運動視覺跟蹤電子設備設計研究
時間:2022-01-08 02:33:55
導語:運動視覺跟蹤電子設備設計研究一文來源于網友上傳,不代表本站觀點,若需要原創文章可咨詢客服老師,歡迎參考。
1傳統設備跟蹤運動目標效果存在的問題
通過本文對運動視覺跟蹤電子設備優化能夠有效進行目標跟蹤,從根本上避免了跟蹤運動目標效果差的問題。優化后的運動視覺跟蹤電子設備還能在一定程度上減緩由于目標運動的不確定性造成的視覺模糊現象,并且通過有效仿真實驗驗證了優化后的有效性[8]。
2運動視覺跟蹤電子設備的改進設計
雖然在20世紀就已經提出蒙特卡羅算法,但是由于20世紀并沒有運動視覺跟蹤電子設備,因此蒙特卡羅算法并沒有在計算機視覺跟蹤領域進行應用,由于近些年的計算機視覺設備的興起,蒙特卡羅算法才被應用到了運動視覺跟蹤電子設備中去。因此本文也引用了蒙特卡羅算法進行運動視覺跟蹤電子設備的優化。運動視覺跟蹤電子設備結構圖如圖1所示。圖1運動視覺跟蹤電子設備結構圖蒙特卡羅算法流程圖如圖2所示。圖2蒙特卡羅算法流程圖蒙特卡羅計算方法其實是對圖像核密度進行非參數特征的空間轉換方法,通過對圖像幀頻迭代尋優得到概率密度分布核函數表達式為:f(x)=1n∑i=1nki(X-X)1(1)式中,f(x)為核函數,一般是一個查詢值。如果i為偶數,那么所得到的矩陣是對稱矩陣,對應的像素增大概率為:m(x)=∑i=1nxgéëêùûúx-x1h2∑i=1ngæèçöø÷x-x1h2-x(2)式中,m(x)是像素增大概率,通過式(2)可以計算出像素被使用上升的極值。蒙特卡羅算法選擇的空間像素授權圖形為圖像形式的像素顏色所含有的全部索引。因此,目標像素直方系數式為:q=C∑i=1nk(x)2δ[b(x)]-u(3)式中:u表示從1,2,…,m全部顏色的像素索引方程;δ為蒙特卡羅函數的常備系數;C是整合原點系數值;q表示核函數。為了方便進行像素的定位,候選目標的模型為:p(y)=C∑i=1hkæèçöø÷y-xh2δ[b(x)]-u(4)式中,h表示使用的像素寬度,它決定相關圖像的實際尺度,通過計算相似度來有效地把非位置像素隔開,如下:ρ(y)≡ρ[p(y),q]=∑n=1mp(y)q(5)系數最大值便是當前幀值的所在位置。通過對系數最大值的選定可以有效改變和設定跟蹤的目標,假設候選目標中的p(y)所對應的目標像素直方系數q沒有發生突變,可以把上述公式展開得到:ρ[p(y)],q≈12∑n=1mp(y)q+12∑n=1mp(y)qp(y)(6)將式(5)轉化為式(6),這樣可以方便進行代入化簡,得到化簡式有利于進蒙特卡羅計算優化,公式如下:y=∑i=1hxwgæèçöø÷y-xh2∑i=1hwgæèçöø÷y-xh2(7)式中,xwg實際上是對幀頻的定位,根據預定的邏輯進行定位,直到找到最大迭代次數。接收函數通式合并為:δ=minéëêêùûúú1,p(Y|x)Q(x);x1p(Y|x)1Q(x);x(8)再依據區域定位通式:ELBF(ϕ,f1,f2)=μ∫12(|∇ϕ-1-f)12dx+f2+Length(C)(9)式中:ϕ表示區域內單位幀運動位移向量;f1,f2分別表示圖像幀頻起始定位焦點和終止定位焦點;μ表示蒙特卡羅整合系數;Length(C)為幀頻系數常量,把式(7)和式(8)與通式(9)進行合并,如下:ELBF(ϕ,f)1,f2=μ∫12(|∇ϕ|-1-f)12dx+δ⋅(f)2+Length(C)(10)得到的結果是一個區域,這個區域具有一定的幀,引入蒙特卡羅算法與接收函數結合,必須對上述公式進行系數合并,如下:min0≤αi≤cW=12∑i,j=1lyiyjαiαjK(xi,xj)-∑i=1lαi+bæèçöø∑÷i=1lyjαj(11)進行區域擬定還需要進行跟蹤誤差辨別,對跟蹤的相對系數以及相對值域進行多次測量求出平均數,平均跟蹤誤差為:M(ω)=12π∫01N(ω)dω(12)式中:N為重疊率;dω為單元重疊差量,若表示重疊部分時值為0,如果表示非重疊值時值為1;M為像素誤差值,結果是一個范圍值,通過人為調整可進行函數的設定。計算平均跟蹤誤差,選定跟蹤表現值為:G=∑r=1t∑q=1k2WiTxir-WiTxirq2Birq=tr(WiTHWi)(13)式中:xir與xirq為跟蹤目標中心軸位置坐標,經計算與實際位置的中心軸進行坐標對比,可滿足對誤差的分析;W,B,H為目標區域實際高度、寬度以及對角線。以像素作計量單位計算重疊率為:Sc=[S0,S1,S2,⋯,SQ-1]binary=éëêùû∑úiQ-1Si×2iDec(14)式中:SQ-1為第Q-1幀真實目標區域中所包含的實際像素個數;i和c表示相交區域所含有的像素個數,推導出蒙特卡羅算法的測量公式為:sPPM(t)=∑i=-∞∞∑j=0Np-1p(t-iTs-jTp-cjTc-aiε)(15)
3試驗驗證
為了驗證本文設計的運動視覺跟蹤電子設備優化方案的有效性,采用對比仿真實驗,對傳統的運動視覺跟蹤電子設備以及本文優化后的運動視覺跟蹤電子設備進行對比。為了獲得更加準確的運動視覺跟蹤結果,同時對以運動的物體進行視覺跟蹤。設置核密度系數為7.531;目標像素直方系數q的取值范圍為1~5,幀頻系數常量C為800;為了保證結果的有效程度,G的誤差調整為1。實驗結果如圖3所示。通過圖3可以看出,優化后的運動視覺跟蹤電子設備的實驗結果明顯比傳統運動視覺跟蹤電子設備實驗結果清晰,并且辨識度很高。上述圖3為兩種方法的辨識度的對比結果,圖3(a)為優化后的運動視覺跟蹤電子設備實驗結果,圖3(b)為傳統的實驗結果。可以看出優化后的實驗結果明顯比傳統的運動視覺跟蹤電子設備實驗結果好。為了進一步驗證優化后的運動視覺跟蹤電子設備的辨識度效果,通過仿真實驗描點記錄的方式,對運動視覺跟蹤電子設備的辨識度進行測試,得到測試結果如圖4所示。分析圖4可得,傳統電子設備的辨識度平均值約為1.3,優化后的運動視覺跟蹤電子設備的辨識度平均值約為2.8。由對比實驗結果可以看出,優化后的實驗結果明顯比傳統的運動視覺跟蹤電子設備的辨識度更好。圖3不同運動視覺跟蹤電子設備實驗結果圖4實驗辨識度對比綜上所述,本文設計的運動視覺跟蹤電子設備優化方法能夠很好地解決跟蹤運動目標效果差的問題。
4結語
本文設計的運動視覺跟蹤電子設備優化方法能夠有效地解決跟蹤運動目標效果差的問題,同時增加了圖片辨識度,希望通過本文設計能夠有效推進運動視覺跟蹤電子設備的應用。
參考文獻
[1]孫彩紅.運動視覺跟蹤的三維虛擬平臺設計與實現[J].現代電子技術,2017,40(2):39⁃42.
[2]王欣,袁坤,于曉,等.基于運動恢復的雙目視覺三維重建系統設計[J].光學精密工程,2014,22(5):1379⁃1387.
[3]趙軍,於俊,汪增福.基于改進逆向運動學的人體運動跟蹤[J].智能系統學報,2015(4):548⁃554.
[4]喬良.三維圖像視覺下運動關鍵特征的提取方法改進[J].計算機仿真,2017,34(1):216⁃219.
[5]楊敏,裴明濤,王永杰,等.一種基于運動目標檢測的視覺車輛跟蹤方法[J].北京理工大學學報,2014,34(4):24⁃28.
[6]魯永杰,王思明.一種改進的運動目標跟蹤方法[J].中國測試,2015(7):95⁃98.
[7]李駢臻,李震.基于機器視覺的教室多目標跟蹤算法設計與實現[J].計算機工程與設計,2014,35(1):243⁃247.
[8]覃為廣,宋鴻陟,彭紅星,等.改進的自適應顏色屬性目標跟蹤算法[J].計算機工程與設計,2016,37(3):803⁃808.
作者:宋麗丹 單位:安陽師范學院
- 上一篇:電子信息技術在隧道交通管理的運用
- 下一篇:日本電子政務狀況評析