三維空間VR成像的小區(qū)域目標跟蹤仿真

尹丹丹,劉 強,侯曉凌

(1. 鄭州科技學院信息化建設與管理中心,河南 鄭州 450064;2. 鄭州科技學院信息工程學院,河南 鄭州 450064;3. 山西大同大學計算機與網絡工程學院,山西 大同 037009)

1 引言

當前,目標跟蹤技術被廣泛應用于交通指導[1]、人機交互、虛擬影像等領域。為了更全面發(fā)揮目標跟蹤技術的應用價值,對虛擬三維空間VR成像小區(qū)域目標跟蹤方法提出了更高的要求,不僅要求較高的小區(qū)域范圍內目標跟蹤效率,還要求其具有良好的精準性[2],因此研究虛擬三維空間VR成像小區(qū)域目標跟蹤方法具有重要意義。

陳富健[3]等人將反遮擋機制引入到虛擬三維空間VR成像小區(qū)域目標跟蹤過程中,首先通過小區(qū)域目標圖像的置信度峰值與變化趨勢設置不同的跟蹤模式,然后將對應的跟蹤策略輸入到孿生時間神經網絡模型中,最后通過模型學習訓練輸出結果,完成虛擬三維空間VR成像小區(qū)域目標的跟蹤。該方法沒有消除圖像中的噪聲,導致跟蹤精度低、圖像處理效果差。湯張泳[4]等人使用殘差神經網絡模型提取虛擬三維空間VR圖像的深度特征,然后針對不同的特征從圖像中分割不同位置的信息作為搜索區(qū)域,最后引入自適應特征融合算法,利用自適應權重融合出所有位置信息的分布圖,完成虛擬三維空間VR成像小區(qū)域目標的跟蹤。該方法沒有對圖像降噪,也沒有利用濾波器剔除背景噪聲,導致圖像處理效果差、跟蹤成功率低。王美霞[5]等人采用灰度化算法處理虛擬三維空間VR成像小區(qū)域目標圖像,然后采用均值濾波算法提升圖像質量,最后利用虛擬-現實技術計算出目標圖像的三維坐標值,完成虛擬三維空間VR成像小區(qū)域目標的跟蹤。該方法沒有構建約束函數,導致算法的跟蹤效率較低。

VR圖像的單位沉浸性、交互性、智能化是區(qū)別于二維圖像的新特征,圖像所在三維空間的立體化也導致了圖像目標具有較高的覆蓋率,目標跟蹤難度較大。為了解決上述方法中存在的問題,提出基于背景約束與卷積特征的虛擬三維空間VR成像小區(qū)域目標跟蹤方法。

2 成像過程與圖像降噪

2.1 虛擬三維空間VR成像過程

虛擬三維空間VR成像過程對小區(qū)域目標的跟蹤具有重要意義。利用空間自旋算法獲取圖像,具體步驟如下:

1)引入三維成像自旋模型[6],如圖1所示。由于目標圖像與模型的距離存在一定差異,所以利用干涉處理算法[7]提取目標圖像的位置信息,然后融入三維立體算法,計算出目標圖像的時變位置坐標,公式如下所示

圖1 三維成像自旋模型

(1)

式中,φ代表調整參數;M、N代表兩個不同的目標圖像;t表示時刻;S表示距離:σ為干涉處理系數。

2)根據得到的時變位置坐標可以獲取目標圖像不同時刻的相位項差,公式如下所示

(2)

3)根據式(2)可以推導出目標圖像之間的參考距離,由于相位項差不是固定不變的,因此為了避免產生相位模糊現象,利用如下公式保證相位項差固定。

(3)

其中,D表示目標圖像點距離X坐標軸的距離。

4)相位項差固定后,將目標圖像在X軸和Z軸的時變位置坐標重構。通過將不同坐標軸的時變坐標結合即可獲得虛擬三維空間VR圖像。

(4)

2.2 圖像降噪

利用空間自旋算法獲取的虛擬三維空間VR圖像,其中存在大量椒鹽噪聲和高斯噪聲,為了避免噪聲對跟蹤結果產生干擾,利用中值濾波和小波系數變化消除圖像中的噪聲[8],具體步驟如下:

1)椒鹽噪聲的存在會隨機改變虛擬三維空間VR圖像的像素值,基于中值濾波和小波系數變化降噪法,首先引入4×4中值濾波,大范圍去除圖像中的椒鹽噪聲。

2)引入haar小波提升模型。利用模型的可逆轉變化得到提升小波系數,實現虛擬三維空間VR圖像的分解[9],將圖像分為高頻圖像和低頻圖像。公式如下所示:

(5)

式中,e代表實際值與預測值之間的誤差;u表示的是圖像低頻區(qū)域;k表示虛擬三維空間圖像的像素點;l表示的是預測函數。

3)高頻圖像可以清晰體現虛擬三維空間VR圖像的紋理特征,因此高斯噪聲主要存在于高頻圖像中。利用高頻圖像的小波系數來預測噪聲標準方差,然后利用小波系數降噪法消除高頻圖像中的高斯噪聲,公式如下所示

(6)

其中,η代表噪聲標準差;median為中間值;Q表示小波系數;A、B分別表示兩個不同圖像的尺寸。

4)低頻圖像可以表達虛擬三維空間VR圖像的輪廓特征,所以散斑噪聲大部分存在于其中,將變化后的低頻圖像通過小波系數實行閾值量化處理,公式如下所示,其中V代表閾值函數。

(7)

5)將處理后的高頻圖像與低頻圖像通過小波系數重新融合[10]到一起,獲得去除噪聲后的虛擬三維空間VR圖像。

3 基于背景約束與卷積特征的圖像小區(qū)域目標跟蹤

在濾波器訓練過程中引入背景約束[11],然后通過設置卷積特征濾波器與峰值信號比檢測方法,完成目標跟蹤,具體步驟如下所示;

1)首先設置一個目標響應器,然后將降噪后的虛擬三維空間目標圖像輸入到其中求解相關濾波器算子,公式如下所示

(8)

式中,φ代表相關濾波器算子;μ為擬合正則項;?表示相關濾波器自參數;F為目標圖像局部特征;g為高斯目標回應;c為自變量集合;h表示濾波算子;⊙表示相關濾波運算。

2)為了抑制背景信息,以原目標函數為基礎,構建新的背景約束正則函數P[12],公式如下所示

(9)

3)引入目標函數,將其與式(9)中的約束正則函數組合[13],背景圖形樣本的噪聲響應值計算式如下所示

(10)

4)將目標與背景區(qū)域的特征展開[14],用矩陣模型G表達,公式如下所示

(11)

5)根據矩陣模型,將目標函數轉換成對濾波器自參數求導的過程,當導數為零時,濾波器自參數可用如下公式表示

(12)

式中,U表示導數;J表示響應矩陣。

6)利用卷積定理,在頻域中對濾波器的元素求解,即通過哈達瑪原理,使其維度與背景區(qū)域的特征維度相呼應,此時濾波器在任意維度的表達式C、Ch可用如下公式表示

(13)

7)通過響應圖的融合[15]計算出相應融合結果,得到最終響應結果,然后在最大響應處找到目標圖像位置,更新濾波器參數,完成虛擬三維空間VR成像小區(qū)域目標的跟蹤,具體公式如下所示

(14)

其中,R表示最終響應;w為更新后的濾波器參數;ρ為學習率;r表示濾波響應系數。

4 實驗與分析

為了驗證基于背景約束與卷積特征的虛擬三維空間VR成像小區(qū)域目標跟蹤方法的整體有效性,需要對其做如下測試。

將算法的跟蹤精度、跟蹤效率、成功率和圖像處理效果作為指標,采用基于背景約束與卷積特征的虛擬三維空間VR成像小區(qū)域目標跟蹤方法、文獻[4]提出的基于自適應特征融合的圖像目標跟蹤方法和文獻[5]提出的基于虛擬現實技術的圖像目標跟蹤方法做出對比測試。

1)跟蹤精度驗證

在虛擬三維空間VR成像小區(qū)域目標跟蹤結果中,采用位置跟蹤誤差作為評價各方法跟蹤精度的指標。位置跟蹤誤差數值越大,表明方法的跟蹤精度越低;位置跟蹤誤差數值越小,表明方法的跟蹤精度越高。測試結果如圖2所示。

圖2 不同算法的跟蹤位置誤差

由圖2可知,對于虛擬三維空間VR成像小區(qū)域目標的跟蹤,研究方法的跟蹤位置誤差數值遠低于文獻方法的跟蹤位置誤差。說明研究方法的跟蹤精度更高。并且隨著實驗次數的增加,研究方法的跟蹤位置誤差數值比較穩(wěn)定,沒有出現明顯波動,而文獻方法的跟蹤誤差精度上下波動較大,說明研究方法跟蹤精度的穩(wěn)定性優(yōu)于文獻算法。

2)跟蹤效率驗證

跟蹤效率是評價算法效率的主要指標,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。采用不同方法跟蹤100幅虛擬三維空間VR成像小區(qū)域目標圖像,對比不同方法的跟蹤效率。不同方法的測試結果如表1所示。

表1 不同算法的跟蹤效率

分析表1中的數據可知,研究方法的跟蹤效率在16幅·s-1附近波動,文獻方法的跟蹤效率分別在35幅·s-1和29幅·s-1附近波動。通過對比發(fā)現,在不同實驗序號下研究方法的跟蹤效率均高于文獻方法的跟蹤效率,表明研究方法的跟蹤效率更高。

3)圖像目標跟蹤成功率驗證

在上述實驗的環(huán)境下,對比不同方法和基于虛擬現實技術的圖像目標跟蹤方法跟蹤虛擬三維空間VR成像小區(qū)域目標圖像的成功率,測試結果用圖3表示。

圖3 不同算法的成功率

分析圖3可知,針對虛擬三維空間VR成像小區(qū)域目標的跟蹤,在不同實驗序號下,研究方法的跟蹤成功率均高于當前已有的兩種方法的跟蹤成功率。并且研究方法的跟蹤成功率穩(wěn)定性強于文獻方法的跟蹤成功率。

4)圖像處理主觀效果可視化驗證

為了體現實驗的直觀性,采用不同方法處理圖4(a)中的虛擬三維空間VR圖像,不同方法的處理結果分別如圖4(b)、圖4(c)和圖4(d)所示。

圖4 不同算法處理圖像效果

分析圖4可知,針對虛擬三維空間VR成像小區(qū)域目標圖像的處理,研究方法處理的圖像清晰、視覺效果好;文獻方法處理的圖像亮度值低;基于虛擬現實技術的圖像目標跟蹤方法處理的圖像細節(jié)失真,表明研究方法處理圖像效果強于文獻方法。研究方法在對虛擬三維空間VR成像小區(qū)域目標跟蹤過程中,采用中值濾波和小波系數變化消除圖像中的噪聲,進而在跟蹤過程中不受噪聲的影響,表明研究方法具有良好的抗噪聲能力。

5 結束語

目前虛擬三維空間VR成像小區(qū)域目標跟蹤算法存在跟蹤精度低、效率慢以及圖像處理后細節(jié)保留效果差等問題,為此提出基于背景約束與卷積特征的虛擬三維空間VR成像小區(qū)域目標跟蹤方法。該算法首先獲取虛擬三維空間VR圖像,然后對圖像作出降噪處理,避免噪聲在跟蹤過程中產生干擾,進而解決了傳統方法中存在的問題,提高了算法的跟蹤精度和跟蹤效率的同時,也提升了算法的成功率和圖像處理效果。提高了圖像的保真度、保證了圖像質量,同時提升了壓縮效率,為虛擬三維空間VR成像小區(qū)域目標的跟蹤奠定了基礎。