李振亞

摘 要： 針對(duì)運(yùn)動(dòng)目標(biāo)模型三維建模中，視覺(jué)誤差導(dǎo)致建模的準(zhǔn)確性不好的問(wèn)題，提出一種基于運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償?shù)娜S模型設(shè)計(jì)方法。采用全息投影方法進(jìn)行三維運(yùn)動(dòng)模型圖形采集，結(jié)合邊緣像素特征提取方法進(jìn)行三維模型的體繪制，根據(jù)運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償方法構(gòu)建圖像重構(gòu)的三維數(shù)據(jù)場(chǎng)，進(jìn)行運(yùn)動(dòng)模型的邊緣輪廓特征提取和Harris角點(diǎn)檢測(cè)，實(shí)現(xiàn)運(yùn)動(dòng)模型的三維重建和視景仿真重構(gòu)。仿真結(jié)果表明，采用該方法進(jìn)行運(yùn)動(dòng)模型重建，輸出三維模型的噪點(diǎn)較小，輪廓特征配準(zhǔn)精度較高，運(yùn)動(dòng)圖像識(shí)別的視覺(jué)誤差收斂到零，提高成像質(zhì)量。

關(guān)鍵詞： 運(yùn)動(dòng)視覺(jué)誤差； 圖像重構(gòu)； 三維運(yùn)動(dòng)模型； 像素特征提??； Harris角點(diǎn)

中圖分類號(hào)： TN911.73?34； TP311 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）18?0092?03

Design and implementation of motion vision error analysis model

LI Zhenya

（Zhengzhou University of Industrial Technology， Zhengzhou 451150， China）

Abstract： Since the modeling accuracy is poor due to vision error in 3D modeling of moving object model， a 3D model design method based on motion vision error compensation is put forward. The holographic projection method is used to perform graph collection of 3D motion model， and combined with the edge pixel feature extraction method to carry out volume rendering of 3D model. 3D data field of image reconstruction is constructed according to motion vision error compensation method to extract the edge contour feature of motion model and detect the Harris angular point， so as to realize 3D reconstruction of motion model and visual simulation reconstitution. The simulation results show that the method used to reconstruct the motion model can output small noisy point of 3D model， has high registration accuracy of contour features， and the vision error of moving image recognition can converge to zero， which can improve the imaging quality.

Keywords： motion vision error； image reconstruction； 3D motion model； pixel feature extraction； Harris angular point

0 引 言

隨著三維視景仿真技術(shù)和計(jì)算機(jī)智能視覺(jué)技術(shù)的發(fā)展，在計(jì)算機(jī)視覺(jué)環(huán)境下進(jìn)行運(yùn)動(dòng)目標(biāo)識(shí)別，實(shí)現(xiàn)圖像智能識(shí)別，相關(guān)的圖像處理方法在體育運(yùn)動(dòng)的技術(shù)分析、運(yùn)動(dòng)模型三維重建以及軍事目標(biāo)打擊中具有重要意義[1]。傳統(tǒng)方法中，對(duì)運(yùn)動(dòng)視覺(jué)誤差分析的模型設(shè)計(jì)方法主要采用參數(shù)統(tǒng)計(jì)特征重組模型和幾何規(guī)則性輪廓重構(gòu)模型，結(jié)合圖像降噪技術(shù)進(jìn)行視覺(jué)誤差分析，提高重建圖像的輸出信噪比，但隨著運(yùn)動(dòng)視覺(jué)誤差干擾性增強(qiáng)，輸出運(yùn)動(dòng)視覺(jué)圖像的像素配準(zhǔn)度不高[2?3]。對(duì)此，本文提出一種基于運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償?shù)娜S模型設(shè)計(jì)方法，采用全息投影方法進(jìn)行三維運(yùn)動(dòng)模型圖形采集，結(jié)合相應(yīng)的圖像處理改進(jìn)算法實(shí)現(xiàn)運(yùn)動(dòng)視覺(jué)誤差分析的模型設(shè)計(jì)，最后進(jìn)行仿真測(cè)試，展示了本文方法的優(yōu)越性能。

1 運(yùn)動(dòng)目標(biāo)圖像采集與預(yù)處理

1.1 全息投影運(yùn)動(dòng)目標(biāo)圖像生成

為了實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)圖像的視覺(jué)三維重構(gòu)，首先采用全息紅外視覺(jué)掃描方法進(jìn)行圖像圖形采集，結(jié)合圖像空間掃描法進(jìn)行運(yùn)動(dòng)目標(biāo)成像投影[4]，求出運(yùn)動(dòng)目標(biāo)三維成像的模板特征組合方程為：

[g（x，y）=h（x，y）*f（x，y）+η（x，y）] （1）

式中：[h（x，y）]是視差函數(shù)；“*”表示卷積。根據(jù)運(yùn)動(dòng)視覺(jué)誤差進(jìn)行運(yùn)動(dòng)圖像的像素級(jí)視差函數(shù)配準(zhǔn)，結(jié)合自適應(yīng)向量量化方法進(jìn)行圖像的亞像素級(jí)模板匹配，得到模板匹配后的像素輸出為：

[g（x，y）=f（x，y）+η（x，y）] （2）

計(jì)算運(yùn)動(dòng)目標(biāo)圖像的邊緣輪廓像素估計(jì)值為：

[f（x，y）=βF（x，y）+（1-β）ml+δ2l] （3）

式中：[F（x，y）]為運(yùn)動(dòng)目標(biāo)成像的強(qiáng)紋理集參數(shù)統(tǒng)計(jì)特征；[ml]為背景差分像素分布紋理集；[δ2l]為局部方差。

將運(yùn)動(dòng)目標(biāo)圖像分成[t]塊互不重疊的局部小塊，結(jié)合Ray?Casting圖像空間掃描得到圖像的全息投影中心區(qū)域。假設(shè)在仿射區(qū)域[Ω]內(nèi)，運(yùn)動(dòng)目標(biāo)檢測(cè)的視覺(jué)誤差偏移為[I（x，y）]，計(jì)算在兩個(gè)不重疊區(qū)域[R1]和[R2]內(nèi)的誤差匹配函數(shù)，結(jié)合光線因素的影響，得到：endprint

[ELBF（?，f1，f2）=μ12??-12dx+v?Length（C）+ λ1Kσ（x-y）I-f1（x）2H（?）dydx+ λ2Kσ（x-y）I-f2（x）21-H（?）dydx] （4）

采用全息投影方法生成運(yùn)動(dòng)目標(biāo)圖像，為進(jìn)行運(yùn)動(dòng)視覺(jué)誤差分析和圖形三維重構(gòu)提供準(zhǔn)確的原始圖像輸入基礎(chǔ)。

1.2 三維模型的體繪制

在立體匹配模式下，結(jié)合邊緣像素特征提取方法進(jìn)行三維模型的體繪制，在圖像的視覺(jué)分布空間中對(duì)采集的圖像進(jìn)行亞像素級(jí)視差配準(zhǔn)[5]，進(jìn)行圖像的三維體繪制，構(gòu)造圖像驅(qū)動(dòng)的平滑項(xiàng)為：

[c1=ii∈S，c2=i，i′i′∈Ni，i∈S，C=c1?c2] （5）

式中，[i=1，2，…，T]，表示亞像素級(jí)視差像素序列。求解獲得視差函數(shù)的邊緣輪廓特征向量，表達(dá)式為：

[sPPM（t）=i=-∞∞j=0Np-1p（t-iTs-jTp-cjTc-aiε）] （6）

基于圖像屬性特征矩的高斯不變性，進(jìn)行圖形的三維體繪制，假設(shè)[u]表示參考圖像，[u]表示匹配圖像，得到三維模型的體繪制結(jié)果為：

[sPAM（t）=j=-∞∞djp（t-jTs）] （7）

式中：[Ts]是運(yùn)動(dòng)目標(biāo)成像的單尺度特征值；[Tp]為圖像邊界的極大值點(diǎn)；[Tc]為視差邊界函數(shù)；[cj]為線性變換的加權(quán)系數(shù)；[Np]為視覺(jué)誤差的偏移量。

2 運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償及圖像三維重構(gòu)

2.1 運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償技術(shù)

本文提出一種基于運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償?shù)娜S模型設(shè)計(jì)方法，進(jìn)行運(yùn)動(dòng)目標(biāo)圖像的三維重建。根據(jù)運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償方法構(gòu)建圖像重構(gòu)的三維數(shù)據(jù)場(chǎng)[6]，計(jì)算運(yùn)動(dòng)視覺(jué)誤差的像素特征分布信息，分別表示為：[Hx=-jωxω]和[Hy=-jωyω]。其中[ω=（ωx，ωy）]為視差驅(qū)動(dòng)的平滑項(xiàng)權(quán)，在運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償技術(shù)改進(jìn)下[7]，得到三維圖像重構(gòu)的亞像素偏移特征提取結(jié)果為：

[Match（objectpre，objectc）=i（Hpre（i）-Hpre）（Hc（i）-Hc）i（Hpre（i）-Hpre）2i（Hc（i）-Hc）2] （8）

[Hk=1NjHk（j）]，且N等于帶有直方圖偏移的四鄰域個(gè)數(shù)。

2.2 圖像重構(gòu)的三維視覺(jué)實(shí)現(xiàn)

根據(jù)運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償方法構(gòu)建圖像重構(gòu)的三維數(shù)據(jù)場(chǎng)，數(shù)據(jù)場(chǎng)的控制參量模型為：

[K=KT1K2TK3TK4TK5TT] （9）

[L=LT1LT2LT3LT4LT5T] （10）

[M=MT1MT2MT3MT4MT5T] （11）

假設(shè)視覺(jué)誤差分布的初始信息參量為[x（t）]，在初始時(shí)刻[d1（t）]和[d2（t）]，得到運(yùn)動(dòng)目標(biāo)圖像的像素誤差擬合結(jié)果為：

[min0≤αi≤cW=12i，j=1lyiyjαiαjK（xi，xj）-i=1lαi+bi=1lyjα] （12）

構(gòu)建Harris角點(diǎn)檢測(cè)模型[8]，進(jìn)行圖像的邊緣輪廓分解，Harris角點(diǎn)檢測(cè)函數(shù)為：

[D=dm（t）=k=1K（m）p（t-τmk）， m={1，2，…，N}] （13）

當(dāng)[NS=1]時(shí)，運(yùn)動(dòng)目標(biāo)圖像的角點(diǎn)由參數(shù)t決定，實(shí)現(xiàn)了運(yùn)動(dòng)視覺(jué)誤差下的圖像重構(gòu)，得到三維圖像重建結(jié)果為：

[x（t）=m=0Mwmdm（t）] （14）

輸出的圖像重建的區(qū)塊內(nèi)容為：

[x（t）=j=1NSm=1Mk=1K（m）qjwmkp（t-jTs-Tm-τmk）+v（t）] （15）

式中，[i=1，2，…，T]，表示像素序列的長(zhǎng)度，通過(guò)上述處理，實(shí)現(xiàn)運(yùn)動(dòng)模型的三維重建和視景仿真重構(gòu)。

3 仿真實(shí)驗(yàn)分析

采用Matlab視景仿真技術(shù)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)通過(guò)Vega Prime提供的三維模型圖進(jìn)行運(yùn)動(dòng)模型的虛擬視景仿真平臺(tái)設(shè)計(jì)，樣本模板尺寸分別為：120×120，180×180，圖像采樣的像素分布信噪比為-12 dB，根據(jù)上述仿真環(huán)境和參量設(shè)定，進(jìn)行運(yùn)動(dòng)目標(biāo)圖像重建，得到原始圖像如圖1所示，優(yōu)化輸出圖像如圖2所示。

分析圖1、圖2結(jié)果得知，采用本文方法進(jìn)行運(yùn)動(dòng)目標(biāo)圖像重建，輸出圖像輪廓特征的匹配性更佳。為了定量分析性能，以視覺(jué)誤差收斂性為測(cè)試指標(biāo)，得到對(duì)比結(jié)果如圖3所示。分析得知，本文方法的視覺(jué)誤差能快速收斂到零，提高了運(yùn)動(dòng)圖像的識(shí)別能力。

4 結(jié) 語(yǔ)

本文提出一種基于運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償?shù)娜S模型設(shè)計(jì)方法，采用全息投影方法進(jìn)行三維運(yùn)動(dòng)模型圖形采集，根據(jù)運(yùn)動(dòng)視覺(jué)誤差補(bǔ)償方法構(gòu)建圖像重構(gòu)的三維數(shù)據(jù)場(chǎng)，進(jìn)行運(yùn)動(dòng)模型的邊緣輪廓特征提取和Harris角點(diǎn)檢測(cè)，實(shí)現(xiàn)運(yùn)動(dòng)模型的三維重建和視景仿真重構(gòu)。本文方法輸出運(yùn)動(dòng)目標(biāo)三維模型輪廓特征配準(zhǔn)精度較高，圖像成像質(zhì)量更高。

參考文獻(xiàn)

[1] 劉婷，程建.基于訓(xùn)練字典的遙感圖像融合[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（19）：135?140.

[2] LI S T， YIN H T， FANG L Y. Remote sensing image fusion via sparse representations over learned dictionaries [J]. IEEE transactions on geoscience and remote sensing， 2013， 51（9）： 4779?4789.

[3] 蔣政，程春玲.基于Haar特性的改進(jìn)HOG的人臉特征提取算法[J].計(jì)算機(jī)科學(xué)，2017，44（1）：303?307.

[4] 許妙忠，叢銘，萬(wàn)麗娟，等.視覺(jué)感受與Markov隨機(jī)場(chǎng)相結(jié)合的高分辨率遙感影像分割法[J].測(cè)繪學(xué)報(bào)，2015，44（2）：198?205.

[5] GONZALEZ?MORA J， DE LA TORRE F， GUIL N， et al. Learning a generic 3D face model from 2D image databases using incremental structure from motion [J]. Image and vision computing， 2010， 28（7）： 1117?1129.

[6] 楊利平，李武.光照健壯人臉識(shí)別的低秩相對(duì)梯度直方圖特征[J].電子學(xué)報(bào)，2016，44（8）：1940?1946.

[7] 劉永春，王廣學(xué)，栗蘋，等.基于二維概率密度函數(shù)比較的SAR圖像變化檢測(cè)方法[J].電子與信息學(xué)報(bào)，2015，37（5）：1122?1127.

[8] 方智文，曹治國(guó)，朱磊.基于梯度角度的直方圖局部特征描述子的圖像匹配算法[J].計(jì)算機(jī)應(yīng)用，2015，35（4）：1079?1083.endprint