運動視覺誤差分析的模型設計與實現

李振亞

摘 要： 針對運動目標模型三維建模中，視覺誤差導致建模的準確性不好的問題，提出一種基于運動視覺誤差補償的三維模型設計方法。采用全息投影方法進行三維運動模型圖形采集，結合邊緣像素特征提取方法進行三維模型的體繪制，根據運動視覺誤差補償方法構建圖像重構的三維數據場，進行運動模型的邊緣輪廓特征提取和Harris角點檢測，實現運動模型的三維重建和視景仿真重構。仿真結果表明，采用該方法進行運動模型重建，輸出三維模型的噪點較小，輪廓特征配準精度較高，運動圖像識別的視覺誤差收斂到零，提高成像質量。

關鍵詞： 運動視覺誤差； 圖像重構； 三維運動模型； 像素特征提取； Harris角點

中圖分類號： TN911.73?34； TP311 文獻標識碼： A 文章編號： 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和計算機智能視覺技術的發展，在計算機視覺環境下進行運動目標識別，實現圖像智能識別，相關的圖像處理方法在體育運動的技術分析、運動模型三維重建以及軍事目標打擊中具有重要意義[1]。傳統方法中，對運動視覺誤差分析的模型設計方法主要采用參數統計特征重組模型和幾何規則性輪廓重構模型，結合圖像降噪技術進行視覺誤差分析，提高重建圖像的輸出信噪比，但隨著運動視覺誤差干擾性增強，輸出運動視覺圖像的像素配準度不高[2?3]。對此，本文提出一種基于運動視覺誤差補償的三維模型設計方法，采用全息投影方法進行三維運動模型圖形采集，結合相應的圖像處理改進算法實現運動視覺誤差分析的模型設計，最后進行仿真測試，展示了本文方法的優越性能。

1 運動目標圖像采集與預處理

1.1 全息投影運動目標圖像生成

為了實現對運動目標圖像的視覺三維重構，首先采用全息紅外視覺掃描方法進行圖像圖形采集，結合圖像空間掃描法進行運動目標成像投影[4]，求出運動目標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；“*”表示卷積。根據運動視覺誤差進行運動圖像的像素級視差函數配準，結合自適應向量量化方法進行圖像的亞像素級模板匹配，得到模板匹配后的像素輸出為：

[g（x，y）=f（x，y）+η（x，y）] （2）

計算運動目標圖像的邊緣輪廓像素估計值為：

[f（x，y）=βF（x，y）+（1-β）ml+δ2l] （3）

式中：[F（x，y）]為運動目標成像的強紋理集參數統計特征；[ml]為背景差分像素分布紋理集；[δ2l]為局部方差。

將運動目標圖像分成[t]塊互不重疊的局部小塊，結合Ray?Casting圖像空間掃描得到圖像的全息投影中心區域。假設在仿射區域[Ω]內，運動目標檢測的視覺誤差偏移為[I（x，y）]，計算在兩個不重疊區域[R1]和[R2]內的誤差匹配函數，結合光線因素的影響，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動目標圖像，為進行運動視覺誤差分析和圖形三維重構提供準確的原始圖像輸入基礎。

1.2 三維模型的體繪制

在立體匹配模式下，結合邊緣像素特征提取方法進行三維模型的體繪制，在圖像的視覺分布空間中對采集的圖像進行亞像素級視差配準[5]，進行圖像的三維體繪制，構造圖像驅動的平滑項為：

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

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

[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，進行圖形的三維體繪制，假設[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果為：

[sPAM（t）=j=-∞∞djp（t-jTs）] （7）

式中：[Ts]是運動目標成像的單尺度特征值；[Tp]為圖像邊界的極大值點；[Tc]為視差邊界函數；[cj]為線性變換的加權系數；[Np]為視覺誤差的偏移量。

2 運動視覺誤差補償及圖像三維重構

2.1 運動視覺誤差補償技術

本文提出一種基于運動視覺誤差補償的三維模型設計方法，進行運動目標圖像的三維重建。根據運動視覺誤差補償方法構建圖像重構的三維數據場[6]，計算運動視覺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）]為視差驅動的平滑項權，在運動視覺誤差補償技術改進下[7]，得到三維圖像重構的亞像素偏移特征提取結果為：

[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數。

2.2 圖像重構的三維視覺實現

根據運動視覺誤差補償方法構建圖像重構的三維數據場，數據場的控制參量模型為：

[K=KT1K2TK3TK4TK5TT] （9）

[L=LT1LT2LT3LT4LT5T] （10）

[M=MT1MT2MT3MT4MT5T] （11）

假設視覺誤差分布的初始信息參量為[x（t）]，在初始時刻[d1（t）]和[d2（t）]，得到運動目標圖像的像素誤差擬合結果為：

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

構建Harris角點檢測模型[8]，進行圖像的邊緣輪廓分解，Harris角點檢測函數為：

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

當[NS=1]時，運動目標圖像的角點由參數t決定，實現了運動視覺誤差下的圖像重構，得到三維圖像重建結果為：

[x（t）=m=0Mwmdm（t）] （14）

輸出的圖像重建的區塊內容為：

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

式中，[i=1，2，…，T]，表示像素序列的長度，通過上述處理，實現運動模型的三維重建和視景仿真重構。

3 仿真實驗分析

采用Matlab視景仿真技術進行仿真實驗，實驗通過Vega Prime提供的三維模型圖進行運動模型的虛擬視景仿真平臺設計，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，根據上述仿真環境和參量設定，進行運動目標圖像重建，得到原始圖像如圖1所示，優化輸出圖像如圖2所示。

分析圖1、圖2結果得知，采用本文方法進行運動目標圖像重建，輸出圖像輪廓特征的匹配性更佳。為了定量分析性能，以視覺誤差收斂性為測試指標，得到對比結果如圖3所示。分析得知，本文方法的視覺誤差能快速收斂到零，提高了運動圖像的識別能力。

4 結 語

本文提出一種基于運動視覺誤差補償的三維模型設計方法，采用全息投影方法進行三維運動模型圖形采集，根據運動視覺誤差補償方法構建圖像重構的三維數據場，進行運動模型的邊緣輪廓特征提取和Harris角點檢測，實現運動模型的三維重建和視景仿真重構。本文方法輸出運動目標三維模型輪廓特征配準精度較高，圖像成像質量更高。

參考文獻

[1] 劉婷，程建.基于訓練字典的遙感圖像融合[J].計算機工程與應用，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HOG的人臉特征提取算法[J].計算機科學，2017，44（1）：303?307.

[4] 許妙忠，叢銘，萬麗娟，等.視覺感受與Markov隨機場相結合的高分辨率遙感影像分割法[J].測繪學報，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.光照健壯人臉識別的低秩相對梯度直方圖特征[J].電子學報，2016，44（8）：1940?1946.

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

[8] 方智文，曹治國，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].計算機應用，2015，35（4）：1079?1083.endprint