面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀測(cè)方法
【專利摘要】本發(fā)明涉及一種面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀測(cè)方法，包括：a、設(shè)定跟蹤區(qū)域，作為目標(biāo)參考模板，獲取其m×1的紋理特征和灰度均值特征；b、采集當(dāng)前幀場(chǎng)景視頻，進(jìn)入跟蹤過(guò)程，包括粒子選擇、狀態(tài)轉(zhuǎn)移、狀態(tài)觀測(cè)和狀態(tài)估計(jì)等步驟。本發(fā)明通過(guò)觀測(cè)似然函數(shù)來(lái)計(jì)算粒子權(quán)重均值，目標(biāo)參考特征向量的更新則綜合考慮初始目標(biāo)參考特征向量以及前一幀所采用的目標(biāo)參考特征向量和當(dāng)前幀所采用的目標(biāo)參考特征向量的影響因素，由此解決了目標(biāo)遮擋后又重新出現(xiàn)后無(wú)法繼續(xù)跟蹤的問(wèn)題，提高了增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)對(duì)平面目標(biāo)跟蹤的魯棒性和實(shí)時(shí)性。
【專利說(shuō)明】
面向増強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀 測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種計(jì)算機(jī)視覺(jué)算法，具體地說(shuō)是一種面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平 面目標(biāo)粒子濾波跟蹤的狀態(tài)觀測(cè)方法。
【背景技術(shù)】
[0002] 增強(qiáng)現(xiàn)實(shí)技術(shù)將虛擬提示信息疊加到真實(shí)場(chǎng)景中，在復(fù)雜裝備維修中為用戶提供 了直觀靈活的操作提示，并可為那些不熟悉復(fù)雜裝備檢測(cè)維修的用戶提供準(zhǔn)確實(shí)時(shí)的維修 幫助，對(duì)于縮短裝備維護(hù)周期、提高維修效率、降低成本具有重要意義。
[0003] 跟蹤維修對(duì)象區(qū)域并能在用戶頭部發(fā)生相對(duì)運(yùn)動(dòng)時(shí)準(zhǔn)確估計(jì)攝像機(jī)姿態(tài)，在增強(qiáng) 現(xiàn)實(shí)輔助維修系統(tǒng)中被稱作跟蹤注冊(cè)技術(shù)。維修對(duì)象區(qū)域跟蹤是攝像機(jī)姿態(tài)估計(jì)的基礎(chǔ)， 通過(guò)局部區(qū)域跟蹤而不是全場(chǎng)景跟蹤可有效提高跟蹤注冊(cè)的實(shí)時(shí)性;根據(jù)攝像機(jī)與維修對(duì) 象之間的相對(duì)運(yùn)動(dòng)關(guān)系，跟蹤注冊(cè)可分為由外而內(nèi)的跟蹤和由內(nèi)而外的跟蹤。較為常用的 方法包括基于特征點(diǎn)、基于輪廓和基于核的方法。由于維修對(duì)象多為人造物，存在大量的規(guī) 則平面，為實(shí)現(xiàn)基于單應(yīng)性矩陣的攝像機(jī)姿態(tài)估計(jì)提供了便利條件，但人造物又普遍存在 特征點(diǎn)信息量少、特征提取不充分等問(wèn)題，上述=種方法對(duì)跟蹤過(guò)程中維修對(duì)象外觀顯著 改變、背景內(nèi)容改變及光照遮擋等情況存在局限性，迫切需要采用多特征信息融合、自動(dòng)更 新匹配模板等技術(shù)解決目標(biāo)遮擋、視角變化和維修對(duì)象形態(tài)變化時(shí)的健壯性跟蹤及跟蹤的 自適應(yīng)修正等問(wèn)題。
[0004] 基于壓縮感知理論的目標(biāo)跟蹤方法是一種較新方法，其原理為用壓縮感知特征描 述背景與目標(biāo)，迭代尋找與標(biāo)準(zhǔn)目標(biāo)特征最相似的候選區(qū)域，其相似度判斷依托樸素貝葉 斯分類(lèi)器。運(yùn)個(gè)跟蹤框架采用隨機(jī)測(cè)量矩陣進(jìn)行特征提取，對(duì)隨機(jī)測(cè)量矩陣進(jìn)行改進(jìn)可實(shí) 現(xiàn)多特征提取，實(shí)時(shí)性較高，但其迭代過(guò)程采用遍歷查找方式，未充分利用運(yùn)動(dòng)目標(biāo)的動(dòng)力 學(xué)特性。當(dāng)目標(biāo)運(yùn)動(dòng)速度較快或存在部分遮擋時(shí)，跟蹤結(jié)果易發(fā)生偏移甚至丟失。雖然可W 通過(guò)擴(kuò)大捜索范圍減小目標(biāo)丟失率，但又會(huì)極大的損失實(shí)時(shí)性。粒子濾波跟蹤依賴目標(biāo)狀 態(tài)轉(zhuǎn)移模型和重采樣技術(shù)對(duì)目標(biāo)狀態(tài)進(jìn)行預(yù)測(cè)，其計(jì)算主要消耗在似然函數(shù)上，因此在粒 子濾波框架下與壓縮感知特征提取相結(jié)合進(jìn)行目標(biāo)跟蹤，可避免大范圍的捜索過(guò)程，進(jìn)一 步提高目標(biāo)對(duì)象跟蹤的實(shí)時(shí)性。在粒子濾波框架下，每個(gè)粒子的觀測(cè)模型和參考模板與候 選目標(biāo)之間的相似度區(qū)分能力直接影響跟蹤精度。現(xiàn)有的粒子濾波跟蹤中的特征主要采用 統(tǒng)計(jì)特征計(jì)算顏色直方圖或方向梯度直方圖，通過(guò)求化attacharyya距離計(jì)算粒子代表的 參考目標(biāo)和候選目標(biāo)之間的相似度，運(yùn)種方法魯棒性和實(shí)時(shí)性均不高。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是提供一種面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤 的狀態(tài)觀測(cè)方法，W解決傳統(tǒng)觀測(cè)方法魯棒性低和實(shí)時(shí)性不高的問(wèn)題。
[0006] 本發(fā)明是運(yùn)樣實(shí)現(xiàn)的：一種面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的 狀態(tài)觀測(cè)方法，包括W下步驟：
[0007] a、初始化:設(shè)定跟蹤區(qū)域，作為目標(biāo)參考模板，利用mXn的壓縮感知隨機(jī)測(cè)量矩陣 獲取其mXl的紋理特征和灰度均值特征，作為目標(biāo)參考特征向量，隨機(jī)采樣N個(gè)粒子S = {(S。，O n) I n二 1，. . .，N}，初始化其權(quán)重 O = 1/N;
[000引b、采集當(dāng)前帖場(chǎng)景視頻，進(jìn)入跟蹤過(guò)程，包括：
[0009] b-1、粒子選擇:對(duì)t-1時(shí)刻的所有粒子按照歸一化權(quán)重值從大到小進(jìn)行排序，將位 置靠前的粒子歸一化權(quán)重值與N乘積的四舍五入整數(shù)值作為新的粒子數(shù)量，并將該權(quán)重值 賦予運(yùn)些粒子，依次遍歷所有粒子直到得到N個(gè)新的粒子；
[0010] b-2、狀態(tài)轉(zhuǎn)移:選擇系統(tǒng)狀態(tài)轉(zhuǎn)移方程為二階自回歸模型，根據(jù)t-2時(shí)刻和t-1時(shí) 刻的粒子狀態(tài)預(yù)測(cè)t時(shí)刻的粒子狀態(tài)；
[0011] b-3、狀態(tài)觀測(cè):根據(jù)t-1時(shí)刻由紋理特征和灰度均值特征相似度分別計(jì)算得到粒 子權(quán)重均值和t時(shí)刻的紋理特征和灰度均值特征相似度，再計(jì)算粒子所代表的候選目標(biāo)區(qū) 域與目標(biāo)參考模板之間的觀測(cè)似然函數(shù)，得出粒子的權(quán)重值;根據(jù)初始目標(biāo)參考特征向量、 t-1時(shí)刻所采用的目標(biāo)參考特征向量和t時(shí)刻所采用的目標(biāo)參考特征向量更新t+1時(shí)刻的目 標(biāo)參考特征向量；
[0012] b-4、狀態(tài)估計(jì):選擇權(quán)重值最大的粒子所代表的狀態(tài)作為系統(tǒng)狀態(tài)的最優(yōu)估計(jì)， 即為跟蹤結(jié)果；
[OOU] b-5、如果用戶選擇維修步驟完成，則退出；否則回到步驟b-1，進(jìn)入下一循環(huán)過(guò)程。 [0014]本發(fā)明的步驟b-3中的粒子權(quán)重值的計(jì)算方法包括W下步驟：
[001引 b-3-l、利用mXn的壓縮感知隨機(jī)現(xiàn)慢矩陣，分別獲取待跟蹤平面目標(biāo)和候選跟蹤 區(qū)域mXl的紋理特征和灰度均值特征，W此作為候選目標(biāo)特征向量，并依據(jù)下列的公式（1) 對(duì)m X 1的目標(biāo)參考特征向量與候選目標(biāo)特征向量進(jìn)行L2范數(shù)歸一化：
[0016]
(1);
[0017] b-3-2、巧惦h列的公式(2)計(jì)算目標(biāo)參考特征向量與候選目標(biāo)特征向量中每個(gè)元 素之差的絕對(duì)估是否在化許的闊值T的范圍內(nèi)：
[001引
（2)
[0019] 其中，《為目標(biāo)參考特征向量的第i個(gè)元素，Vi為候選目標(biāo)特征向量的第i個(gè)元素；
[0020] b-3-3、依據(jù)下列的公式(3)統(tǒng)計(jì)f(i) = l出現(xiàn)的比例，得到目標(biāo)參考特征向量與候 選目柄賠飾尚畳6々巧化j暗為；
[0021] C3>
[0022] b-3-4、由計(jì)算粒子代表的候選目標(biāo)區(qū)域與目標(biāo)參考模板之間的觀測(cè)似然函數(shù)，依 據(jù)下列的公式(4)計(jì)算得出粒子權(quán)重值：
[0023]
(4)
[0024] 其中，
為第k個(gè)粒子的候選目標(biāo)紋理特征向量與參考模板紋理特 征向量之間的相似屆
：為第k個(gè)粒子的候選目標(biāo)灰度均值特征向量與參考 模板灰度均值特征向量之間的相似度；P(ZijJTf)為t時(shí)刻第k個(gè)粒子的權(quán)重值； < A(Z,J Xy) >為*-1時(shí)刻根據(jù)紋理特征計(jì)算得到的所有粒子權(quán)重均值；< A(z,_, I X,_|) > 為t-1時(shí)刻根據(jù)灰度均值特征計(jì)算得到的所有粒子權(quán)重均值。
[0025] 本發(fā)明中的粒子權(quán)重值是由計(jì)算粒子代表的候選目標(biāo)區(qū)域與目標(biāo)參考模板之間 的觀測(cè)似然函數(shù)得出，在粒子濾波跟蹤中，粒子代表著目標(biāo)狀態(tài)，即目標(biāo)在圖像中的坐標(biāo)位 置及區(qū)域，粒子的權(quán)重值越大，表明粒子代表的區(qū)域?yàn)槟繕?biāo)的概率最高。
[0026] 本發(fā)明的步驟b-3中的t+1時(shí)刻的目標(biāo)參考特征向量的更新方法包括W下步驟：
[0027] b-3-5、依據(jù)下列的公式(5)計(jì)算更新速度因子：
[002引
（.5')'
[0029] 其中，Ht為第t時(shí)刻平面目標(biāo)與初始時(shí)刻平面目標(biāo)之間的單應(yīng)性矩陣，Ht-I為第t-1 時(shí)刻平面目標(biāo)與初始時(shí)刻平面目標(biāo)之間的單應(yīng)性矩陣；
[0030] b-3-6、依據(jù)下列的公式(6)和公式(7)對(duì)t+1時(shí)刻的目標(biāo)特征向量進(jìn)行更新：
[0031] 祐）
[0032] 訂)
[0033] 具甲，Vo刃徹賄目稱寥考向量，Vt為當(dāng)前帖目標(biāo)參考特征向量，Vt+i為下一帖目標(biāo)參 考特征向量，I-Po, t-1表示初始目標(biāo)參考特征向量與t-1時(shí)刻目標(biāo)參考特征向量的相似度，1- Pt-I,康示t-1時(shí)刻目標(biāo)參考特征向量與t時(shí)刻目標(biāo)參考特征向量的相似度，ii為更新速度因 子。
[0034] 本發(fā)明通過(guò)觀測(cè)似然函數(shù)來(lái)計(jì)算粒子權(quán)重均值，其方式簡(jiǎn)潔，可有效提高跟蹤的 實(shí)時(shí)性；同時(shí)，采用了兩個(gè)特征相互補(bǔ)償，可有效提高跟蹤的魯棒性。本發(fā)明中目標(biāo)參考特 征向量的更新方法綜合考慮初始目標(biāo)參考特征向量，前一帖所采用的目標(biāo)參考特征向量和 當(dāng)前帖所采用的目標(biāo)參考特征向量的影響因素，作為更新下一帖目標(biāo)參考特征向量的依 據(jù)，同時(shí)考慮目標(biāo)形態(tài)變化的大小來(lái)改變更新速度，可解決目標(biāo)遮擋后又重新出現(xiàn)后無(wú)法 繼續(xù)跟蹤等問(wèn)題，進(jìn)一步提高了平面目標(biāo)粒子濾波跟蹤的魯棒性。
[0035] 本發(fā)明提高了增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)對(duì)平面目標(biāo)跟蹤的魯棒性和實(shí)時(shí)性。
【附圖說(shuō)明】
[0036] 圖I是壓縮感知多特征提取示意圖。
[0037] 圖2是基于本發(fā)明的跟蹤效果圖。
[0038] 圖3是基于本發(fā)明的跟蹤算法的X向跟蹤誤差圖。
[0039] 圖4是基于本發(fā)明的跟蹤算法的Y向跟蹤誤差圖。
【具體實(shí)施方式】
[0040] 本實(shí)施例是在一個(gè)視頻文件中實(shí)現(xiàn)對(duì)電路板目標(biāo)的跟蹤，硬件平臺(tái)為Intel Core 巧，4GB DDR3 SDRAM,軟件環(huán)境為Windows 8.1 64 bitsW平面目標(biāo)中屯、在視頻場(chǎng)景中的坐 標(biāo)
作為系統(tǒng)的狀態(tài)變量，選擇系統(tǒng)狀態(tài)轉(zhuǎn)移方程為二階自回歸模型：
[0041 ] Xt = AXt-i+BXt-2+vt
[0042] 參數(shù)設(shè)置包括：粒子數(shù)目N=100，A = 20，T = 0.002，m=50，at=o = 0.5，A=[2,2]，B = [!,!]〇
[0043] 本發(fā)明平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀測(cè)方法分為W下步驟：
[0044] a、初始化:設(shè)定跟蹤區(qū)域，作為目標(biāo)參考模板，利用mXn的壓縮感知隨機(jī)測(cè)量矩陣 獲取其mXl的紋理特征和灰度均值特征，作為目標(biāo)參考特征向量，隨機(jī)采樣N個(gè)粒子S = {(S。，〇n) In=I,. . . ,N}，初始化其權(quán)重 O =1/N;
[0045] b、采集當(dāng)前帖場(chǎng)景視頻，進(jìn)入跟蹤過(guò)程，包括：
[0046] b-1、粒子選擇:對(duì)t-1時(shí)刻的所有粒子按照歸一化權(quán)重值從大到小進(jìn)行排序，將位 置靠前的粒子歸一化權(quán)重值與N乘積的四舍五入整數(shù)值作為新的粒子數(shù)量，并將該權(quán)重值 賦予運(yùn)些粒子，依次遍歷所有粒子直到得到N個(gè)新的粒子。
[0047] b-2、狀態(tài)轉(zhuǎn)移:選擇系統(tǒng)狀態(tài)轉(zhuǎn)移方程為二階自回歸模型，根據(jù)t-2時(shí)刻和t-1時(shí) 刻的粒子狀態(tài)預(yù)測(cè)t時(shí)刻的粒子狀態(tài)。
[004引b-3、狀態(tài)觀測(cè):根據(jù)t-1時(shí)刻由紋理特征和灰度均值特征相似度分別計(jì)算得到粒 子權(quán)重均值和t時(shí)刻的紋理特征和灰度均值特征相似度，再計(jì)算粒子所代表的候選目標(biāo)區(qū) 域與目標(biāo)參考模板之間的觀測(cè)似然函數(shù)，得出粒子的權(quán)重值;根據(jù)初始目標(biāo)參考特征向量、 t-1時(shí)刻所采用的目標(biāo)參考特征向量和t時(shí)刻所采用的目標(biāo)參考特征向量更新t+1時(shí)刻的目 標(biāo)參考特征向量。
[0049] b-4、狀態(tài)估計(jì):選擇權(quán)重值最大的粒子所代表的狀態(tài)作為系統(tǒng)狀態(tài)的最優(yōu)估計(jì)， 即為跟蹤結(jié)果。
[0050] b-5、如果用戶選擇維修步驟完成，則退出；否則回到步驟b-1，進(jìn)入下一循環(huán)過(guò)程。
[0051] 本發(fā)明的方法應(yīng)用于步驟b-3中的狀態(tài)觀測(cè)的具體過(guò)程是：
[0052] 壓縮跟蹤（CompreSS ive Tracking , CT)算法利用壓縮感知（CompreSS ive Sensing, CS)理論對(duì)高維化rr-1化e特征進(jìn)行降維。對(duì)于一個(gè)XGRnxi的原始特征，可由V = PX 投影得到壓縮后的特征VGRmxi。其中，PGRmXn(m<<n)為特征提取矩陣。該壓縮過(guò)程在候 選目標(biāo)區(qū)域W平均概率隨機(jī)選取2~4的圖像塊，特征提取矩陣P的非零元素值符號(hào)在V'和 之間等概率隨機(jī)選取，得到的特征值即為幾塊區(qū)域的加權(quán)和。當(dāng)非零元素符號(hào)全部為 V'或時(shí)，表現(xiàn)為灰度均值特征；當(dāng)非零元素同時(shí)存在V'和時(shí)，表現(xiàn)為圖像塊的差異 性即紋理特征。多特征壓縮跟蹤對(duì)特征提取矩陣進(jìn)行了改進(jìn)。首先利用壓縮跟蹤的方法生 成特征提取矩陣Pl，然后再根據(jù)Pl生成新的特征提取矩陣P2,使得P2提取的灰度均值特征占 71%，紋理特征占29%。其通過(guò)對(duì)特征提取矩陣Pi的非零元素符號(hào)實(shí)施變號(hào)得到P2,變號(hào)規(guī) 則為：當(dāng)S個(gè)元素符號(hào)全部為V'或全部為時(shí)，變?yōu)楫?dāng)S個(gè)元素符號(hào)既存在V'也 存在時(shí)，變?yōu)?+++"。運(yùn)樣，在增加很小計(jì)算量的前提下，使得壓縮后的特征最終表現(xiàn)為 紋理與灰度均值特征互補(bǔ)的雙特征。W=個(gè)圖像塊為例，P2生成過(guò)程如圖1所示。
[0053] 對(duì)視頻文件中的電路板目標(biāo)的粒子權(quán)重值的計(jì)算方法是：
[0054] 首先，利用上述方法中mXn的壓縮感知隨機(jī)測(cè)量矩陣分別獲取待跟蹤平面目標(biāo)和 候選跟蹤區(qū)域mX 1的紋理特征和灰度均值特征，W此作為目標(biāo)參考特征向量和候選目標(biāo)特 征向量，并依據(jù)下列公式（1)對(duì)m X 1的目標(biāo)參考特征向量與候選目標(biāo)特征向量進(jìn)行L2范數(shù) 歸一化，
[0化5]
(1)
[0056]其次，依據(jù)下列公式(2)計(jì)算目標(biāo)參考特征向量與候選目標(biāo)特征向量中每個(gè)元素 之差的絕對(duì)值是否在允許的闊值T的范圍內(nèi)，
[0化7]
(勺）
[0化引其中，V,''為目標(biāo)參考特征向量的第i個(gè)元素，Vi為候選目標(biāo)特征向量的第i個(gè)元素。
[0059] 再次，依據(jù)下列公式(3)統(tǒng)計(jì)f(i) = l出現(xiàn)的比例，得到目標(biāo)參考特征向量與候選 目標(biāo)特征向量的巧似麼為：
[0060]
(3)
[0061 ]最后，由計(jì)算粒子代表的候選目標(biāo)區(qū)域與目標(biāo)參考模板之間的觀測(cè)似然函數(shù)，依 據(jù)下列的公式(4)計(jì)算得出粒子權(quán)重值： - .....
[0062] C 4) >
[0063] :選目標(biāo)紋理特征向量與參考模板紋理特 征向量 ，粒子的候選目標(biāo)灰度均值特征向量與參 考模板灰度均值特征向量之間的相似程度；P(2,1 乂f)為t時(shí)刻第k個(gè)粒子的權(quán)重值； <氣按_1巧_1)>為*-1時(shí)刻根據(jù)紋理特征計(jì)算得到的所有粒子權(quán)重均值; < 拚(餐,戰(zhàn)_1) > 為t-1時(shí)刻根據(jù)灰度均值特征計(jì)算得到的所有粒子權(quán)重均值。
[0064] 目標(biāo)參考特征向量的更新方法包括W下步驟：
[0065] 首先，依據(jù)下列公式(5)計(jì)算更新速度因子：
[0066]
(5)
[0067] 其中，Ht為第t時(shí)刻平面目標(biāo)與初始時(shí)刻平面目標(biāo)之間的單應(yīng)性矩陣，Ht-I為第t-1 時(shí)刻平面目標(biāo)與初始時(shí)刻平面目標(biāo)之間的單應(yīng)性矩陣。
[0068] 其次.化據(jù)下列公擊(R)和公式(7)對(duì)目標(biāo)特征向量進(jìn)行更新：
[0069] (6)
[0070] 訊
[0071 ]其中，Vo為初始目標(biāo)參考向量，Vt為當(dāng)前帖目標(biāo)參考特征向量，Vt+i為下一帖目標(biāo)參 考特征向量，康不初始目標(biāo)參考特征向量與t-1時(shí)刻目標(biāo)參考特征向量的相似度，1- Pt-I,康示t-1時(shí)刻目標(biāo)參考特征向量與t時(shí)刻目標(biāo)參考特征向量的相似度，y為更新速度因 子。
[0072] 如圖2所示的跟蹤效果，電路板視頻包括了電路板平移、旋轉(zhuǎn)、翻轉(zhuǎn)和尺度變化等 復(fù)雜運(yùn)動(dòng)過(guò)程，Wx和y方向的跟蹤誤差小于15像素為標(biāo)準(zhǔn)，分別統(tǒng)計(jì)基于顏色直方圖的粒 子濾波跟蹤算法、壓縮跟蹤算法和基于本發(fā)明的跟蹤算法在電路板視頻中電路板翻轉(zhuǎn)前和 在全部電路板視頻帖的跟蹤成功率如表1所示，前200帖的跟蹤誤差如圖3、圖4所示。
[0073] 表1:跟蹤成功率對(duì)比表
[0074]
[0075] 由巧1和圏3、圏4W見(jiàn)，基十劇巧直萬(wàn)圏的粒于濾汲跟碌萬(wàn)巧巧巧跟碌精巧上較差 導(dǎo)致其成功率較低，基于本發(fā)明的跟蹤算法與壓縮跟蹤算法在目標(biāo)形態(tài)未發(fā)生重大變化時(shí) 跟蹤性能相當(dāng)，但因其在目標(biāo)重新出現(xiàn)后能夠繼續(xù)跟蹤目標(biāo)，在全部視頻帖上統(tǒng)計(jì)跟蹤成 功率則比壓縮跟蹤算法高。
[0076] 針對(duì)電路板視頻，=種算法實(shí)時(shí)性比較結(jié)果見(jiàn)表2。
[0077] 表2:跟蹤算法實(shí)時(shí)性對(duì)比表 [007引
[0079]由表2可見(jiàn)，在640X480的視頻中，當(dāng)粒子數(shù)為100時(shí)，基于本發(fā)明的跟蹤算法比基 于顏色直方圖的粒子濾波跟蹤算法和壓縮跟蹤算法實(shí)時(shí)性均高，證明了本發(fā)明的發(fā)明能夠 提高平面目標(biāo)跟蹤的實(shí)時(shí)性。
【主權(quán)項(xiàng)】
1. 一種面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀測(cè)方法，其特征 是，包括以下步驟： a、 初始化:設(shè)定跟蹤區(qū)域，作為目標(biāo)參考模板，利用mXn的壓縮感知隨機(jī)測(cè)量矩陣獲取 其mXl的紋理特征和灰度均值特征，作為目標(biāo)參考特征向量，隨機(jī)采樣N個(gè)粒子S={(s n， ωη) |n=l, . . .，N}，初始化其權(quán)重 ω =1/N; b、 采集當(dāng)前幀場(chǎng)景視頻，進(jìn)入跟蹤過(guò)程，包括： b-1、粒子選擇:對(duì)t-Ι時(shí)刻的所有粒子按照歸一化權(quán)重值從大到小進(jìn)行排序，將位置靠 前的粒子歸一化權(quán)重值與N乘積的四舍五入整數(shù)值作為新的粒子數(shù)量，并將該權(quán)重值賦予 這些粒子，依次遍歷所有粒子直到得到N個(gè)新的粒子； b-2、狀態(tài)轉(zhuǎn)移:選擇系統(tǒng)狀態(tài)轉(zhuǎn)移方程為二階自回歸模型，根據(jù)t-2時(shí)刻和t-Ι時(shí)刻的 粒子狀態(tài)預(yù)測(cè)t時(shí)刻的粒子狀態(tài)； b-3、狀態(tài)觀測(cè)：根據(jù)t-Ι時(shí)刻由紋理特征和灰度均值特征相似度分別計(jì)算得到粒子權(quán) 重均值和t時(shí)刻的紋理特征和灰度均值特征相似度，再計(jì)算粒子所代表的候選目標(biāo)區(qū)域與 目標(biāo)參考模板之間的觀測(cè)似然函數(shù)，得出粒子的權(quán)重值;根據(jù)初始目標(biāo)參考特征向量、t-1 時(shí)刻所采用的目標(biāo)參考特征向量和t時(shí)刻所采用的目標(biāo)參考特征向量更新t+1時(shí)刻的目標(biāo) 參考特征向量； b_4、狀態(tài)估計(jì):選擇權(quán)重值最大的粒子所代表的狀態(tài)作為系統(tǒng)狀態(tài)的最優(yōu)估計(jì)，即為 跟蹤結(jié)果； b-5、如果用戶選擇維修步驟完成，則退出；否則回到步驟b-Ι，進(jìn)入下一循環(huán)過(guò)程。2. 根據(jù)權(quán)利要求1所述的面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀 測(cè)方法，其特征是，步驟b-3中的粒子權(quán)重值的計(jì)算方法包括以下步驟： b-3-l、利用mXn的壓縮感知隨機(jī)測(cè)量矩陣，分別獲取待跟蹤平面目標(biāo)和候選跟蹤區(qū)域 mXl的紋理特征和灰度均值特征，以此作為候選目標(biāo)特征向量，并依據(jù)下列的公式（1)對(duì)m X 1的目標(biāo)參考特征向量與候選目標(biāo)特征向量進(jìn)行L2范數(shù)歸一化：(1): b-3-2、依據(jù)下列的公式(2)計(jì)算目標(biāo)參考特征向量與候選目標(biāo)特征向量中每個(gè)元素之 差的絕對(duì)值是否在允許的閾值τ的范圍內(nèi)：(2) 其中，< 為目標(biāo)參考特征向量的第i個(gè)元素，V1為候選目標(biāo)特征向量的第i個(gè)元素；b-3-3、依據(jù)下列的公式(3)統(tǒng)計(jì)f (i) = 1出現(xiàn)的比例，得到目標(biāo)參考特征向量與候選目 標(biāo)特征向量的相似度1 (3) b-3-4、由計(jì)算粒子代表的候選目標(biāo)區(qū)域與目標(biāo)參考模板之間的觀測(cè)似然函數(shù)，依據(jù)下 列的公式(4)計(jì)算得出粒子權(quán)重值： (4) 其c 卜粒子的候選目標(biāo)紋理特征向量與參考模板紋理特征向量之間的： 3第k個(gè)粒子的候選目標(biāo)灰度均值特征向量與參考模板灰 度均值特征向量之間的相似度I Zf)為t時(shí)刻第k個(gè)粒子的權(quán)重值；t-i時(shí)刻根據(jù)紋理特征計(jì)算得到的所有粒子權(quán)重均值；< Λ(ζ,, I>為卜1時(shí)刻根據(jù)灰度 均值特征計(jì)算得到的所有粒子權(quán)重均值。3.根據(jù)權(quán)利要求1所述的面向增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)平面目標(biāo)粒子濾波跟蹤的狀態(tài)觀 測(cè)方法，其特征是，步驟b-3中的t+Ι時(shí)刻的目標(biāo)參考特征向量的更新方法包括以下步驟： b-3-5、依據(jù)下列的公式(5)計(jì)算更新速度因子：(5 ) 其中，Ht為第t時(shí)刻平面目標(biāo)與初始時(shí)刻平面目標(biāo)之間的單應(yīng)性矩陣，為第t-Ι時(shí)刻 平面目標(biāo)與初始時(shí)刻平面目標(biāo)之間的單應(yīng)性矩陣；b-3-6、依據(jù)下列的公忒(fi)和公忒（7)對(duì)t.+l時(shí)刻的目標(biāo)特征向量進(jìn)行更新： (6) (T). 其中，Vo為初始目標(biāo)參考向量，Vt為當(dāng)前幀目標(biāo)參考特征向量，Vt+i為下一幀目標(biāo)參考特 征向量，l_PQ,t-i表示初始目標(biāo)參考特征向量與t-Ι時(shí)刻目標(biāo)參考特征向量的相似度，1-Pt-i,t表示t-Ι時(shí)刻目標(biāo)參考特征向量與t時(shí)刻目標(biāo)參考特征向量的相似度，μ為更新速度因 子。
【文檔編號(hào)】G06T7/20GK106023256SQ201610339337
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月19日
【發(fā)明人】王偉明, 張勇, 趙守偉, 何亞軒, 閆德立
【申請(qǐng)人】石家莊鐵道大學(xué)