APP下载

基于Harris角点的快速帧移动多视点图像跟踪识别

2021-08-09王佳欣窦小磊

智能计算机与应用 2021年3期

王佳欣 窦小磊

摘 要: 为了提高快速帧移动多视点图像的检测跟踪识别能力,提出基于Harris角点检测的快速帧移动多视点图像跟踪识别方法。构建快速帧移动多视点图像检测和帧稳定性控制模型,采用数字特征融合技术,实现对快速帧移动多视点图像的模糊度增强和融合处理,通过多维空间参数检测技术,实现快速帧移动多视点图像的动态参数识别,结合联合滤波特征匹配方法,采用稳像控制技术,建立快速帧移动多视点图像的灰度参数分析模型,根据Harris角点检测结果,结合角点自适应定位和分块匹配滤波,实现对快速帧移动多视点图像检测和跟踪识别。测试结果表明,采用该方法进行快速帧移动多视点图像跟踪识别的精度较高,角点定位和帧稳定性较好。

关键词: Harris角点; 快速帧移动; 多视点; 图像跟踪识别; 稳像

文章编号: 2095-2163(2021)03-0022-05 中图分类号:TP391 文献标志码:A

【Abstract】In order to improve the detection, tracking and recognition ability of fast frame moving multi-view images, a fast frame moving multi-view image tracking and recognition method based on Harris corner detection is proposed. The model of image detection and frame stability control for fast frame moving multi-view images is constructed. Digital feature fusion technology is used to enhance the ambiguity and fusion of fast frame moving multi-view images. Multi-dimensional spatial parameter detection technology is used to realize dynamic parameter identification of fast frame moving multi-view images. Combined with joint filtering feature matching method and image stabilization control technology, the gray parameter analysis model of fast frame moving multi-view images is established. According to Harris corner detection results, corner adaptive positioning and block matching filtering are combined to realize fast frame moving. The test results show that this method has high accuracy, corner location and frame stability in fast frame moving multi-view image tracking and recognition.

【Key words】 Harris corner; fast frame movement; multi-viewpoint; image tracking and recognition; image stabilization

0 引 言

随着电子稳像技术的发展,采用优化图像处理和图像角点定位技术,建立快速帧移动多视点图像处理和识别模型,提高快速帧移动多视点图像处理的检测和跟踪识别能力。在快速帧移动多视点图像处理和图像模式识别设计中,需要结合计算机视觉参数识别的方法,建立快速帧移动多视点图像处理和图像识别模型,结合视点参数识别和图像技术,实现图像的稳像处理和参数识别,提高图像成像质量,研究快速帧移动多视点图像处理方法,在图像参数分析和特征检测中具有重要意义,相关的快速帧移动多视点图像处理方法研究受到人们关注[1]。

对快速帧移动多视点图像跟踪识别是建立在对快速帧移动多视点图像的增强和滤波检测基础上,采用多视点图像像素跟踪方法,实现对快速帧移动多视点图像跟踪识别[2],传统方法中,对快速帧移动多视点图像识别主要有基于均衡误差参数分析的快速帧移动多视点图像识别方法、色彩辨识的图像识别方法等,通过快速帧移动多视点图像的模糊信息增强处理[3-5],采用滤波检测方法实现对快速帧移动多视点图像的优化融合处理,但传统方法进行快速帧移动多视点图像识别的自适应性不好。对此,本文提出基于Harris角点检测的快速帧移动多视点图像跟踪识别方法。构建快速帧移动多视点图像检测和帧稳定性控制模型,然后采用稳像控制技术,建立快速帧移动多视点图像的灰度参数分析模型,根据Harris角点检测结果,结合角点自适应定位和分块匹配滤波,实现对快速帧移动多视点图像检测和跟踪识别。最后进行仿真测试分析,展示了本文方法在提高快速帧移动多视点图像跟踪识别能力方面的优越性能。

1 快速帧移动多视点图像特征预处理

1.1 快速帧移动多视点图像滤波分析

為了实现基于Harris角点检测的快速帧移动多视点图像跟踪识别方法,首先构建快速帧移动多视点图像检测和帧稳定性控制模型,构建快速帧移动多视点图像色差参数检测模型[6],采用模糊度边缘检测方法进行快速帧移动多视点图像色差参数均衡信息融合,得到快速帧移动多视点图像多尺度Harris角点分布区域的边缘模糊集为:

采用区域特征分块检测的方法,构建快速帧移动多视点图像多尺度Harris角点分布区域融合集,在K维子空间中进行快速帧移动多视点图像的特征空间分布式重建,得到快速帧移动多视点图像处理结构图,建立基于点跟踪识别的快速帧移动多视点图像采集识别模型,得到点跟踪识别的快速帧图像参数检测模型表示为:

其中,h为快速帧移动多视点图像的梯度像素分量; ρe表示快速帧移动多视点图像在梯度方的特征分量; θe为色差参数均衡控制空间参数特征量,在x和y两个方向实现对快速帧移动多视点图像参数融合。

在成像的光谱旁瓣区域,得到快速帧移动多视点图像模糊边缘分塊检测结果[7],得到快速帧移动多视点图像模糊边缘的分块检测结果为:

根据上述分析,采用图像多尺度Harris特征检测方法,得到快速帧移动多视点图像的梯度分布全局估计特征量为:

其中,G(x→)表示快速帧移动多视点图像边界框输出稳定性参数,采用局部区域参数融合方法,构建快速帧移动多视点图像检测模型,得到线性特征重组结果f(gi)为:

由此获得快速帧移动多视点图像的采集和信息跟踪模型,根据m×n维状态空间中的分布集,采用点目标跟踪识别方法,快速帧移动多视点图像多尺度Harris角点分布为I(x),构建优化的快速帧移动多视点图像检测滤波模型,得到滤波联合信息熵:

在N×N的局部区域中进行快速帧移动多视点图像多尺度Harris角点检测和滤波[8]。

1.2 快速帧移动多视点图像融合

建立快速帧移动多视点图像的暗原色灰度参数检测模型,通过模糊度检测,得到模板大小为M×N,重建快速帧移动多视点图像的像素值[9],得到快速帧移动多视点跟踪的灰度模糊特征参数分解式,为:

2 图像跟踪识别优化

2.1 快速帧移动多视点图像稳像技术

采用数字特征融合技术,实现对快速帧移动多视点图像的模糊度增强和融合处理[11],得到快速帧移动多视点图像色差参数辨识分量:

其中,n表示快速帧移动多视点图像的空间分布维数,Fi(v)表示快速帧移动多视点图像的决策变量,根据对图像的边缘信息特征分解结果,采用边界化的特征分布式融合增强方法,得到快速帧移动多视点检测的文献特征分布模型为:

采用Taubin平滑算子进行快速帧移动多视点图像的三维跟踪识别,得到联合特征参数的优化分布集为:

2.2 快速帧移动多视点图像

采用稳像控制技术,建立快速帧移动多视点图像的灰度参数分析模型,根据Harris角点检测结果,对快速帧移动多视点图像的自适应特征参数识别和模糊信息滤波,构建快速帧移动多视点图像的Harris角点检测模型,表示为:

其中,wmk为快速帧移动多视点图像的白平衡偏移量,i, j为快速帧移动多视点偏移参数。综上分析,实现快速帧移动多视点图像的跟踪识别。

3 仿真测试分析

为了验证本文方法在实现快速帧移动多视点图像跟踪识别中的应用性能,采用Matlab进行仿真测试,图像的帧移动速度为149 fram/s,相似度为0.143,粗糙度系数为0.829,根据上述参数设定,进行多视点图像跟踪识别,得到待处理图像如图1所示。

采用数字特征融合技术,实现对快速帧移动多视点图像的模糊度增强处理,构建图像特征点匹配模型,得到匹配结果如图2所示。

分析图2得知,本文方法能有效实现对快速帧移动多视点图像的特征匹配,采用Harris角点检测,得到快速帧移动多视点图像的跟踪识别结果如图3所示。

分析上述仿真结果得知,对于快速帧移动多视点图像跟踪识别,本文方法是有效的,还可提高图像检测和识别能力。测试检测精度,对比结果见表1。分析仿真结果得知,本文方法对快速帧移动多视点图像识别的精度更高。

4 结束语

结合计算机视觉参数识别的方法,建立快速帧移动多视点图像处理和图像识别模型,本文提出基于Harris角点检测的快速帧移动多视点图像跟踪识别方法。建立快速帧移动多视点图像的暗原色灰度参数检测模型,通过模糊度检测,重建快速帧移动多视点图像的像素值,采用数字特征参数检测方法,建立快速帧移动多视点图像稳像控制模型,结合Harris角点检测实现图像多视点跟踪识别。研究表明,本文方法对快速帧移动多视点图像识别的精度较高。

参考文献

[1] 王莹莹. 矢量地理数据动态多重数字水印算法研究[J]. 测绘学报,2021,50(4):566.

[2] 王晓琴. 基于加密全息数字水印技术的电子档案管存系统设计[J]. 现代电子技术,2021,44(8):81-84.

[3] 马文骏,张黎明,李玉,等. 基于NSCT与改进SIFT特征点的GF-2影像水印算法[J]. 地理与地理信息科学,2021,37(2):31-37.

[4] 李博. 基于视觉传达的多帧图像高分辨率重建仿真[J]. 计算机仿真,2021,38(3):113-116,121.

[5] 张迅,李建胜,王安成,等. 无人平台视觉导航算法验证仿真系统的设计与实现[J]. 测绘科学技术学报,2021,38(1):9-14,20.[ZK)]

[6] 李松卿,丁刚毅. 基于成像逼真度的视觉仿真方法[J]. 中国电子科学研究院学报,2021,16(1):14-20.

[7] 崔丽群,张平,贺情杰,等. 对比度和细节增强显著性检测方法研究[J]. 计算机工程与应用, 2019, 55(23): 200-208.

[8] 金磊磊,梁红,杨长生. 基于显著性检测的声呐图像快速降噪研究[J]. 西北工业大学学报,2019,37(1):80-86.

[9] 周友行,刘汉江,赵晗妘,等. 基于像元相互关系的FCM聚类分割算法[J]. 仪器仪表学报,2019,40(9):124-131.

[10]宋廷强,李继旭,张信耶. 基于深度学习的高分辨率遥感图像建筑物识别[J]. 计算机工程与应用, 2020, 56(8): 26-34.

[11]李艳娟,牛梦婷,李林辉. 基于蜂群k-means算法的遥感图像聚类应用研究[J]. 计算机工程与应用, 2019, 55(6): 151-159.

[12]魏光杏,周献中,卜锡滨. 基于模糊C均值与人工蜂群优化的灰度图像分割[J]. 兰州大学学报(自然科学版),2019,55(2):250-254,260.