运动视觉跟踪电子设备设计研究

导语：运动视觉跟踪电子设备设计研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

1传统设备跟踪运动目标效果存在的问题

通过本文对运动视觉跟踪电子设备优化能够有效进行目标跟踪，从根本上避免了跟踪运动目标效果差的问题。优化后的运动视觉跟踪电子设备还能在一定程度上减缓由于目标运动的不确定性造成的视觉模糊现象，并且通过有效仿真实验验证了优化后的有效性[8]。

2运动视觉跟踪电子设备的改进设计

虽然在20世纪就已经提出蒙特卡罗算法，但是由于20世纪并没有运动视觉跟踪电子设备，因此蒙特卡罗算法并没有在计算机视觉跟踪领域进行应用，由于近些年的计算机视觉设备的兴起，蒙特卡罗算法才被应用到了运动视觉跟踪电子设备中去。因此本文也引用了蒙特卡罗算法进行运动视觉跟踪电子设备的优化。运动视觉跟踪电子设备结构图如图1所示。图1运动视觉跟踪电子设备结构图蒙特卡罗算法流程图如图2所示。图2蒙特卡罗算法流程图蒙特卡罗计算方法其实是对图像核密度进行非参数特征的空间转换方法，通过对图像帧频迭代寻优得到概率密度分布核函数表达式为：f(x)=1n∑i=1nki(X-X)1（1）式中，f（x）为核函数，一般是一个查询值。如果i为偶数，那么所得到的矩阵是对称矩阵，对应的像素增大概率为：m(x)=∑i=1nxgéëêùûúx-x1h2∑i=1ngæèçöø÷x-x1h2-x（2）式中，m（x）是像素增大概率，通过式（2）可以计算出像素被使用上升的极值。蒙特卡罗算法选择的空间像素授权图形为图像形式的像素颜色所含有的全部索引。因此，目标像素直方系数式为：q=C∑i=1nk(x)2δ[b(x)]-u（3）式中：u表示从1，2，…，m全部颜色的像素索引方程；δ为蒙特卡罗函数的常备系数；C是整合原点系数值；q表示核函数。为了方便进行像素的定位，候选目标的模型为：p(y)=C∑i=1hkæèçöø÷y-xh2δ[b(x)]-u（4）式中，h表示使用的像素宽度，它决定相关图像的实际尺度，通过计算相似度来有效地把非位置像素隔开，如下：ρ(y)≡ρ[p(y),q]=∑n=1mp(y)q（5）系数最大值便是当前帧值的所在位置。通过对系数最大值的选定可以有效改变和设定跟踪的目标，假设候选目标中的p（y）所对应的目标像素直方系数q没有发生突变，可以把上述公式展开得到：ρ[p(y)],q≈12∑n=1mp(y)q+12∑n=1mp(y)qp(y)（6）将式（5）转化为式（6），这样可以方便进行代入化简，得到化简式有利于进蒙特卡罗计算优化，公式如下：y=∑i=1hxwgæèçöø÷y-xh2∑i=1hwgæèçöø÷y-xh2（7）式中，xwg实际上是对帧频的定位，根据预定的逻辑进行定位，直到找到最大迭代次数。接收函数通式合并为：δ=minéëêêùûúú1,p(Y|x)Q(x);x1p(Y|x)1Q(x);x（8）再依据区域定位通式：ELBF(ϕ,f1,f2)=μ∫12(|∇ϕ-1-f)12dx+f2+Length(C)（9）式中：ϕ表示区域内单位帧运动位移向量；f1,f2分别表示图像帧频起始定位焦点和终止定位焦点；μ表示蒙特卡罗整合系数；Length(C)为帧频系数常量，把式（7）和式（8）与通式（9）进行合并，如下:ELBF(ϕ,f)1,f2=μ∫12(|∇ϕ|-1-f)12dx+δ⋅(f)2+Length(C)（10）得到的结果是一个区域，这个区域具有一定的帧，引入蒙特卡罗算法与接收函数结合，必须对上述公式进行系数合并，如下：min0≤αi≤cW=12∑i,j=1lyiyjαiαjK(xi,xj)-∑i=1lαi+bæèçöø∑÷i=1lyjαj（11）进行区域拟定还需要进行跟踪误差辨别，对跟踪的相对系数以及相对值域进行多次测量求出平均数，平均跟踪误差为：M(ω)=12π∫01N(ω)dω（12）式中：N为重叠率；dω为单元重叠差量，若表示重叠部分时值为0，如果表示非重叠值时值为1；M为像素误差值，结果是一个范围值，通过人为调整可进行函数的设定。计算平均跟踪误差，选定跟踪表现值为：G=∑r=1t∑q=1k2WiTxir-WiTxirq2Birq=tr(WiTHWi)（13）式中：xir与xirq为跟踪目标中心轴位置坐标，经计算与实际位置的中心轴进行坐标对比，可满足对误差的分析；W，B，H为目标区域实际高度、宽度以及对角线。以像素作计量单位计算重叠率为：Sc=[S0,S1,S2,⋯,SQ-1]binary=éëêùû∑úiQ-1Si×2iDec（14）式中：SQ-1为第Q-1帧真实目标区域中所包含的实际像素个数；i和c表示相交区域所含有的像素个数，推导出蒙特卡罗算法的测量公式为：sPPM(t)=∑i=-∞∞∑j=0Np-1p(t-iTs-jTp-cjTc-aiε)（15）

3试验验证

为了验证本文设计的运动视觉跟踪电子设备优化方案的有效性，采用对比仿真实验，对传统的运动视觉跟踪电子设备以及本文优化后的运动视觉跟踪电子设备进行对比。为了获得更加准确的运动视觉跟踪结果，同时对以运动的物体进行视觉跟踪。设置核密度系数为7.531；目标像素直方系数q的取值范围为1~5，帧频系数常量C为800；为了保证结果的有效程度，G的误差调整为1。实验结果如图3所示。通过图3可以看出，优化后的运动视觉跟踪电子设备的实验结果明显比传统运动视觉跟踪电子设备实验结果清晰，并且辨识度很高。上述图3为两种方法的辨识度的对比结果，图3（a）为优化后的运动视觉跟踪电子设备实验结果，图3（b）为传统的实验结果。可以看出优化后的实验结果明显比传统的运动视觉跟踪电子设备实验结果好。为了进一步验证优化后的运动视觉跟踪电子设备的辨识度效果，通过仿真实验描点记录的方式，对运动视觉跟踪电子设备的辨识度进行测试，得到测试结果如图4所示。分析图4可得，传统电子设备的辨识度平均值约为1.3，优化后的运动视觉跟踪电子设备的辨识度平均值约为2.8。由对比实验结果可以看出，优化后的实验结果明显比传统的运动视觉跟踪电子设备的辨识度更好。图3不同运动视觉跟踪电子设备实验结果图4实验辨识度对比综上所述，本文设计的运动视觉跟踪电子设备优化方法能够很好地解决跟踪运动目标效果差的问题。

4结语

本文设计的运动视觉跟踪电子设备优化方法能够有效地解决跟踪运动目标效果差的问题，同时增加了图片辨识度，希望通过本文设计能够有效推进运动视觉跟踪电子设备的应用。

参考文献

[1]孙彩红.运动视觉跟踪的三维虚拟平台设计与实现[J].现代电子技术，2017，40（2）：39⁃42.

[2]王欣，袁坤，于晓，等.基于运动恢复的双目视觉三维重建系统设计[J].光学精密工程，2014，22（5）：1379⁃1387.

[3]赵军，於俊，汪增福.基于改进逆向运动学的人体运动跟踪[J].智能系统学报，2015（4）：548⁃554.

[4]乔良.三维图像视觉下运动关键特征的提取方法改进[J].计算机仿真，2017，34（1）：216⁃219.

[5]杨敏，裴明涛，王永杰，等.一种基于运动目标检测的视觉车辆跟踪方法[J].北京理工大学学报，2014，34（4）：24⁃28.

[6]鲁永杰，王思明.一种改进的运动目标跟踪方法[J].中国测试，2015（7）：95⁃98.

[7]李骈臻，李震.基于机器视觉的教室多目标跟踪算法设计与实现[J].计算机工程与设计，2014，35（1）：243⁃247.

[8]覃为广，宋鸿陟，彭红星，等.改进的自适应颜色属性目标跟踪算法[J].计算机工程与设计，2016，37（3）：803⁃808.

作者:宋丽丹 单位:安阳师范学院