基于移動增強現實技術的復雜場景視頻圖像多目標跟蹤

黃 珍，潘 穎

(蘭州文理學院 數字媒體學院，甘肅 蘭州 730000)

隨著視頻圖像處理技術的發展，在復雜場景中進行視頻圖像采集，根據采集的復雜場景視頻圖像進行目標跟蹤識別，提高目標的主動跟蹤和探測能力，研究復雜場景視頻圖像的跟蹤方法在實現移動目標檢測中具有重要意義。相關的復雜場景視頻圖像跟蹤方法研究在交通視頻監控、紅外目標探測等領域展示了較好的應用前景，受到人們的極大關注[1]。張麗紅等人針對高頻成像聲吶多目標跟蹤中聲成像的不穩定問題,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)的基礎上,提出了一種結合對數變換的聲吶圖像序列SIFT特征跟蹤方法[2]。該方法利用對數變換進行圖像預處理,進而利用聲吶圖像序列SIFT特征進行多目標跟；位寶燕等人將時空上下文視覺(STC)單目標跟蹤算法應用于多目標跟蹤。該算法通過構造各目標和其上下文區域的時空關系模型,計算置信圖得到下一幀圖像的目標位置,并且對窗口大小進行自適應變換,當目標發生旋轉等姿態變化或者尺度變化時,窗口可以根據目標變化而變化[3]。石治國等人在多目標跟蹤過程中,針對概率假設密度濾波器難以正確估計目標個數和目標狀態問題,提出一種新的基于邊緣粒子濾波的改進算法。算法運用Rao-Blackwellized思想,將目標狀態分解為線性和非線性模型的結構,采用RBPF濾波方法預測與估計概率假設密度濾波器中目標的非線性狀態,使用卡爾曼濾波方法對線性狀態進行預測與估計,以更好地提高目標狀態估計精度,降低了計算的復雜度[4]。

基于上述觀點，對復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上，結合特征優化識別方法進行復雜場景視頻圖像的信息融合，構建復雜場景視頻圖像的目標跟蹤模型，提高復雜場景視頻圖像多目標跟蹤能力。本文提出基于移動增強現實技術的復雜場景視頻圖像多目標跟蹤方法。采用模糊信息度特征提取方法實現復雜場景視頻圖像的特征提取，通過移動增強現實技術進行復雜場景視頻圖像多目標跟蹤過程中的自適應尋優，實現復雜場景視頻圖像多目標跟蹤，最后進行仿真測試分析。

1 復雜場景視頻圖像成像及預處理

1.1 復雜場景視頻圖像的3維成像模型

為了實現基于移動增強現實技術的復雜場景視頻圖像多目標跟蹤，需要構建復雜場景視頻圖像的3維成像模型[5]。采用邊緣特征分割和Harris角點特征檢測方法進行復雜場景視頻圖像的多維尺度分解，在D維空間中進行復雜場景視頻圖像的動態采集和信息融合。采用多模態空間分布式重建方法進行復雜場景視頻圖像的動態特征重構，結合3D模型重構方法進行復雜場景視頻圖像的信息跟蹤識別，設定3個方向，分別為x、y、z，提取復雜場景視頻圖像的關鍵動態特征量，采用幀特征匹配方法，進行復雜場景視頻圖像的動態跟蹤控制，提高復雜場景視頻圖像的信息跟蹤和特征識別能力，建立復雜場景視頻圖像的3維成像模型，表示為：

u=G(x,y;t)；

(1)

(2)

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

根據復雜場景視頻圖像的相似度分布進行3維信息重組，提取復雜場景視頻圖像的相鄰幀特征量，結合匹配濾波檢測的方法，進行復雜場景視頻圖像的高維濾波處理，在復雜運動條件下，多目標跟蹤的場景融合濾波檢測為：

gi=〈f,dγ0〉dγ0+σ。

(3)

其中〈f,dγ0〉表示復雜場景視頻圖像的像素特征點在dγ0方向上的統計特征分布集。

根據時間維度的關聯性，建立復雜場景視頻圖像的視頻分布集，利用背景建模的方法，進行目標的自動跟蹤檢測，得到特征配準結果f(gi)為：

(4)

由此獲得復雜場景視頻圖像的特征匹配集。

根據外輪廓的位置信息分布，進行多目標跟蹤過程中的速度信息匹配，得到模板大小為M×N，重建復雜場景視頻圖像的灰色關聯特征分布集[6]，得到視頻運動目標的匹配函數式為：

(5)

結合檢測跟蹤的方法，進行區域匹配，根據目標的尺度和姿態信息進行深度融合，提高復雜場景視頻圖像的檢測和識別能力[7]。

1.2 復雜場景視頻圖像增強處理

采用邊緣特征分割和Harris角點特征檢測方法進行復雜場景視頻圖像的多維尺度分解，構建目標圖像的3維成像模型。采用邊緣特征分割和Harris角點特征檢測方法進行復雜場景視頻圖像的多維尺度分解[8]，構建目標圖像的3維成像模型，得到紋理結果分布為：

s(k)=Φ·s(k-1)+w(k)，

(6)

其中

(7)

根據復雜場景視頻圖像的紋理、細節區域進行圖像的3維紋理結構重組，提取模糊復雜場景視頻圖像增強表達式為：

(1-t(x))。

(8)

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

2 復雜場景視頻圖像多目標跟蹤

2.1 復雜場景視頻圖像的像素序列重組

在構建復雜場景視頻圖像的3維成像模型，采用邊緣特征分割和Harris角點特征檢測方法進行復雜場景視頻圖像的多維尺度分解的基礎上，進行復雜場景視頻圖像的像素序列重組，實現多目標跟蹤，提出基于移動增強現實技術的復雜場景視頻圖像多目標跟蹤方法。構建目標圖像的3維成像模型，得到復雜場景視頻圖像虛擬重構的正態分布函數為：

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

(9)

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

IDFi(v)=log(n/Fi(v))，

(10)

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

D={Si,j(t),Ti,j(t),Ui,j(t)}，

(11)

其中，Si,j(t)表示3維視覺下復雜場景視頻圖像輪廓線，Ti,j(t)表示3維空間目標的自相關特征匹配，Ui,j(t)表示復雜場景視頻圖像成像的稠密度光流特征分布，由此構建復雜場景視頻圖像的像素序列重組模型，根據復雜場景視頻圖像像素重構結果進行多目標跟蹤[10]。

2.2 復雜場景視頻圖像多目標跟蹤

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

(12)

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

rβ(X)=RβX-RβX1。

(13)

采用高分辨率的3維重建和移動增強方法，進行復雜場景視頻圖像多目標序列重構，得到目標跟蹤的光流分布特征為：

(14)

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

通過模糊信息融合和聚類分析方法，實現復雜場景視頻圖像的多目標跟蹤，輸出為：

(15)

其中，ai表示復雜場景視頻圖像成像場景的邊緣特征分布系數，j(w,e)為超像素特征序列重構系數，φ(xi)為復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現復雜場景視頻圖像多目標跟蹤中的應用性能，進行實驗分析。實驗以交通視頻圖像為研究對象，進行交通復雜場景視頻下的多目標跟蹤識別，目標場模板參數為120×120、像素跟蹤的強度為80dB、幀匹配系數為0.86，以2組不同場景下的交通視頻為研究對象，得到AIS Dataset數據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，進行目標跟蹤識別，得到結果如圖2所示。

分析圖2得知，所提方法能有效實現復雜場景視頻的多目標跟蹤，目標跟蹤的特征匹配性較好。

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

(16)

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

為了進一步驗證所提方法多目標跟蹤精度，對比文獻[2]、[3]方法，實驗結果如表1所示。

表1 不同方法追蹤結果統計表

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

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

4 結語

通過交通視頻的目標跟蹤研究，提出基于移動增強現實技術的復雜場景視頻圖像多目標跟蹤方法。采用動態信息融合的方法，進行復雜場景視頻圖像的跟蹤識別，實現復雜場景視頻圖像的多目標跟蹤，通過移動增強現實技術進行復雜場景視頻圖像多目標跟蹤過程中的自適應尋優，提高復雜場景視頻圖像多目標跟蹤的準確性。分析得知，采用本文方法進行復雜場景視頻圖像多目標跟蹤的準確度較高，目標跟蹤的特征匹配性較好，可提高交通視頻中的多目標跟蹤識別能力。