CN101976446A - 一种显微序列图像的多特征点跟踪方法 - Google Patents
一种显微序列图像的多特征点跟踪方法 Download PDFInfo
- Publication number
- CN101976446A CN101976446A CN2010105167686A CN201010516768A CN101976446A CN 101976446 A CN101976446 A CN 101976446A CN 2010105167686 A CN2010105167686 A CN 2010105167686A CN 201010516768 A CN201010516768 A CN 201010516768A CN 101976446 A CN101976446 A CN 101976446A
- Authority
- CN
- China
- Prior art keywords
- tracking
- matrix
- state
- image
- overbar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及图像处理、计算机视觉、计算方法、特征跟踪等领域,尤其是一种显微序列图像的多特征点跟踪方法。
背景技术
近年来,特征点的跟踪的广泛研究被潜在的应用推动,如医学领域中的病毒和细胞的研究,视频监视系统,车辆导航系统和人机交互等。在计算机视觉领域,它也扮演着非常重要的角色如三维重建,图像分割,物体识别等。但是除了在医学上的研究,特征点跟踪在其它微观领域的研究几乎趋于空白。众所周知微构件三维信息的获取和高精度误差检测是非常需要的。特征点的跟踪和匹配可以指导准确的微构件的三维重建,因此在显微序列图像中跟踪特征点的研究具有重要价值。
现有的特征点跟踪算法可分为:基于模板的跟踪方法,基于运动参数的跟踪方法和基于颜色的跟踪方法。然而,由于遮挡,图像噪声,和重复纹理等因素导致序列图像中多特征点跟踪仍然是现在研究的难题,尤其是对仅有弱纹理的低质量的显微图像序列更加具有挑战性。这些因素常常导致一些所谓的好的跟踪算法也无法进行准确的跟踪。近年来代表性的研究成果包含:针对包含丰富颜色信息的图像序列跟踪,由Bradski提出的连续自适应均值漂移算法(Camshift)能够利用颜色直方图作为跟踪模型进行准确跟踪。但是该算法不能够有效的处理背景中包含相似颜色的特征点的跟踪。Yi-Sheng Yao等,首次提出将概率数据融合与扩展卡尔曼滤波器(EKF)相结合对旋转运动图像序列中的多特征点进行跟踪,并且该算法能够有效解决特征点的部分遮挡问题。但是在物体做任意运动的过程中很难通过概率分析预测出特征点的准确位置,这使概率数据关联滤波器很难建立一个精确的运动模型。对于非刚性物体的跟踪,牛津大学Aeron Buchanan等,在2007年提出了一种结合KLT算法局部和全局运动模型跟踪方法实现非刚体运动物体准确的多特征点跟踪。但这种算法,必须在被跟踪的长序列图像前M帧组成的子序列中进行准确的运动预测,否则这种算法就不再可行。在2009年,Junghyun Kwon等,提出一种结合模板仿射变换的粒子滤波跟踪算法实现在长序列中对物体的跟踪。但这种算法只对宏观的单个物体的展现出良好的跟踪性能。
在显微序列图像中进行特征点的跟踪相比对常规尺寸和不具运动模糊的长序列图像中跟踪特征点更难。理论上,微构件以一个已知速度在旋转台上运动是可以使用参数构件运动模型,它在显微摄像机中的投影图像也具有对应的参数运动模型。但是旋转运动所导致微小的机械误差将引起微构件的预期的重要的运动模型难以建立。如参考文献所描述,当一个生成自身状态和状态子空间的非线性模型测量函数是很难找到系统的方法为UT变换选择调节参数,因此无极粒子滤波器(UPF)应用于该情况下的特征点的跟踪是不合适的。
发明内容
为了克服已有显微序列图像的多特征点跟踪方法的三维重建误差较大、跟踪效果较差的不足,本发明提供一种有效减少三维重建误差、提升跟踪效果的显微序列图像的多特征点跟踪方法。
本发明解决其技术问题所采用的技术方案是:
1)初始化特征点跟踪模板中心坐标,跟踪窗口大小。已知一组特征点的中心坐标,设定一个包含多点像素坐标的列矢量,其中i=1,…,k,t=1,…,N,k,N分别表示被选取跟踪特征点数量和序列图像中帧数量;点模板为一组以被跟踪点为中心m×n像素点矩阵与当前帧点状态的乘积。
2)状态的表示:图像畸变一般主要包括旋转,缩放,裁剪等变换,它们由可逆矩阵表示。为了进行模板的初始化,在初始帧中图像设定为参考标准,所有的点畸变程度和旋转角速度可视为相等用可逆旋转矩阵Rt=0表示。状态转移矩阵中的平移矢量被表示为一般刚体的运动也可以被表示为
每个刚体运动都可以由矩阵和矢量表示,[11,13]定义它们为属于李群(Lie group)。为了更加清晰的量化和计算仿射形变,[13,14]将从李群(Lie group)经过指数变换映射到李代数(Liealgebra)其关系是:
其中,Γ∈gl(2),γ∈gl(2)。在指数空间中,等式右边矩阵经分解计算可得到仿射变换基为ζm,m=1,…,3。
其中,sx,sy∈{+1,-1},b1,b5由仿射变换单位矩阵ξ1中的变化元素表示;b2,b3表示长度和高度均发生畸变的裁剪仿射形变,由仿射变换矩阵ξ2中的变化元素表示;b4,b6代表缩放变换,由矩阵ξ3中的变化元素表示;
3)状态预测:结合李代数中的指数函数,状态转移矩阵按几何学定义为:
其中,ai是一阶自动回归过程参数,τt表示零均值高斯噪声;ε为视频帧速率倒数平方根。
量测状态方程也能够被表示成离散化为:
其中,f是量测函数,vt是量测零均值噪声;
最优状态的估计是依据粒子样本权值计算,其中,j=1,…,G,G是采样的粒子个数。为了能准确得到仿射形变参数,一般不是直接对Xt (i)采样,而是对它的组成元素{Rt (i,1),…,Rt (i,G)}采样或重采样;最终估算出为:
其中,Rt,max (i,j)表示重采样前的权值最大的粒子,是Mt (i,j)的算术平均值;
4)样本协方差值计算,跟踪器性能同时依赖于与维纳过程相关的协方差值,但是一般很难选择这样一个恰当的先验协方差值,而是对与联合状态参数相关的样本协方差U(由一组协方差描述子S组成)进行估算。
其中,为列矢量,由于初始模板图像给定,跟踪过程中会生成新的模板图像,因此模板图像中每个像素都可以用特征矢量 表示,其中是模板中心坐标,为极坐标,I(Xt (i))表示像素强度,Ix,Iy,Ixx,Iyy分别表示图像一阶和二阶梯度导数。这样做可以尽量减少光照变化对显微图像跟踪的影响。再计算点模板块的协方差描述子S:
5)状态更新:收集到协方差描述子后,需要计算特征空间距离(公式(10)等式左边第一项第一行)和特征间距离(公式(10)等式左边第一项第二行),对比图像相似性(公式(10)等式左边第一项第三行),此时量测函数表示为:
其中,R是零均值高斯噪声vt的协方差。
6)估算出最优状态根据获取的与测量释然函数有关的后验概率密度p(yt (i)|Xt (i)),计算出权值并归一化权值,将输出一组与当前时间步后验均值相关的粒子根据设定有效粒子的门限判断是否执行重采样,重采样则得到新的粒子集合计算出实现当前帧中多个关键结构点跟踪;
然后令t=t+1,执行计算每个粒子的权重,重复刚才的步骤,最终实现在长序列显微图像中多点跟踪。
本发明的技术构思为:设计了一个单目显微视觉系统,它主要是由显微图像处理设备和视觉信息处理系统构成。在测量过程中,微构件是在一个四自由度的倾斜旋转载物台上运动。其中,显微图像处理设备位于在垂直方向。使用该测量模型的优势在于序列图像中的多幅图像能始终共用的相同的摄像机的内参数,即摄像机内参数为常数,有利于降低三维重建误差。为了捕获包含立体信息的序列图像,载物台在旋转运动过程中必须保持倾斜。在一定的深度范围内,倾斜角越大所获得的三维微构件的投影图像包含的细节信息就越多。
旋转轴与显微视场的偏离容易导致测量微构件转出视场。为了获得长的图像序列,这个偏离在测量开始时前就必须尽可能的调整至最小。显微视频的质量容易受到由旋转运动引起运动模糊的严重影响,以及光照条件,图像噪声,和投影等的影响。由于倾斜载物台和旋转运动导致状态空间和状态子空间都是非线性的,因此,粒子滤波算法(PF)在长序列显微图像中被采用来跟踪多个点。
由于在图像处理过程中刚性微构建图像具有固定的全局空间结构,和局部特征自身仿射不变性关系,跟踪问题通过结合仿射变换和协方差描述子而被极大的简化。
在时间关联的长序列图像中跟踪到初始图像中已知的特征点并且能够输出这些点的准确位置。由于弱纹理、噪声干扰和运动模糊等因素的影响,一个点的详细特征便不能被准确的描述,因此本文采用模板有利于在时间相关的显微序列图像中描述和跟踪特征点。已知一个包含像素坐标的列矢量,其中i=1,…,k,k是初始帧中选取的被跟踪特征点的最大数量,t=1,…,N,N是序列图像中最大帧的值。已知一组特征点的中心坐标,其初始化为 根据实际情况,为描述点的主要特征,点被表示成为一组围绕被跟踪点并以它为中心小区域11×11像素的点模板模板坐标由其次坐标与矩阵相乘实现。然后让多个点模板与时间相关显微图像序列中的每一个插入图像帧对齐。在跟踪过程中,计算出每一帧中点模板自身的旋转和平移特征是最重要的步骤之一。
本发明的有益效果主要表现在:有效减少三维重建误差、提升跟踪效果。
附图说明
图1是单目显微旋转运动模型的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种显微序列图像的多特征点跟踪方法,包括以下步骤:
1)设定一个包含像素坐标的列矢量,其中i=1,…,k,k是初始帧中选取的被跟踪特征点的最大数量,t=1,…,N,N是序列图像中最大帧的值;已知一组特征点的中心坐标,其初始化为 点被表示成为一组围绕被跟踪点并以它为中心小区域11×11像素的点模板
其中Γ∈gl(2),γ∈gl(2)。等式(3)中的仿射变换基元素为ζj,j=1,…,3,可由等式右边矩阵计算出
其中sx,sy是仿射变换的单位值,b1,b5由仿射变换矩阵ξ1中的元素sx,sy分别变化时生成;b2,b3代表长度和高度均发生畸变的裁剪仿射形变,主要由仿射变换矩阵ξ2中的元素sx,sy分别变化时生成;b4,b6代表缩放变换,当矩阵ξ3中的值sx,sy分别变化时生成;
3)利用李代数(Lie algebra)中描述的指数函数,状态方程按几何学定义为:
其中ai是AR处理参数,τt表示零均值高斯噪声;
量测状态方程也能够被表示成离散化为:
其中vt是量测零均值噪声;
估计Rt (i,1)和Γt (i,1)的样本均值,其中{Rt (i,1),…,Rt (i,G)},t=1,…,N,i=1,…,k,j=1,…,G,G是采样的粒子个数;Xt (i,G)样本均值能被估算为:
4)结合状态估计样本参数协防差矩阵U,计算两个协防差矩阵元素的距离,
再计算点模板块的协方差描述子S:
5)使用表面模型,量测函数表示为:
其中,R是零均值高斯噪声vt的协防差;
Claims (1)
1.一种显微序列图像的多特征点跟踪方法,其特征在于:所述多特征点跟踪方法包括以下步骤:
1)已知显微序列图像的一组特征点的中心坐标,设定bt=(xt (1),yt (1),…,xt (i),yt (i))T一个包含多点像素坐标的列矢量,其中i=1,…,k,t=1,…,N,k,N分别表示被选取跟踪特征点数量和序列图像中帧数量;点模板T(Xt (i))为一组以被跟踪点为中心m×n像素点矩阵与当前帧点状态Xt (i)的乘积;
2)状态的表示:图像畸变;由可逆矩阵Rt (i)表示,所有的点畸变程度和旋转角速度视为相等并用可逆旋转矩阵Rt=0示,状态转移矩阵Xt (i)=(Rt (i),0;Mt (i),1)中的平移矢量被表示为Mt=(Mxt (1),Myt (1),…,Mxt (i),Myt (i))T;一般刚体的运动被表示为
其中,l是一个非线性函数可以表示刚性物体点的运动,Rt (i)∈R2是一个2×2的可逆矩阵,Mt (i)∈R2是一个2×i的平移矢量;
每个刚体运动都由矩阵Rt (i)和矢量Mt (i)表示,将{Rt (i),Mt (i)}经过指数变换映射到李代数{Γt (i),γt (i)},其关系是:
其中,Γ∈gl(2),γ∈gl(2),在指数空间中,等式右边矩阵经分解计算得到仿射变换基为ξm,m=1,…,3;
其中,sx,sy是仿射变换的单位值;sx,sy∈{+1,-1},b1,b5由仿射变换单位矩阵ξ1中的变化元素表示;b2,b3代表长度和高度均发生畸变的裁剪仿射形变,由仿射变换矩阵ξ2中的变化元素表示;b4,b6代表缩放变换,由矩阵ξ3中的变化元素表示;
3)状态预测:结合李代数中的指数函数,状态转移矩阵按几何学定义为:
其中,ai是一阶自动回归过程参数,τt表示零均值高斯噪声;ε为视频帧速率倒数平方根。
量测状态方程也能够被表示成离散化为:
其中,f是量测函数,vt是量测零均值噪声;
最优状态的估计是依据粒子样本权值计算,其中,j=1,…,G,G是采样的粒子个数。为了能准确得到仿射形变参数,一般不是直接对Xt (i)采样,而是对它的组成元素{Rt (i,1),…,Rt (i,G)}采样或重采样:
4)模板图像协方差值计算,对与联合状态参数相关的样本协方差U进行估算。
其中,μt (i)为列矢量。由于初始模板图像给定,跟踪过程中会生成新的模板图像,因此模板图像中每个像素都可以用特征矢量h=(xt (i),yt (i) bt (i,d),bt (i,θ),I(Xt (i))Ix,Iy,tan-1(Ix/Iy),Ixx,Iyy)T表示,其中(xt (i),yt (i))是模板中心坐标,bt (i,d),bt (i, θ)为极坐标,I(Xt (i))表示像素强度,Ix,Iy,Ixx,Iyy分别表示一阶和二阶梯度导数。这样做可以尽量减少光照变化对显微图像跟踪的影响。再计算点模板块的协方差描述子S:
5)状态更新:收集到协方差描述子后,需要计算特征空间距离和特征间距离,对比图像相似性,此时量测函数表示为:
其中,R是零均值高斯噪声vt的协方差;
6)估算出最优状态根据获取的与测量释然函数有关的后验概率密度p(yt (i)|Xt (i),计算出权值并归一化权值,将输出一组与当前时间步后验均值相关的粒子根据设定有效粒子的门限判断是否执行重采样,重采样则得到新的粒子集合计算出实现当前帧中多个关键结构点跟踪;
然后令t=t+1,执行计算每个粒子的权重,重复刚才的步骤,最终实现在长序列显微图像中多点跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105167686A CN101976446B (zh) | 2010-10-20 | 2010-10-20 | 一种显微序列图像的多特征点跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105167686A CN101976446B (zh) | 2010-10-20 | 2010-10-20 | 一种显微序列图像的多特征点跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976446A true CN101976446A (zh) | 2011-02-16 |
CN101976446B CN101976446B (zh) | 2012-08-22 |
Family
ID=43576328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105167686A Active CN101976446B (zh) | 2010-10-20 | 2010-10-20 | 一种显微序列图像的多特征点跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976446B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982556A (zh) * | 2012-11-01 | 2013-03-20 | 江苏科技大学 | 基于流形上粒子滤波算法的视频目标跟踪方法 |
CN108536844A (zh) * | 2018-04-13 | 2018-09-14 | 吉林大学 | 一种文本增强的网络表示学习方法 |
CN112378837A (zh) * | 2020-09-15 | 2021-02-19 | 深圳市华中生物药械有限公司 | 一种宫颈脱落细胞检测方法及相关装置 |
CN112819509A (zh) * | 2021-01-18 | 2021-05-18 | 上海携程商务有限公司 | 自动筛选广告图片的方法、系统、电子设备和存储介质 |
-
2010
- 2010-10-20 CN CN2010105167686A patent/CN101976446B/zh active Active
Non-Patent Citations (4)
Title |
---|
《信息技术》 20091231 张雄,苑惠娟,于佳 基于序列图像的运动目标检测与跟踪 , 第8期 2 * |
《光机电研究论坛》 20090228 邵娜,应捷 视频序列中运动目标检测与跟踪方法研究 , 2 * |
《应用光学》 20100131 姜文涛, 陈卫东, 李良福 一种基于特征点跟踪的电子稳像算法 1 第31卷, 第1期 2 * |
《电子与信息学报》 20100531 高韬,刘正光,张军,岳士弘 基于特征点的多运动目标跟踪 1 第32卷, 第5期 2 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982556A (zh) * | 2012-11-01 | 2013-03-20 | 江苏科技大学 | 基于流形上粒子滤波算法的视频目标跟踪方法 |
CN102982556B (zh) * | 2012-11-01 | 2016-06-15 | 江苏科技大学 | 基于流形上粒子滤波算法的视频目标跟踪方法 |
CN108536844A (zh) * | 2018-04-13 | 2018-09-14 | 吉林大学 | 一种文本增强的网络表示学习方法 |
CN108536844B (zh) * | 2018-04-13 | 2021-09-03 | 吉林大学 | 一种文本增强的网络表示学习方法 |
CN112378837A (zh) * | 2020-09-15 | 2021-02-19 | 深圳市华中生物药械有限公司 | 一种宫颈脱落细胞检测方法及相关装置 |
CN112819509A (zh) * | 2021-01-18 | 2021-05-18 | 上海携程商务有限公司 | 自动筛选广告图片的方法、系统、电子设备和存储介质 |
CN112819509B (zh) * | 2021-01-18 | 2024-03-26 | 上海携程商务有限公司 | 自动筛选广告图片的方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101976446B (zh) | 2012-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9990736B2 (en) | Robust anytime tracking combining 3D shape, color, and motion with annealed dynamic histograms | |
Fan et al. | Road surface 3D reconstruction based on dense subpixel disparity map estimation | |
CN106780576B (zh) | 一种面向rgbd数据流的相机位姿估计方法 | |
Stewart et al. | Laps-localisation using appearance of prior structure: 6-dof monocular camera localisation using prior pointclouds | |
CN105976353A (zh) | 基于模型和点云全局匹配的空间非合作目标位姿估计方法 | |
JP6469905B2 (ja) | 適応型グランドプレーン推定を用いた自律運転のためのモノキュラ3d位置特定 | |
CN103325108A (zh) | 一种融合光流与特征点匹配的单目视觉里程计的设计方法 | |
Muñoz-Bañón et al. | Targetless camera-LiDAR calibration in unstructured environments | |
CN112634333B (zh) | 一种基于eco算法和卡尔曼滤波的跟踪装置方法及装置 | |
CN101976446B (zh) | 一种显微序列图像的多特征点跟踪方法 | |
Rangesh et al. | Ground plane polling for 6dof pose estimation of objects on the road | |
CN112686952A (zh) | 一种图像光流计算系统、方法及应用 | |
Browning et al. | A neural model of how the brain computes heading from optic flow in realistic scenes | |
CN115908539A (zh) | 一种目标体积自动测量方法和装置、存储介质 | |
Fanani et al. | Keypoint trajectory estimation using propagation based tracking | |
Wang et al. | Improving RGB-D SLAM accuracy in dynamic environments based on semantic and geometric constraints | |
CN116188550A (zh) | 一种基于几何约束的自监督深度视觉里程计 | |
Huang et al. | MC-VEO: A visual-event odometry with accurate 6-DoF motion compensation | |
CN113487631A (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
CN115984592A (zh) | 基于SuperPoint+SuperGlue的点线融合特征匹配方法 | |
Zhang et al. | Visual Odometry and 3D Point Clouds Under Low-Light Conditions | |
CN108257156B (zh) | 一种从视频中自动追踪目标物体的方法 | |
Asif et al. | AGV guidance system: An application of simple active contour for visual tracking | |
Wibowo et al. | Multi-scale color features based on correlation filter for visual tracking | |
CN111860532B (zh) | 基于两种互补跟踪算法的自适应目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |