VR全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤

蔡小愛，張海民

(1.宣城職業(yè)技術(shù)學(xué)院，安徽 宣城 242000；2.安徽信息工程學(xué)院，安徽 蕪湖 241000)

隨著虛擬現(xiàn)實(shí)和視景仿真技術(shù)的發(fā)展，采用虛擬視景仿真技術(shù)進(jìn)行VR全景視頻運(yùn)動(dòng)區(qū)域重構(gòu)，在全景視頻環(huán)境下進(jìn)行VR全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的跟蹤識(shí)別，提高VR全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的準(zhǔn)確檢測(cè)和視覺信息跟蹤識(shí)別能力，研究VR全景視頻運(yùn)動(dòng)區(qū)域的跟蹤方法在視頻成像和目標(biāo)識(shí)別中具有重要意義，在進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)跟蹤研究中，受到目標(biāo)自身的隨機(jī)性和環(huán)境擾動(dòng)性等因素的影響[1]，導(dǎo)致全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的跟蹤能力不好，需要結(jié)合視覺融合和圖像優(yōu)化處理技術(shù)，提高全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的跟蹤識(shí)別能力，相關(guān)的全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)跟蹤方法研究受到人們的極大關(guān)注[2].本文提出基于VR技術(shù)的全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤方法.建立全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的虛擬成像模型，采用時(shí)頻特征提取和多元信息跟蹤融合方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的特征提取和像素跟蹤識(shí)別，實(shí)現(xiàn)對(duì)目標(biāo)圖像的優(yōu)化特征分離，結(jié)合多尺度小波分解方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的特征分解，提高目標(biāo)跟蹤能力，最后進(jìn)行仿真測(cè)試分析，得出有效性結(jié)論.

1 全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像及預(yù)處理

1.1 全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像

EFA(θ*,ρ*)=(θe,ρe)

(1)

設(shè)h為全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的邊緣像素集，設(shè)定基準(zhǔn)線為(θe,ρe)，在成像區(qū)域，以全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的灰度特征量為x軸，進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的特征重構(gòu)[5]，得到全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的灰度特征(EX,EY,EZ)重組輸出為：

(2)

根據(jù)上述分析，以ρe-R為位移單位進(jìn)行x軸方向平移，建立全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像模型，全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的三維流形分布如圖1所示.

1.2 全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像特征分析

圖1 全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的三維流形

建立全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的虛擬成像模型，提取全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像的邊緣輪廓特征值[6]，構(gòu)建VR全景視頻運(yùn)動(dòng)區(qū)域分布二維張量可以用一個(gè)2×2的矩陣表示：

(3)

s≤t?κs(A)≤κt(A)

(4)

(5)

(6)

式中，κ(A)為目標(biāo)圖像分塊融合模型.

考慮VR全景視頻運(yùn)動(dòng)目標(biāo)區(qū)域的灰度圖像f，對(duì)任意像素(x,y)，采用模糊信息融合的方法，建立VR全景視頻運(yùn)動(dòng)成像的拓?fù)浣Y(jié)構(gòu)為：

(7)

(8)

對(duì)任意像素的視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像(x,y)∈E，令灰度特征值為A(x,y)={T(s,t)|(s,t)∈B(x,y)}，根據(jù)分塊融合結(jié)果，進(jìn)行視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的特征提取和目標(biāo)跟蹤識(shí)別[8].

2 全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤

2.1 目標(biāo)特征提取

在上述建立全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的虛擬成像模型的基礎(chǔ)上，進(jìn)行目標(biāo)跟蹤算法的優(yōu)化設(shè)計(jì)，本文提出基于VR技術(shù)的全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤方法，提取全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像的邊緣輪廓特征值，采用角點(diǎn)跟蹤檢測(cè)方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域融合處理和圖像像素融合，對(duì)于圖像的Harris角點(diǎn)f，結(jié)合分塊檢測(cè)的方法，得到目標(biāo)像素集為(x,y)，采用差分信息融合的方法，建立圖像的目標(biāo)特征匹配模型，得到灰度鄰域?yàn)锽(x,y)，對(duì)圖像進(jìn)行自適應(yīng)加權(quán)融合，提取全景視頻運(yùn)動(dòng)區(qū)域關(guān)聯(lián)信息，得到全序列目標(biāo)融合的特征量GD為：

(9)

I(x,y)表示全景視頻運(yùn)動(dòng)區(qū)域圖像在(x,y)處的灰度值，L(x,y,σ)表示高斯尺度，對(duì)全景視頻運(yùn)動(dòng)區(qū)域的向量量化編碼和融合處理[9]，得到量化編碼集g(w,θ)為：

(10)

其中，θj=jπ/J,j={0,1,...,J-1}為全景視頻運(yùn)動(dòng)區(qū)域成像的關(guān)聯(lián)規(guī)則特征集，對(duì)全景視頻運(yùn)動(dòng)區(qū)域中的色度信息進(jìn)行自適應(yīng)融合，得到圖像的信息熵表示為：

(11)

采用灰度窗口匹配方法，建立全景視頻運(yùn)動(dòng)區(qū)域圖像特征分割模型，得到圖像融合特征：

(12)

設(shè)特征集F(x,y)∈{g(x,y)-1,g(x,y),g(x,y)+1}，采用時(shí)頻跟蹤融合方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)圖像的像素特征分離，提高運(yùn)動(dòng)目標(biāo)區(qū)域精準(zhǔn)跟蹤和識(shí)別能力.

2.2 目標(biāo)跟蹤輸出

提取全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的關(guān)聯(lián)特征量，采用時(shí)頻跟蹤融合方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)區(qū)域融合，建立全景視頻運(yùn)動(dòng)區(qū)域圖像融合的關(guān)聯(lián)算子，得到輸出的關(guān)聯(lián)在特征集定義如下：

(13)

(14)

考慮論域E上的全景視頻運(yùn)動(dòng)區(qū)域圖像的關(guān)聯(lián)映射F:E→R3，設(shè)T:E→PDS(2)為統(tǒng)計(jì)特征集，得到全景視頻運(yùn)動(dòng)區(qū)域圖像高維尺度分割的張量模型為(S,I)，圖像的全序重構(gòu)輸出為：

Ai≤(S,I)Aj?h(S,I)(Ai)≤h(S,I)(Aj)

(15)

h(S,I)(A)=K(S,A)-K(I,A)

(16)

采用形態(tài)學(xué)算法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域圖像的梯度分解，得到梯度模型，在邊緣像素集中，進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域圖像重建，得到歸一化重建系數(shù)SP為：

(17)

根據(jù)上述分析，提取全景視頻運(yùn)動(dòng)區(qū)域圖像的VR視景特征量，在虛擬視景仿真模型中實(shí)現(xiàn)全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的精準(zhǔn)跟蹤和識(shí)別，得到優(yōu)化識(shí)別輸出為：A(x,y)={T(s,t)|(s,t)∈B(x,y)}，通過自適應(yīng)特征匹配方法，實(shí)現(xiàn)在虛擬視景仿真模型中實(shí)現(xiàn)全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的精準(zhǔn)跟蹤[10].

3 仿真實(shí)驗(yàn)與結(jié)果分析

圖2 不同幀下的運(yùn)動(dòng)區(qū)域目標(biāo)跟蹤結(jié)果

分析上述仿真結(jié)果得知，采用所提方法能有效實(shí)現(xiàn)對(duì)全景視頻下的運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤，視頻跟蹤的精度較高，特征分辨能力較好.測(cè)試跟蹤精度，得到對(duì)比結(jié)果如圖3所示.

圖3 跟蹤精度對(duì)比測(cè)試

分析圖3得知，所提方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)跟蹤的精度較高.

4 結(jié) 語

提出基于VR技術(shù)的全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤方法.提取全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)成像的邊緣輪廓特征值，建立VR全景視頻運(yùn)動(dòng)區(qū)域融合模型，結(jié)合近鄰點(diǎn)像素序列重排方法進(jìn)行VR全景視頻運(yùn)動(dòng)特征重組，采用自適應(yīng)加權(quán)方法進(jìn)行圖像的加權(quán)融合，結(jié)合分塊檢測(cè)的方法建立圖像的目標(biāo)特征匹配模型，提取全景視頻運(yùn)動(dòng)區(qū)域關(guān)聯(lián)信息，在虛擬視景仿真模型中實(shí)現(xiàn)全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)的精準(zhǔn)跟蹤和識(shí)別.分析得知，本方法進(jìn)行全景視頻運(yùn)動(dòng)區(qū)域目標(biāo)精準(zhǔn)跟蹤的精度較高，分辨能力較好.