尹丹丹,刘 强,侯晓凌

(1. 郑州科技学院信息化建设与管理中心,河南 郑州 450064;2. 郑州科技学院信息工程学院,河南 郑州 450064;3. 山西大同大学计算机与网络工程学院,山西 大同 037009)

1 引言

当前,目标跟踪技术被广泛应用于交通指导[1]、人机交互、虚拟影像等领域。为了更全面发挥目标跟踪技术的应用价值,对虚拟三维空间VR成像小区域目标跟踪方法提出了更高的要求,不仅要求较高的小区域范围内目标跟踪效率,还要求其具有良好的精准性[2],因此研究虚拟三维空间VR成像小区域目标跟踪方法具有重要意义。

陈富健[3]等人将反遮挡机制引入到虚拟三维空间VR成像小区域目标跟踪过程中,首先通过小区域目标图像的置信度峰值与变化趋势设置不同的跟踪模式,然后将对应的跟踪策略输入到孪生时间神经网络模型中,最后通过模型学习训练输出结果,完成虚拟三维空间VR成像小区域目标的跟踪。该方法没有消除图像中的噪声,导致跟踪精度低、图像处理效果差。汤张泳[4]等人使用残差神经网络模型提取虚拟三维空间VR图像的深度特征,然后针对不同的特征从图像中分割不同位置的信息作为搜索区域,最后引入自适应特征融合算法,利用自适应权重融合出所有位置信息的分布图,完成虚拟三维空间VR成像小区域目标的跟踪。该方法没有对图像降噪,也没有利用滤波器剔除背景噪声,导致图像处理效果差、跟踪成功率低。王美霞[5]等人采用灰度化算法处理虚拟三维空间VR成像小区域目标图像,然后采用均值滤波算法提升图像质量,最后利用虚拟-现实技术计算出目标图像的三维坐标值,完成虚拟三维空间VR成像小区域目标的跟踪。该方法没有构建约束函数,导致算法的跟踪效率较低。

VR图像的单位沉浸性、交互性、智能化是区别于二维图像的新特征,图像所在三维空间的立体化也导致了图像目标具有较高的覆盖率,目标跟踪难度较大。为了解决上述方法中存在的问题,提出基于背景约束与卷积特征的虚拟三维空间VR成像小区域目标跟踪方法。

2 成像过程与图像降噪

2.1 虚拟三维空间VR成像过程

虚拟三维空间VR成像过程对小区域目标的跟踪具有重要意义。利用空间自旋算法获取图像,具体步骤如下:

1)引入三维成像自旋模型[6],如图1所示。由于目标图像与模型的距离存在一定差异,所以利用干涉处理算法[7]提取目标图像的位置信息,然后融入三维立体算法,计算出目标图像的时变位置坐标,公式如下所示

图1 三维成像自旋模型

(1)

式中,φ代表调整参数;M、N代表两个不同的目标图像;t表示时刻;S表示距离:σ为干涉处理系数。

2)根据得到的时变位置坐标可以获取目标图像不同时刻的相位项差,公式如下所示

(2)

3)根据式(2)可以推导出目标图像之间的参考距离,由于相位项差不是固定不变的,因此为了避免产生相位模糊现象,利用如下公式保证相位项差固定。

(3)

其中,D表示目标图像点距离X坐标轴的距离。

4)相位项差固定后,将目标图像在X轴和Z轴的时变位置坐标重构。通过将不同坐标轴的时变坐标结合即可获得虚拟三维空间VR图像。

(4)

2.2 图像降噪

利用空间自旋算法获取的虚拟三维空间VR图像,其中存在大量椒盐噪声和高斯噪声,为了避免噪声对跟踪结果产生干扰,利用中值滤波和小波系数变化消除图像中的噪声[8],具体步骤如下:

1)椒盐噪声的存在会随机改变虚拟三维空间VR图像的像素值,基于中值滤波和小波系数变化降噪法,首先引入4×4中值滤波,大范围去除图像中的椒盐噪声。

2)引入haar小波提升模型。利用模型的可逆转变化得到提升小波系数,实现虚拟三维空间VR图像的分解[9],将图像分为高频图像和低频图像。公式如下所示:

(5)

式中,e代表实际值与预测值之间的误差;u表示的是图像低频区域;k表示虚拟三维空间图像的像素点;l表示的是预测函数。

3)高频图像可以清晰体现虚拟三维空间VR图像的纹理特征,因此高斯噪声主要存在于高频图像中。利用高频图像的小波系数来预测噪声标准方差,然后利用小波系数降噪法消除高频图像中的高斯噪声,公式如下所示

(6)

其中,η代表噪声标准差;median为中间值;Q表示小波系数;A、B分别表示两个不同图像的尺寸。

4)低频图像可以表达虚拟三维空间VR图像的轮廓特征,所以散斑噪声大部分存在于其中,将变化后的低频图像通过小波系数实行阈值量化处理,公式如下所示,其中V代表阈值函数。

(7)

5)将处理后的高频图像与低频图像通过小波系数重新融合[10]到一起,获得去除噪声后的虚拟三维空间VR图像。

3 基于背景约束与卷积特征的图像小区域目标跟踪

在滤波器训练过程中引入背景约束[11],然后通过设置卷积特征滤波器与峰值信号比检测方法,完成目标跟踪,具体步骤如下所示;

1)首先设置一个目标响应器,然后将降噪后的虚拟三维空间目标图像输入到其中求解相关滤波器算子,公式如下所示

(8)

式中,φ代表相关滤波器算子;μ为拟合正则项;ϖ表示相关滤波器自参数;F为目标图像局部特征;g为高斯目标回应;c为自变量集合;h表示滤波算子;⊙表示相关滤波运算。

2)为了抑制背景信息,以原目标函数为基础,构建新的背景约束正则函数P[12],公式如下所示

(9)

3)引入目标函数,将其与式(9)中的约束正则函数组合[13],背景图形样本的噪声响应值计算式如下所示

(10)

4)将目标与背景区域的特征展开[14],用矩阵模型G表达,公式如下所示

(11)

5)根据矩阵模型,将目标函数转换成对滤波器自参数求导的过程,当导数为零时,滤波器自参数可用如下公式表示

(12)

式中,U表示导数;J表示响应矩阵。

6)利用卷积定理,在频域中对滤波器的元素求解,即通过哈达玛原理,使其维度与背景区域的特征维度相呼应,此时滤波器在任意维度的表达式C、Ch可用如下公式表示

(13)

7)通过响应图的融合[15]计算出相应融合结果,得到最终响应结果,然后在最大响应处找到目标图像位置,更新滤波器参数,完成虚拟三维空间VR成像小区域目标的跟踪,具体公式如下所示

(14)

其中,R表示最终响应;w为更新后的滤波器参数;ρ为学习率;r表示滤波响应系数。

4 实验与分析

为了验证基于背景约束与卷积特征的虚拟三维空间VR成像小区域目标跟踪方法的整体有效性,需要对其做如下测试。

将算法的跟踪精度、跟踪效率、成功率和图像处理效果作为指标,采用基于背景约束与卷积特征的虚拟三维空间VR成像小区域目标跟踪方法、文献[4]提出的基于自适应特征融合的图像目标跟踪方法和文献[5]提出的基于虚拟现实技术的图像目标跟踪方法做出对比测试。

1)跟踪精度验证

在虚拟三维空间VR成像小区域目标跟踪结果中,采用位置跟踪误差作为评价各方法跟踪精度的指标。位置跟踪误差数值越大,表明方法的跟踪精度越低;位置跟踪误差数值越小,表明方法的跟踪精度越高。测试结果如图2所示。

图2 不同算法的跟踪位置误差

由图2可知,对于虚拟三维空间VR成像小区域目标的跟踪,研究方法的跟踪位置误差数值远低于文献方法的跟踪位置误差。说明研究方法的跟踪精度更高。并且随着实验次数的增加,研究方法的跟踪位置误差数值比较稳定,没有出现明显波动,而文献方法的跟踪误差精度上下波动较大,说明研究方法跟踪精度的稳定性优于文献算法。

2)跟踪效率验证

跟踪效率是评价算法效率的主要指标,效率越快,表明算法的效率越高;效率越慢,表明算法的效率越低。采用不同方法跟踪100幅虚拟三维空间VR成像小区域目标图像,对比不同方法的跟踪效率。不同方法的测试结果如表1所示。

表1 不同算法的跟踪效率

分析表1中的数据可知,研究方法的跟踪效率在16幅·s-1附近波动,文献方法的跟踪效率分别在35幅·s-1和29幅·s-1附近波动。通过对比发现,在不同实验序号下研究方法的跟踪效率均高于文献方法的跟踪效率,表明研究方法的跟踪效率更高。

3)图像目标跟踪成功率验证

在上述实验的环境下,对比不同方法和基于虚拟现实技术的图像目标跟踪方法跟踪虚拟三维空间VR成像小区域目标图像的成功率,测试结果用图3表示。

图3 不同算法的成功率

分析图3可知,针对虚拟三维空间VR成像小区域目标的跟踪,在不同实验序号下,研究方法的跟踪成功率均高于当前已有的两种方法的跟踪成功率。并且研究方法的跟踪成功率稳定性强于文献方法的跟踪成功率。

4)图像处理主观效果可视化验证

为了体现实验的直观性,采用不同方法处理图4(a)中的虚拟三维空间VR图像,不同方法的处理结果分别如图4(b)、图4(c)和图4(d)所示。

图4 不同算法处理图像效果

分析图4可知,针对虚拟三维空间VR成像小区域目标图像的处理,研究方法处理的图像清晰、视觉效果好;文献方法处理的图像亮度值低;基于虚拟现实技术的图像目标跟踪方法处理的图像细节失真,表明研究方法处理图像效果强于文献方法。研究方法在对虚拟三维空间VR成像小区域目标跟踪过程中,采用中值滤波和小波系数变化消除图像中的噪声,进而在跟踪过程中不受噪声的影响,表明研究方法具有良好的抗噪声能力。

5 结束语

目前虚拟三维空间VR成像小区域目标跟踪算法存在跟踪精度低、效率慢以及图像处理后细节保留效果差等问题,为此提出基于背景约束与卷积特征的虚拟三维空间VR成像小区域目标跟踪方法。该算法首先获取虚拟三维空间VR图像,然后对图像作出降噪处理,避免噪声在跟踪过程中产生干扰,进而解决了传统方法中存在的问题,提高了算法的跟踪精度和跟踪效率的同时,也提升了算法的成功率和图像处理效果。提高了图像的保真度、保证了图像质量,同时提升了压缩效率,为虚拟三维空间VR成像小区域目标的跟踪奠定了基础。