基于雙目視覺的呼吸運(yùn)動(dòng)實(shí)時(shí)跟蹤方法研究

朱超華 陳武凡 徐子海 陳超敏 賀志強(qiáng)*（南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，廣州 5055）

2（解放軍303醫(yī)院放射治療中心，南寧 530021）

引言

對(duì)腫瘤靶區(qū)的精確性定位，是體外分次放療的關(guān)鍵問題。使用立體定向技術(shù)，可以為頭頸部的腫瘤靶區(qū)制訂出高精度的治療計(jì)劃［1］。但是，在呼吸等生理因素的影響下，位于胸腹部的腫瘤及其周圍組織動(dòng)態(tài)地變化。相關(guān)研究表明，胸隔膜在呼吸運(yùn)動(dòng)的影響下活動(dòng)范圍可達(dá)0.5～2.0cm，并且個(gè)體的差異性很大［2-3］。為了減少呼吸運(yùn)動(dòng)造成的不利后果，傳統(tǒng)解決方案一般采用等中心位移和呼吸門控等手段［4］，這些方法對(duì)患者的呼吸和狀態(tài)要求嚴(yán)格，治療效率低，正常組織仍然受到照射傷害。采取擴(kuò)大邊界的方式往往會(huì)危及到正常器官，因此外擴(kuò)靶區(qū)的治療手段極不安全。

實(shí)時(shí)跟蹤腫瘤靶區(qū)的關(guān)鍵就是計(jì)算出腫瘤靶區(qū)在空間中隨時(shí)間變化的具體位置。有研究者采用平板kV級(jí)X射線成像系統(tǒng)［5］、紅外線跟蹤體外標(biāo)記加正交X線成像（Cyberknife-賽博刀）定位系統(tǒng)［6］和4DCT成像系統(tǒng)［7］等引導(dǎo)放療，在一定程度上解決了腫瘤靶區(qū)精確定位的問題。但是，成人的正常呼吸周期為4～5s，由呼吸運(yùn)動(dòng)導(dǎo)致的腫瘤靶區(qū)運(yùn)動(dòng)時(shí)刻都在發(fā)生，而一般的X線機(jī)的系統(tǒng)成像周期為1min［6］，加上圖像配準(zhǔn)及電機(jī)驅(qū)動(dòng)等延時(shí)，因此并不能做到準(zhǔn)確實(shí)時(shí)，并且不停的X線掃描具有一定的副作用。基于4D-CT成像的基本原理，它需要病人嚴(yán)格配合并進(jìn)行呼吸訓(xùn)練，復(fù)雜性較高，由于不是在治療的同時(shí)獲得圖像，因此也不是真實(shí)意義上的實(shí)時(shí)腫瘤靶區(qū)跟蹤。研究和探索一種能夠?qū)崟r(shí)跟蹤靶區(qū)、提高治療精度和效果且給患者傷害最小的方法，仍然是眾多科研工作者的共同努力方向。

下面介紹一種基于圖像尺度不變特征變換（SIFT）的雙目視覺實(shí)時(shí)跟蹤腹部表面運(yùn)動(dòng)的測量方法，對(duì)動(dòng)態(tài)自適應(yīng)中的跟蹤模型、時(shí)間響應(yīng)和跟蹤精度等幾個(gè)關(guān)鍵技術(shù)問題進(jìn)行了研究和實(shí)驗(yàn)。大家都知道，在雙目視覺的三維坐標(biāo)計(jì)算過程中，準(zhǔn)確匹配出左右視覺圖片中的同一物體是計(jì)算精度最重要的保證。由于圖像的SIFT特征對(duì)尺度、旋轉(zhuǎn)、亮度、仿射、噪聲等都具有良好的不變性，在混亂和遮擋情況下也可魯棒地識(shí)別目標(biāo)，所以本系統(tǒng)采用圖像的SIFT特征進(jìn)行配準(zhǔn)。Mikolajczyk K比較了各種局部特征檢測和描述符算法，指出SIFT特征算法具有最好的匹配效果［8］，但是計(jì)算時(shí)間長，一般情況下難以滿足大尺寸圖片配準(zhǔn)的實(shí)時(shí)性要求。因此，本系統(tǒng)采用該算法進(jìn)行配準(zhǔn)時(shí)，在配準(zhǔn)圖像的選取過程中采用動(dòng)態(tài)采集左右視頻圖像感興趣區(qū)域的方法，減少了提取整張視頻圖片SIFT特征所需要的大量時(shí)間，較好地滿足了雙目視覺跟蹤的實(shí)時(shí)性要求。

1 方法

雙目視覺測量跟蹤的基本原理是：通過已經(jīng)標(biāo)定好的兩個(gè)攝像頭，對(duì)以不同角度同時(shí)拍攝到的兩幅平面圖像進(jìn)行校準(zhǔn)，再利用已知被跟蹤目標(biāo)圖像的SIFT特征，對(duì)所得到的兩幅圖像進(jìn)行配準(zhǔn)，計(jì)算出被跟蹤物體分別在兩幅圖像質(zhì)心的坐標(biāo)。然后，依據(jù)雙目視覺成像的基本模型，計(jì)算出物體在三維空間中的實(shí)際位置。通過引入時(shí)間變量，可以得到物體在空間的實(shí)時(shí)運(yùn)動(dòng)情況而進(jìn)行運(yùn)動(dòng)跟蹤。

1.1 跟蹤目標(biāo)圖像SIFT特征的配準(zhǔn)

視頻跟蹤的效果取決于視頻圖像的可靠性和圖像配準(zhǔn)的速度?；谔卣鞯钠ヅ浞€(wěn)定可靠，是較適合于視頻圖像中對(duì)特定目標(biāo)配準(zhǔn)的方法。DG Lowe教授總結(jié)了現(xiàn)有的、基于不變量技術(shù)的特征檢測方法，提出了一種基于尺度空間的、對(duì)圖像縮放和旋轉(zhuǎn)甚至仿射變換保持不變的圖像局部特征描述算子—SIF算子，這是一種多尺度技術(shù)［9］。SIFT特征匹配算法思想是：首先在尺度空間進(jìn)行特征檢測，確定關(guān)鍵點(diǎn)（key points）的位置，然后使用關(guān)鍵點(diǎn)鄰域梯度的主方向作為該點(diǎn)的方向特征，以實(shí)現(xiàn)SIFT特征對(duì)尺度和方向的無關(guān)性。SIFT特征匹配算法分為生成SIFT特征向量和特征向量匹配兩個(gè)過程。

1.1.1 生成SIFT特征向量

生成SIFT特征向量包括以下4步：檢測尺度空間極值點(diǎn)、精確定位極值點(diǎn)、為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)和生成關(guān)鍵點(diǎn)的特征向量。

尺度空間理論是模擬圖像數(shù)據(jù)的多尺度特征，尺度空間極值檢測的主要過程是：在尺度空間內(nèi)利用唯一的線性核——高斯核，建立高斯金字塔［10］。為了有效地在尺度空間檢測到穩(wěn)定的關(guān)鍵點(diǎn)，進(jìn)一步提出了高斯差分尺度空間（DOG scale-space），利用不同尺度的高斯差分核與圖像卷積生成，有

在DOG金字塔內(nèi)進(jìn)行極值檢測.最后可以初步確定特征點(diǎn)的位置及所在尺度。為了尋找尺度空間的極值點(diǎn)，每一個(gè)采樣點(diǎn)要和它所有的相鄰點(diǎn)比較，看其是否比它的圖像域和尺度域的相鄰點(diǎn)大或小。

精確定位極值點(diǎn)的作用是消除低對(duì)比度極值點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，獲得圖像局部特征點(diǎn)。通過擬和三維二次函數(shù)，以精確地確定關(guān)鍵點(diǎn)的位置和尺度（達(dá)到亞像素精度）；同時(shí)刪掉低對(duì)比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)（因?yàn)镈OG算子會(huì)產(chǎn)生較強(qiáng)的邊緣響應(yīng)），以增強(qiáng)匹配穩(wěn)定性、提高抗噪聲能力。

對(duì)于選定的圖像局部特征點(diǎn)，利用特征點(diǎn)鄰域像素的梯度方向分布特性，為每個(gè)特征點(diǎn)指定其方向參數(shù)，使得SIFT算子具有旋轉(zhuǎn)不變性。

下式為（x，y）處梯度的模和方向公式，有式中，L所用的尺度為每個(gè)關(guān)鍵點(diǎn)各自所在的尺度。

以特征點(diǎn)為中心取8×8的窗口，在每4×4的小塊上計(jì)算8個(gè)方向的梯度方向累加值，繪制每個(gè)梯度方向的直方圖，即可形成一個(gè)種子點(diǎn)，每個(gè)種子點(diǎn)有8個(gè)方向的向量信息。Lowe建議對(duì)每個(gè)特征點(diǎn)使用4×4共16個(gè)種子點(diǎn)來描述，這樣對(duì)于一個(gè)特征點(diǎn)就可以產(chǎn)生128個(gè)數(shù)據(jù)，最終形成128維的SIFT特征向量。此時(shí)，SIFT特征向量已經(jīng)去除了尺度變化、旋轉(zhuǎn)等幾何變形因素的影響，再繼續(xù)將特征向量的長度歸一化，則可以進(jìn)一步去除光照變化的影響。

1.1.2 SIFT特征向量的匹配

當(dāng)兩幅圖像的SIFT特征向量生成后，進(jìn)一步采用關(guān)鍵點(diǎn)特征向量的歐式距離作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。取圖像1中的某個(gè)關(guān)鍵點(diǎn)，并找出其與圖像2中歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn)。Lowe采用的方法是使用歐氏距離作為特征點(diǎn)的相似性度量，特征點(diǎn)a、b間的歐氏距離Uab表示為式中，n為特征向量的維數(shù)。

為了排除因?yàn)閳D像遮擋和背景混亂而產(chǎn)生的無匹配關(guān)系的特征點(diǎn)，Lowe提出通過比較最鄰近距離和次鄰近距離來消除錯(cuò)配，有

式中，Umin為最鄰近距離，U1為次鄰近距離，當(dāng)它們的比值小于距離比例閾值R時(shí)判定為正確匹配，否則為錯(cuò)誤匹配。降低比例閾值R，會(huì)使SIFT匹配點(diǎn)數(shù)目減少，但更加穩(wěn)定。

1.1.3 SIFT算法的優(yōu)化

雖然SIFT特征匹配算法具有高度的魯棒性，但是需要大量的計(jì)算時(shí)間。為了提高特征可靠性和配準(zhǔn)速度，在具體情況下，對(duì)SIFT算法做以下優(yōu)化。

1）SIFT算法的計(jì)算量主要耗費(fèi)在建立尺度空間和生成特征向量，圖像越大，生成的特征向量越多。為此，在第一次完成標(biāo)記物圖像和左右視頻圖像的匹配后，在后續(xù)的左右視頻圖像中，以標(biāo)記物所在的上一幀圖像位置為中心，動(dòng)態(tài)選取匹配區(qū)域來進(jìn)行下一步的配準(zhǔn)，然后再把所獲得的準(zhǔn)確位置映射到原圖像中，所選動(dòng)態(tài)區(qū)域的大小決定了視頻匹配的效率。

2）由于所需配準(zhǔn)的標(biāo)記物的圖片并不在復(fù)雜環(huán)境中，因此需在圖像配準(zhǔn)過程中，進(jìn)一步減小最鄰近和次鄰近距離的比值R，使配準(zhǔn)更加穩(wěn)定、運(yùn)行速度更快。

1.2 雙攝像機(jī)測量原理

物體P在雙攝像頭像平面空間中的成像關(guān)系如圖2所示。

依據(jù)上述分析，得到物體P在左像平面上的坐標(biāo)（xPl，yPl，zPl），可以寫為

同理，物體P在右像平面上的坐標(biāo)（xPr，yPr，zPr）可以寫為

圖1 平行雙目視覺原理Fig.1 Parallel binocular stereo vision schematic diagram

圖2 立體坐標(biāo)Fig.2 Stereo coordinate system

式中，（xl，yl）和（xr，yr）分別為物體在兩個(gè)像平面上的坐標(biāo)，可以分別由在兩副圖像中的像素坐標(biāo)、通過已知的攝像機(jī)內(nèi)部參數(shù)計(jì)算得到（內(nèi)部參數(shù)通過雙攝像頭標(biāo)定得到）。

依據(jù)式（5）和式（6），可以通過獲取目標(biāo)點(diǎn)在兩幅圖像中的位置，在攝像機(jī)坐標(biāo)系中標(biāo)定目標(biāo)點(diǎn)的三維坐標(biāo)［11］。

1.3 雙攝像機(jī)立體標(biāo)定

攝像機(jī)標(biāo)定是通過所攝取的圖像，求解攝像機(jī)的內(nèi)外參數(shù)。攝像機(jī)的外部參數(shù)表示攝像機(jī)的位置和方位相對(duì)于一個(gè)實(shí)際坐標(biāo)系的坐標(biāo)變換，內(nèi)部參數(shù)表示攝像機(jī)的光學(xué)本質(zhì)特性。在本系統(tǒng)中，對(duì)攝像機(jī)的標(biāo)定方案是先分別對(duì)兩個(gè)攝像機(jī)進(jìn)行單個(gè)標(biāo)定，再進(jìn)行立體標(biāo)定。單個(gè)攝像機(jī)的標(biāo)定是分別求出它們的內(nèi)參數(shù)矩陣、畸變系數(shù)、旋轉(zhuǎn)矩陣R和平移向量T，前兩者構(gòu)成了攝像機(jī)的內(nèi)參數(shù)，R和T構(gòu)成了物體位置和方向的攝像機(jī)外參數(shù)。在立體標(biāo)定中，利用旋轉(zhuǎn)矩陣R和平移向量T來聯(lián)系左右攝像機(jī)。對(duì)于給定物體坐標(biāo)系中的任意3D點(diǎn)P，分別代入到左右攝像機(jī)的坐標(biāo)系中，有

相應(yīng)地，P點(diǎn)在兩臺(tái)攝像機(jī)的關(guān)聯(lián)關(guān)系為

式中，R和T分別為兩個(gè)攝像機(jī)之間的旋轉(zhuǎn)矩陣和平移向量。

聯(lián)立等式（7）和式（8），可以得到

即得到了兩臺(tái)攝像機(jī)之間的內(nèi)參數(shù)，可以用來幫助計(jì)算物體在空間中的位置。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 雙攝像機(jī)跟蹤系統(tǒng)的設(shè)計(jì)

由上述分析可知，可以計(jì)算靜態(tài)狀況下選定標(biāo)記物的三維坐標(biāo)。如果要進(jìn)行三維視覺跟蹤，則需要對(duì)時(shí)間序列的視頻圖像進(jìn)行計(jì)算。為了實(shí)現(xiàn)上述功能，將整個(gè)工程細(xì)分成幾個(gè)模塊實(shí)現(xiàn)，包括系統(tǒng)初始化模塊、視頻圖像校準(zhǔn)模塊、標(biāo)記物圖像SIFT特征提取模塊、立體匹配模塊、三維坐標(biāo)計(jì)算模塊和運(yùn)動(dòng)跟蹤實(shí)現(xiàn)模塊，具體流程如圖3所示。

圖3 標(biāo)記物跟蹤處理流程Fig.3 Markers tracking process

1）初始化模塊。該模塊的主要功能是對(duì)攝像機(jī)進(jìn)行立體標(biāo)定，先分別獲取左右攝像機(jī)的內(nèi)外參數(shù)和畸變向量，再進(jìn)行立體標(biāo)定，計(jì)算得到兩攝像機(jī)之間的內(nèi)參數(shù)（R，T）。其中，單個(gè)攝像機(jī)的畸變系數(shù)輸入到視頻圖像校準(zhǔn)模塊，對(duì)視頻圖像進(jìn)行矯正，兩攝像機(jī)之間的內(nèi)參數(shù)（R，T）則用來計(jì)算三維坐標(biāo)。具體方法是：兩臺(tái)攝像機(jī)同時(shí)獲取標(biāo)定棋盤板的系列圖片（共15副7×8的棋盤板圖片），對(duì)于每張圖片，提取棋盤角點(diǎn)、內(nèi)參數(shù)和畸變系數(shù)的計(jì)算。

2）視頻圖像校準(zhǔn)模塊。用標(biāo)定的內(nèi)參數(shù)矩陣，對(duì)獲取的每一幀視頻圖像進(jìn)行校準(zhǔn)。具體過程是：先將原圖像乘以畸變系數(shù)，得到非畸變的圖像，再對(duì)其校正和裁剪成兩幅圖像相重疊區(qū)域的圖片。

3）標(biāo)記物圖像SIFT特征提取模塊和立體匹配模塊。獲取標(biāo)記物圖像和左右攝像機(jī)圖像匹配點(diǎn)。具體方法如下［12］：首先分別建立標(biāo)記物圖像Image_object的SIFT特征點(diǎn)集合Sb，左攝像機(jī)圖像Image_left的SIFT特征點(diǎn)集合Sl和右攝像機(jī)圖像Image_right的SIFT特征點(diǎn)集合Sr。用集合Sb對(duì)集合Sl進(jìn)行搜索，提取具有相同特征的元素，建立集合Sbl；同理，建立集合Sbr。

下面計(jì)算配準(zhǔn)標(biāo)記物的坐標(biāo)。設(shè)空間匹配點(diǎn)集中元素總數(shù)為n，（xi，yi）為點(diǎn)集中的坐標(biāo)，則該點(diǎn)集的中心坐標(biāo)為

將中心坐標(biāo)取整后作為標(biāo)定點(diǎn)圖像坐標(biāo)，分別記為（xl，yl）和（xr，yr）。

4）三維坐標(biāo)計(jì)算模塊。依據(jù)本文1.2節(jié)所述的原理，結(jié)合已經(jīng)求得的（xl，yl）和（xr，yr），可以計(jì)算出物體三維坐標(biāo)。

5）三維運(yùn)動(dòng)計(jì)算模塊。根據(jù)物理學(xué)中速度的定義，要實(shí)現(xiàn)對(duì)標(biāo)記物的實(shí)際速度測量，需要獲得兩個(gè)信息量，一個(gè)是標(biāo)記物的運(yùn)動(dòng)時(shí)間間隔Δt，另一個(gè)是在這段時(shí)間內(nèi)標(biāo)記物的運(yùn)動(dòng)路程S。對(duì)于第k幀到第l幀的時(shí)間間隔tkl，可以通過計(jì)算目標(biāo)運(yùn)動(dòng)期間所經(jīng)歷的視頻序列幀數(shù)和采集頻率得到，即tkl=|l-k|Δt。對(duì)于標(biāo)記物的云動(dòng)路程Skl，可以用空間歐氏幾何知識(shí)來計(jì)算，有

式中，（xk，yk，zk）為第k幀目標(biāo)質(zhì)心的三維坐標(biāo)。

標(biāo)記物的平均運(yùn)動(dòng)速度為：

標(biāo)記物在x、y、z軸方向的運(yùn)動(dòng)速度，則可以計(jì)算為

6）后續(xù)幀的配準(zhǔn)圖像選擇。為了減少計(jì)算量、提高處理速度，在提取第一幀視頻圖像的SIFT特征后，其后續(xù)的圖像的配準(zhǔn)采用以下方式：以前一幀圖片中計(jì)算出的標(biāo)記物的坐標(biāo)（xl，yl）為中心，選定一個(gè)配準(zhǔn)區(qū)域圖像imge_block進(jìn)行匹配，依據(jù)人體腹部隨呼吸運(yùn)動(dòng)的狀況和所采用的視頻采集頻率，選定配準(zhǔn)區(qū)域?yàn)?/p>

式中，（vx，vy）為上一幀所計(jì)算出來的標(biāo)記物的運(yùn)動(dòng)速度，t為視頻的采樣周期，（x，y）為上一幀中標(biāo)記物的坐標(biāo)，w為標(biāo)記物圖像的寬；系數(shù)1.5是為了提高匹配的準(zhǔn)確性，如果過大會(huì)增大所選圖像的配準(zhǔn)區(qū)域，降低效率，過小則有可能丟失標(biāo)記物圖像，導(dǎo)致匹配失敗。

如此循環(huán)執(zhí)行，如果標(biāo)記物丟失，則再到第3步重新執(zhí)行。

2.2 實(shí)驗(yàn)實(shí)施方法

實(shí)驗(yàn)的硬件由2個(gè)平行并排置于治療床上方的攝像頭和1臺(tái)PC組成，PC的配置為4GB RAM，2.66 GHz*4 CPU，Nvidia Geforce 9800 GT顯卡。為了方便實(shí)驗(yàn)進(jìn)行，作者基于C++平臺(tái)開發(fā)了一套實(shí)驗(yàn)軟件系統(tǒng)，用來完成視頻圖像采集、攝像機(jī)標(biāo)定、標(biāo)記物的匹配和三維運(yùn)動(dòng)計(jì)算等工作，最后將標(biāo)記物的運(yùn)動(dòng)結(jié)果動(dòng)態(tài)地顯示出來（攝像機(jī)的采樣頻率為15Hz）。依據(jù)文中第2.1節(jié)所述的工作流程，軟件系統(tǒng)先采集標(biāo)定棋盤圖片，完成立體標(biāo)定。如圖4中的窗口所示，選定一個(gè)條形碼作為標(biāo)記物，將其固定于一個(gè)平躺人的腹部。在圖4中，條形碼實(shí)際位置的邊界由系統(tǒng)自動(dòng)實(shí)時(shí)界定。

3 結(jié)果

根據(jù)實(shí)驗(yàn)記錄，前15幀的數(shù)據(jù)如表1所示，表中記錄了每一幀圖像中提取的SIFT特征點(diǎn)的個(gè)數(shù)和時(shí)間，以及標(biāo)記物（條形碼）在各幀圖像中的二維坐標(biāo)（x，y），三維坐標(biāo)（x，y，z）為實(shí)時(shí)計(jì)算出的標(biāo)記物在三維空間中的具體坐標(biāo)。其中，左右圖像中坐標(biāo)的單位為標(biāo)記物在圖像中的像素點(diǎn)位置。

4 討論

4.1 時(shí)間與匹配準(zhǔn)確性

從表1中可以發(fā)現(xiàn)，在提取第一幀左右圖像的SIFT特征向量時(shí)，在預(yù)設(shè)的條件下，左右圖像的特征個(gè)數(shù)分別為590和610，耗費(fèi)時(shí)間分別達(dá)到了350.56和430.36ms；如果再加上匹配和坐標(biāo)計(jì)算時(shí)間，完成第一幀圖像的三維坐標(biāo)的計(jì)算將接近1s，遠(yuǎn)不能滿足實(shí)時(shí)性。但是，在第二幀以后，由于采用了文中第2.1節(jié)6）所述的優(yōu)化方法，在左右圖像中提取的SIFT特征數(shù)分別為35和30，耗費(fèi)時(shí)間分別降為13.01和14.12ms，加上匹配和坐標(biāo)計(jì)算時(shí)間，每一幀的處理時(shí)間可以在50ms內(nèi)完成。在試驗(yàn)中還發(fā)現(xiàn)，當(dāng)標(biāo)記物隨腹部表面運(yùn)動(dòng)時(shí)會(huì)發(fā)生旋轉(zhuǎn)，角度變換和小部分遮擋導(dǎo)致左右圖像中的特征向量數(shù)目（13）小于標(biāo)記物圖像特征向量數(shù)（25），但系統(tǒng)依然能夠標(biāo)記出標(biāo)記物在圖像中的位置，說明采用此方法的準(zhǔn)確性能夠滿足試驗(yàn)的設(shè)計(jì)要求。

圖1 腹部標(biāo)記物跟蹤。（a）左攝像頭；（b）右攝像頭Fig.1 Abdominal markers tracking figure.（a）the picture from the left camera；（b）the picture from the right camera

表1 實(shí)驗(yàn)數(shù)據(jù)Tab.1 Experimental data

Alper Yilmaz指出，基于圖像的目標(biāo)跟蹤存在一些復(fù)雜因素，主要在于以下幾個(gè)方面［13］：由2D圖像投射到3D圖像過程中信息丟失、圖像噪聲、目標(biāo)的復(fù)雜運(yùn)動(dòng)、目標(biāo)的部分遮擋、復(fù)雜的目標(biāo)形狀、光照變化和實(shí)時(shí)性的要求。在本實(shí)驗(yàn)中，先分別匹配出2D圖像中目標(biāo)的坐標(biāo)位置，避免了圖像直接投射到3D場景中再計(jì)算三維坐標(biāo)而導(dǎo)致的信息丟失。由于采用SIFT算法作為配準(zhǔn)的方法，能很好地解決圖像的光照和仿射變換等問題。上述的實(shí)驗(yàn)結(jié)果也表明，系統(tǒng)能夠解決目標(biāo)發(fā)生部分遮擋、旋轉(zhuǎn)和角度變換的情況。

4.2 測量精度

將各軸向的坐標(biāo)變化在時(shí)間（幀數(shù)）軸上表示出來，可得到如圖5所示的運(yùn)動(dòng)時(shí)間曲線。三維坐標(biāo)中x表示標(biāo)記物的左右運(yùn)動(dòng)方向，如曲線（a）所示；y表示標(biāo)記物在人體頭腳方向運(yùn)動(dòng)的情況，如曲線（b）所示；z表示標(biāo)記物的運(yùn)動(dòng)深度方向，即為標(biāo)記物隨腹部上下運(yùn)動(dòng)的情況，如曲線（c）所示。

圖5 位置-幀數(shù)（時(shí)間）跟蹤曲線。（a）對(duì)應(yīng)于x軸，人體左右方向；（b）對(duì)應(yīng)于y軸，人體的頭腳方向；（c）對(duì)應(yīng)于z軸，腹部的上下運(yùn)動(dòng)方向Fig.5 The Position-Time curve of the tracking.（a）xcoordinate axis for the left and right direction of the body；（b）y coordinate axis for the head and foot direction of the body；（c）z coordinate axis for the up and down direction of the abdomen

由圖5可見，此呼吸周期約為3.5s，標(biāo)記物的運(yùn)動(dòng)范圍分別為前后0.34cm、左右0.25cm、上下1.43cm，與實(shí)際監(jiān)測值的上下運(yùn)動(dòng)距離1.60cm的差為0.17cm。由于標(biāo)記物放置于腹部表面，所以位移變化主要集中在z軸方向，符合人體腹部隨呼吸運(yùn)動(dòng)變化的規(guī)律。

計(jì)算中的誤差主要來源于以下方面：一是攝像機(jī)的內(nèi)部參數(shù)和實(shí)際的誤差，雖然攝像機(jī)系統(tǒng)經(jīng)過立體標(biāo)定，但是標(biāo)定板尺寸和兩攝像間的固定距離存在一定的誤差；二是攝像機(jī)自身的像素限制。

4.3 多點(diǎn)跟蹤與呼吸運(yùn)動(dòng)模型

前面所討論的是基于單點(diǎn)跟蹤呼吸運(yùn)動(dòng)的模型，但在實(shí)際的放療過程中，位于胸腹部的不同位置、具有不同的體積大小、處于不同分期的腫瘤有著不同的運(yùn)動(dòng)模式，單獨(dú)考慮體表標(biāo)記點(diǎn)的呼吸運(yùn)動(dòng)情況，將其等效于腫瘤靶區(qū)的呼吸運(yùn)動(dòng)情況有一定的誤差性。因此，在下一步的工作中，要對(duì)單點(diǎn)跟蹤模型進(jìn)行改進(jìn)，擬采用多點(diǎn)跟蹤呼吸運(yùn)動(dòng)跟蹤法，并結(jié)合4DCT圖像，為個(gè)體構(gòu)建腹部標(biāo)記物-腫瘤相關(guān)性模型。在實(shí)際應(yīng)用過程中，將建立的腫瘤靶區(qū)實(shí)時(shí)運(yùn)動(dòng)軌跡輸入到反饋跟蹤系統(tǒng)中，對(duì)治療過程中的腫瘤靶區(qū)運(yùn)動(dòng)進(jìn)行逆向補(bǔ)償，以期得到更好的胸腹部腫瘤放射治療效果。

5 結(jié)論

本研究采用提取動(dòng)態(tài)范圍圖像和標(biāo)記物圖像的SIFT特征進(jìn)行匹配的方法，實(shí)現(xiàn)了雙目視覺的三維跟蹤。試驗(yàn)結(jié)果表明，通過上述方法測得的標(biāo)記物三維運(yùn)動(dòng)軌跡精確度高、實(shí)時(shí)性好，并且具有良好的穩(wěn)定性。該方法是對(duì)腹部表面單點(diǎn)進(jìn)行運(yùn)動(dòng)跟蹤，如果要建立整個(gè)腹部表面的運(yùn)動(dòng)模型，則還需要對(duì)腹部多特征的運(yùn)動(dòng)進(jìn)行跟蹤分析。同時(shí)，該方法僅僅是對(duì)位于腹部表面的標(biāo)記物跟蹤，在實(shí)際臨床應(yīng)用中，還需要研究胸腹部腫瘤靶區(qū)與標(biāo)記物之間的對(duì)應(yīng)關(guān)系，這一點(diǎn)還需要做很多的工作。

［1］Karger C，J kel O，Debus J，et al.Three-dimensional accuracy and interfractional reproducibility of patient fixation and positioning using a stereotactic head mask system［J］.International Journal of Radiation Oncology Biology Physics，2001，49（5）：1493-1504.

［2］Wu Huanmei，Sharp G，Zhao Qingya，et al.Statistical analysis and correlation discovery of tumor respiratory motion［J］.Physics in Medicine and Biology，2007，52：4761-4774.

［3］張丹丹，張紅志，韓偉，等.呼吸運(yùn)動(dòng)對(duì)肺部腫瘤靶區(qū)受照劑量分布影響的研究［J］.中華放射腫瘤學(xué)雜志，2009，（003）：191-196.

［4］Minohara S，Kanai T，Endo M，et al.Respiratory gated irradiation system for heavy-ion radiotherapy［J］.International Journal of Radiation Oncology Biology Physics.2000，47（4）：1097-1103.

［5］Berbeco RI，Jiang Steve B，Sharp GC，et al.Integrated radiotherapy imaging system（IRIS）：design considerations of tumourtracking with linacgantry-mounted diagnosticx-ray systems with flat-panel detectors［J］.Phys Med Biol，2004，49（2）：243-255.

［6］Chang S，Main W，Martin D，Gibbs I，et al.An analysis of the accuracy of the CyberKnife：a robotic frameless stereotactic radiosurgical system［J］.Neurosurgery，2003，52（1）：140-147.

［7］Weiss E，Wijesooriya K，Dill S，et al.Tumor and normal tissue motion in the thorax during respiration：Analysis of volumetric and positional variations using 4D CT［J］.International Journal of Radiation Oncology，Biology and Physics，2007，67（1）：296-307.

［8］Mikolajczyk K，Leibe B，Schiele B.Local features for object class recognition［J］.Tenth Ieee International Conference on Computer Vision，Vols 1 and 2，Proceedings，2005：1792-1799.

［9］Lowe DG.Distinctive image features from scale-invariant keypoints［J］.International Journal of Computer Vision，2004，60（2）：91-110.

［10］Babaud J，Witkin AP，Baudin M，et al.Uniqueness of the Gaussian Kernel for Scale-Space Filtering［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（1）：26-33.

［11］吳福朝.計(jì)算機(jī)視覺中的數(shù)學(xué)方法［M］.北京：科學(xué)出版社，2008：94-98.

［12］孟浩，程康.基于SIFT特征點(diǎn)的雙目視覺定位［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2009，（006）：649-652.

［13］Yilmaz A，Javed O，Shah M.Object tracking：A survey［J］.Acm Computing Surveys.2006，38（4）：Article No.13.