模型，得到復(fù)雜場景視頻圖像虛擬重構(gòu)的正態(tài)分布函數(shù)為：

w(dij)=f(|xi-xj|)=

(9)

重建復(fù)雜場景視頻圖像的灰度直方圖，得到圖像W的R、G、B分量，在復(fù)雜場景視頻圖像的動態(tài)目標(biāo)移動方向，得到復(fù)雜場景視頻圖像的特征分辨率為AR、AG、AB，用(xi,xj,d,t)表示復(fù)雜場景視頻圖像的模糊關(guān)聯(lián)分布矩陣，得到復(fù)雜場景視頻圖像的相關(guān)性特征點(diǎn)分布為：

IDFi(v)=log(n/Fi(v))，

(10)

其中，n表示復(fù)雜場景視頻圖像中動態(tài)目標(biāo)的個數(shù)，fi(v)表示點(diǎn)目標(biāo)的外法向量，由于不同目標(biāo)的速度和方位不同，輸出為：

D={Si,j(t),Ti,j(t),Ui,j(t)}，

(11)

其中，Si,j(t)表示3維視覺下復(fù)雜場景視頻圖像輪廓線，Ti,j(t)表示3維空間目標(biāo)的自相關(guān)特征匹配，Ui,j(t)表示復(fù)雜場景視頻圖像成像的稠密度光流特征分布，由此構(gòu)建復(fù)雜場景視頻圖像的像素序列重組模型，根據(jù)復(fù)雜場景視頻圖像像素重構(gòu)結(jié)果進(jìn)行多目標(biāo)跟蹤[10]。

2.2 復(fù)雜場景視頻圖像多目標(biāo)跟蹤

采用移動增強(qiáng)顯示技術(shù)，進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)跟蹤，在區(qū)域輪廓分布集中，得到復(fù)雜場景視頻圖像多目標(biāo)跟蹤的模板特征匹配集S′，對模糊的復(fù)雜場景視頻圖像進(jìn)行邊緣輪廓特征檢測，提取紅外序列多目標(biāo)的邊緣特征點(diǎn)(x′,y′)，計算復(fù)雜場景視頻圖像多目標(biāo)跟蹤的光流分布集為：

(12)

定義復(fù)雜場景視頻圖像超分辨率重建的模板特征分布函數(shù)，采用灰度像素融合的方法，進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)跟蹤的光流計算和灰度投影識別，復(fù)雜場景視頻圖像多目標(biāo)跟蹤的模糊迭代式為：

rβ(X)=RβX-RβX1。

(13)

采用高分辨率的3維重建和移動增強(qiáng)方法，進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)序列重構(gòu)，得到目標(biāo)跟蹤的光流分布特征為：

(14)

其中：Lxx(x,σ)是復(fù)雜場景視頻圖像的模板匹配系數(shù)，Lxy和Lyy為復(fù)雜場景視頻圖像特征匹配系數(shù)和低頻系數(shù)。

通過模糊信息融合和聚類分析方法，實(shí)現(xiàn)復(fù)雜場景視頻圖像的多目標(biāo)跟蹤，輸出為：

(15)

其中，ai表示復(fù)雜場景視頻圖像成像場景的邊緣特征分布系數(shù)，j(w,e)為超像素特征序列重構(gòu)系數(shù)，φ(xi)為復(fù)雜場景視頻圖像的灰度特征量。

3 仿真測試分析

為了測試本文方法在實(shí)現(xiàn)復(fù)雜場景視頻圖像多目標(biāo)跟蹤中的應(yīng)用性能，進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)以交通視頻圖像為研究對象，進(jìn)行交通復(fù)雜場景視頻下的多目標(biāo)跟蹤識別，目標(biāo)場模板參數(shù)為120×120、像素跟蹤的強(qiáng)度為80dB、幀匹配系數(shù)為0.86，以2組不同場景下的交通視頻為研究對象，得到AIS Dataset數(shù)據(jù)庫中不同幀下的視頻采樣如圖1所示。

以圖1的視頻為研究對象，進(jìn)行目標(biāo)跟蹤識別，得到結(jié)果如圖2所示。

分析圖2得知，所提方法能有效實(shí)現(xiàn)復(fù)雜場景視頻的多目標(biāo)跟蹤，目標(biāo)跟蹤的特征匹配性較好。

為了達(dá)成追蹤效果的精度對比，采用下列公式對第i個復(fù)雜場景視頻圖像的分層追蹤精度進(jìn)行計算：

(16)

式(16)內(nèi)，第i個目標(biāo)的實(shí)際方位與最終的追蹤定位分別表示為Ci和Ri。所得的precision數(shù)值表明的是與實(shí)際方位的追蹤精度。

為了進(jìn)一步驗(yàn)證所提方法多目標(biāo)跟蹤精度，對比文獻(xiàn)[2]、[3]方法，實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同方法追蹤結(jié)果統(tǒng)計表

將表1中3種算法的分層追蹤結(jié)果代入偏差計算公式，運(yùn)算得出的偏差結(jié)果對比。結(jié)果見圖4。

分析圖4得出，采用該方法進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)跟蹤的精度較高，圖像成像的分辨能力較好，目標(biāo)跟蹤識別和動態(tài)分布性較好。

4 結(jié)語

通過交通視頻的目標(biāo)跟蹤研究，提出基于移動增強(qiáng)現(xiàn)實(shí)技術(shù)的復(fù)雜場景視頻圖像多目標(biāo)跟蹤方法。采用動態(tài)信息融合的方法，進(jìn)行復(fù)雜場景視頻圖像的跟蹤識別，實(shí)現(xiàn)復(fù)雜場景視頻圖像的多目標(biāo)跟蹤，通過移動增強(qiáng)現(xiàn)實(shí)技術(shù)進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)跟蹤過程中的自適應(yīng)尋優(yōu)，提高復(fù)雜場景視頻圖像多目標(biāo)跟蹤的準(zhǔn)確性。分析得知，采用本文方法進(jìn)行復(fù)雜場景視頻圖像多目標(biāo)跟蹤的準(zhǔn)確度較高，目標(biāo)跟蹤的特征匹配性較好，可提高交通視頻中的多目標(biāo)跟蹤識別能力。