英文翻译651024419.doc

基于动态图像的目标跟踪与匹配算法研究 概述 基于图像的绘制技术（IBR技术）是一个新兴的从图像视频的密集采样中绘制真实场景的技术。最近，提出了一种基于一类动态图像的物体跟踪的方法，即所谓的全景视频。本文提出了一种使用水平集法的自动对象跟踪方法。与以往的只利用全局特征的做法相比，我们的这种跟踪方法既利用了图像序列的全局特征又利用了局部特征，达到了更好的跟踪对象的效果。由于可能存在物体边界分割误差，我们采用了Bayesian方法进行自动匹配。此外，我们还采用了类似于MPEG–4的基于对象压缩全景视频的的算法，它包含了阿尔法图像、深度图像和全景视频中以分割图像为基础的不同的对象纹理流。实验结果表明，该方法可以获得满意的结果。 简介 基于图像的绘制技术（IBR技术）是一个新兴的、有前途的从图像视频的密集的采样中逼真恢复出背景和对象的技术。IBR技术的核心是全光函数[1]，它发展形成了先进的虚拟现实与可视化系统的新框架。IBR技术的另一个重要优势是卓越的图像质量，它提供了三维模型的建立，特别是非常复杂的现实世界场景。无论现场的复杂性有多高，它都能够提供计算量较少的渲染方法。捕获，压缩和有效的渲染是IBR研究的基本问题[1]。文献中呈现了对象的渲染方法和一个以动态图像为基础的对象压缩，提出了所谓的全景视频。该全景视频具有一个四维全光功能，它通过捕获得到视频，该视频经常是沿着一系列的分割段，而不是放置在静态光场二维平面。主要的动机是为了减少在捕捉动态图像时的超高维度和过多的硬件成本。尽管简化成本，全景视频还是可以提供一系列场景，视差和连接图像光线变化的阵列。在基于对象的方法中，在较大差异下，不同对象划分为不同的层渲染和压缩。一个重要优势表现在顶端的光线区域，在大环境下的渲染质量可以得到显著改善[4]。此外，通过对对象级别的全景视频编码，可以实现最好的效果，如可扩展性的内容，差错控制，及与个别对象的交互性IBR技术等等。 在基于对象的技术中一个重要步骤是把在视频流中的对象分割成一层层或者基于图像有着不同深度值的物体。目标提取方法的提出是基于Lazy snapping，component（也称为混合阿尔法图像）来估计物体边界周围的每个像素。使用阿尔法和纹理映射可以方便估计原始图像或其他全景视频图像中基于背景的对象。由于其良好的性能，我们在中采用Bayesian方法。并且，MPEG - 4类似的基于对象的压缩算法也可以压缩了基于对象的全景视频，这包含了阿尔法图像，深度图像和基于不同全景视频中图像对象的纹理。 本文的结构如下：在2中论述采集系统的建立。第3节讨论目标跟踪算法。第4节中提出匹配算法和基于对象的压缩算法。第5节得出实验结果。最后，在第6节中得出的结论。 全景视频采集系统 图1显示了全景视频系统用于捕捉动态场景。该系统包含了两个线性矩阵，两张图像是存取于6 JVCDRDVP9ah摄像机。在相机之间的两个连续线性矩阵间距15cm，矩阵之间的角度可以灵活调整。可连接更多矩阵在一起形成较长的视频。由于视频是录制的，该系统也更便于捕捉户外的动态场景。1万字动态全光场景随着各线阵相机矩阵被捕获，并且，用户可以凭借其意愿继续用摄像机延伸其线性矩阵。多元线性矩阵的使用使用户有更多的观看体育赛事和其他生活活动的自由。该系统是一个权衡简单和自由观看之间的设计。当然，也可使用其他配置的相机。该相机校准使用方法[7]。为了使用此方法来校正我们的相机矩阵，我们设计了一张巨大的参考网格，以便可以让所有的摄影机同时采集。使用提取的内在和外在的相机参数，摄像机的视频可以纠正的渲染。捕获后的视频数据存储在磁带可通过FireWire接口传输到电脑。所有这些组件是相对便宜，他们可以很容易地扩展。 利用水平集方法的目标跟踪 像之前所提到的，有显著差异的不同目标被分割成一层层并分别被压缩。这避免了在目标边界导致的深度不连续。在该方法中，首次应用半自动的方式对目标进行初始分割。这种跟踪技术随后被应用到分割其他视频流和随后的瞬时的目标对象。我们的方法是基于水平集方法和几何偏微分方程（PDE） (1) 作为一个曲线函数或C曲面。下标表示，函数是从给定的图像1计算得到的。通常，是设计来衡量所需的曲线从C在点x的偏差。为了尽量减少函数(1)，可以用变分方法来转换成为为偏微分方程函数（PDF） 。一般的数值方法是先用一个初始曲线和一个虚构的时间变量t演变得出偏微分方程，决定于如下的： (2) 然而，因为可能存在某些偏微分方程的奇异点，传统的有限差分法不适合求解方程(2)。一个求解方程(2)的重大突破是由Sethian and Osher[13]提出的，该方法通常被称为水平集方法。水平集方法的基本思想是代表“隐形式，如零水平集或更高维函数isophone”曲线或