运动视觉误差分析的模型设计与实现
李振亚
摘 要： 针对运动目标模型三维建模中，视觉误差导致建模的准确性不好的问题，提出一种基于运动视觉误差补偿的三维模型设计方法。采用全息投影方法进行三维运动模型图形采集，结合边缘像素特征提取方法进行三维模型的体绘制，根据运动视觉误差补偿方法构建图像重构的三维数据场，进行运动模型的边缘轮廓特征提取和Harris角点检测，实现运动模型的三维重建和视景仿真重构。仿真结果表明，采用该方法进行运动模型重建，输出三维模型的噪点较小，轮廓特征配准精度较高，运动图像识别的视觉误差收敛到零，提高成像质量。
关键词： 运动视觉误差； 图像重构； 三维运动模型； 像素特征提取； Harris角点
中图分类号： TN911.73?34； TP311 文献标识码： A 文章编号： 1004?373X（2017）18?0092?03
Design and implementation of motion vision error analysis model
LI Zhenya
（Zhengzhou University of Industrial Technology， Zhengzhou 451150， China）
Abstract： Since the modeling accuracy is poor due to vision error in 3D modeling of moving object model， a 3D model design method based on motion vision error compensation is put forward. The holographic projection method is used to perform graph collection of 3D motion model， and combined with the edge pixel feature extraction method to carry out volume rendering of 3D model. 3D data field of image reconstruction is constructed according to motion vision error compensation method to extract the edge contour feature of motion model and detect the Harris angular point， so as to realize 3D reconstruction of motion model and visual simulation reconstitution. The simulation results show that the method used to reconstruct the motion model can output small noisy point of 3D model， has high registration accuracy of contour features， and the vision error of moving image recognition can converge to zero， which can improve the imaging quality.
Keywords： motion vision error； image reconstruction； 3D motion model； pixel feature extraction； Harris angular point
0 引 言
隨着三维视景仿真技术和计算机智能视觉技术的发展，在计算机视觉环境下进行运动目标识别，实现图像智能识别，相关的图像处理方法在体育运动的技术分析、运动模型三维重建以及军事目标打击中具有重要意义[1]。传统方法中，对运动视觉误差分析的模型设计方法主要采用参数统计特征重组模型和几何规则性轮廓重构模型，结合图像降噪技术进行视觉误差分析，提高重建图像的输出信噪比，但随着运动视觉误差干扰性增强，输出运动视觉图像的像素配准度不高[2?3]。对此，本文提出一种基于运动视觉误差补偿的三维模型设计方法，采用全息投影方法进行三维运动模型图形采集，结合相应的图像处理改进算法实现运动视觉误差分析的模型设计，最后进行仿真测试，展示了本文方法的优越性能。
1 运动目标图像采集与预处理
1.1 全息投影运动目标图像生成
为了实现对运动目标图像的视觉三维重构，首先采用全息红外视觉扫描方法进行图像图形采集，结合图像空间扫描法进行运动目标成像投影[4]，求出运动目标三维成像的模板特征组合方程为：
[g（x，y）=h（x，y）*f（x，y）+η（x，y）] （1）
式中：[h（x，y）]是视差函数；“*”表示卷积。根据运动视觉误差进行运动图像的像素级视差函数配准，结合自适应向量量化方法进行图像的亚像素级模板匹配，得到模板匹配后的像素输出为：
[g（x，y）=f（x，y）+η（x，y）] （2）
计算运动目标图像的边缘轮廓像素估计值为：
[f（x，y）=βF（x，y）+（1-β）ml+δ2l] （3）
式中：[F（x，y）]为运动目标成像的强纹理集参数统计特征；[ml]为背景差分像素分布纹理集；[δ2l]为局部方差。
将运动目标图像分成[t]块互不重叠的局部小块，结合Ray?Casting图像空间扫描得到图像的全息投影中心区域。假设在仿射区域[Ω]内，运动目标检测的视觉误差偏移为[I（x，y）]，计算在两个不重叠区域[R1]和[R2]内的误差匹配函数，结合光线因素的影响，得到：
[ELBF（?，f1，f2）=μ12??-12dx+v?Length（C）+ λ1Kσ（x-y）I-f1（x）2H（?）dydx+ λ2Kσ（x-y）I-f2（x）21-H（?）dydx] （4）
采用全息投影方法生成运动目标图像，为进行运动视觉误差分析和图形三维重构提供准确的原始图像输入基础。
1.2 三维模型的体绘制
在立体匹配模式下，结合边缘像素特征提取方法进行三维模型的体绘制，在图像的视觉分布空间中对采集的图像进行亚像素级视差配准[5]，进行图像的三维体绘制，构造图像驱动的平滑项为：
[c1=ii∈S，c2=i，i′i′∈Ni，i∈S，C=c1?c2] （5）
式中，[i=1，2，…，T]，表示亚像素级视差像素序列。求解获得视差函数的边缘轮廓特征向量，表达式为：
[sPPM（t）=i=-∞∞j=0Np-1p（t-iTs-jTp-cjTc-aiε）] （6）
基于图像属性特征矩的高斯不变性，进行图形的三维体绘制，假设[u]表示参考图像，[u]表示匹配图像，得到三维模型的体绘制结果为：
[sPAM（t）=j=-∞∞djp（t-jTs）] （7）
式中：[Ts]是运动目标成像的单尺度特征值；[Tp]为图像边界的极大值点；[Tc]为视差边界函数；[cj]为线性变换的加权系数；[Np]为视觉误差的偏移量。
2 运动视觉误差补偿及图像三维重构
2.1 运动视觉误差补偿技术
本文提出一种基于运动视觉误差补偿的三维模型设计方法，进行运动目标图像的三维重建。根据运动视觉误差补偿方法构建图像重构的三维数据场[6]，计算运动视觉误差的像素特征分布信息，分别表示为：[Hx=-jωxω]和[Hy=-jωyω]。其中[ω=（ωx，ωy）]为视差驱动的平滑项权，在运动视觉误差补偿技术改进下[7]，得到三维图像重构的亚像素偏移特征提取结果为：
[Match（objectpre，objectc）=i（Hpre（i）-Hpre）（Hc（i）-Hc）i（Hpre（i）-Hpre）2i（Hc（i）-Hc）2] （8）
[Hk=1NjHk（j）]，且N等于带有直方图偏移的四邻域个数。
2.2 图像重构的三维视觉实现
根据运动视觉误差补偿方法构建图像重构的三维数据场，数据场的控制参量模型为：
[K=KT1K2TK3TK4TK5TT] （9）
[L=LT1LT2LT3LT4LT5T] （10）
[M=MT1MT2MT3MT4MT5T] （11）
假设视觉误差分布的初始信息参量为[x（t）]，在初始时刻[d1（t）]和[d2（t）]，得到运动目标图像的像素误差拟合结果为：
[min0≤αi≤cW=12i，j=1lyiyjαiαjK（xi，xj）-i=1lαi+bi=1lyjα] （12）
构建Harris角点检测模型[8]，进行图像的边缘轮廓分解，Harris角点检测函数为：
[D=dm（t）=k=1K（m）p（t-τmk）， m={1，2，…，N}] （13）
当[NS=1]时，运动目标图像的角点由参数t决定，实现了运动视觉误差下的图像重构，得到三维图像重建结果为：
[x（t）=m=0Mwmdm（t）] （14）
输出的图像重建的区块内容为：
[x（t）=j=1NSm=1Mk=1K（m）qjwmkp（t-jTs-Tm-τmk）+v（t）] （15）
式中，[i=1，2，…，T]，表示像素序列的长度，通过上述处理，实现运动模型的三维重建和视景仿真重构。
3 仿真实验分析
采用Matlab视景仿真技术进行仿真实验，实验通过Vega Prime提供的三维模型图进行运动模型的虚拟视景仿真平台设计，样本模板尺寸分别为：120×120，180×180，图像采样的像素分布信噪比为-12 dB，根据上述仿真环境和参量设定，进行运动目标图像重建，得到原始图像如图1所示，优化输出图像如图2所示。
分析图1、图2结果得知，采用本文方法进行运动目标图像重建，输出图像轮廓特征的匹配性更佳。为了定量分析性能，以视觉误差收敛性为测试指标，得到对比结果如图3所示。分析得知，本文方法的视覺误差能快速收敛到零，提高了运动图像的识别能力。
4 结 语
本文提出一种基于运动视觉误差补偿的三维模型设计方法，采用全息投影方法进行三维运动模型图形采集，根据运动视觉误差补偿方法构建图像重构的三维数据场，进行运动模型的边缘轮廓特征提取和Harris角点检测，实现运动模型的三维重建和视景仿真重构。本文方法输出运动目标三维模型轮廓特征配准精度较高，图像成像质量更高。
参考文献
[1] 刘婷，程建.基于训练字典的遥感图像融合[J].计算机工程与应用，2013，49（19）：135?140.
[2] LI S T， YIN H T， FANG L Y. Remote sensing image fusion via sparse representations over learned dictionaries [J]. IEEE transactions on geoscience and remote sensing， 2013， 51（9）： 4779?4789.
[3] 蒋政，程春玲.基于Haar特性的改进HOG的人脸特征提取算法[J].计算机科学，2017，44（1）：303?307.
[4] 许妙忠，丛铭，万丽娟，等.视觉感受与Markov随机场相结合的高分辨率遥感影像分割法[J].测绘学报，2015，44（2）：198?205.
[5] GONZALEZ?MORA J， DE LA TORRE F， GUIL N， et al. Learning a generic 3D face model from 2D image databases using incremental structure from motion [J]. Image and vision computing， 2010， 28（7）： 1117?1129.
[6] 杨利平，李武.光照健壮人脸识别的低秩相对梯度直方图特征[J].电子学报，2016，44（8）：1940?1946.
[7] 刘永春，王广学，栗苹，等.基于二维概率密度函数比较的SAR图像变化检测方法[J].电子与信息学报，2015，37（5）：1122?1127.
[8] 方智文，曹治国，朱磊.基于梯度角度的直方图局部特征描述子的图像匹配算法[J].计算机应用，2015，35（4）：1079?1083.
摘 要： 针对运动目标模型三维建模中，视觉误差导致建模的准确性不好的问题，提出一种基于运动视觉误差补偿的三维模型设计方法。采用全息投影方法进行三维运动模型图形采集，结合边缘像素特征提取方法进行三维模型的体绘制，根据运动视觉误差补偿方法构建图像重构的三维数据场，进行运动模型的边缘轮廓特征提取和Harris角点检测，实现运动模型的三维重建和视景仿真重构。仿真结果表明，采用该方法进行运动模型重建，输出三维模型的噪点较小，轮廓特征配准精度较高，运动图像识别的视觉误差收敛到零，提高成像质量。
关键词： 运动视觉误差； 图像重构； 三维运动模型； 像素特征提取； Harris角点
中图分类号： TN911.73?34； TP311 文献标识码： A 文章编号： 1004?373X（2017）18?0092?03
Design and implementation of motion vision error analysis model
LI Zhenya
（Zhengzhou University of Industrial Technology， Zhengzhou 451150， China）
Abstract： Since the modeling accuracy is poor due to vision error in 3D modeling of moving object model， a 3D model design method based on motion vision error compensation is put forward. The holographic projection method is used to perform graph collection of 3D motion model， and combined with the edge pixel feature extraction method to carry out volume rendering of 3D model. 3D data field of image reconstruction is constructed according to motion vision error compensation method to extract the edge contour feature of motion model and detect the Harris angular point， so as to realize 3D reconstruction of motion model and visual simulation reconstitution. The simulation results show that the method used to reconstruct the motion model can output small noisy point of 3D model， has high registration accuracy of contour features， and the vision error of moving image recognition can converge to zero， which can improve the imaging quality.
Keywords： motion vision error； image reconstruction； 3D motion model； pixel feature extraction； Harris angular point
0 引 言
隨着三维视景仿真技术和计算机智能视觉技术的发展，在计算机视觉环境下进行运动目标识别，实现图像智能识别，相关的图像处理方法在体育运动的技术分析、运动模型三维重建以及军事目标打击中具有重要意义[1]。传统方法中，对运动视觉误差分析的模型设计方法主要采用参数统计特征重组模型和几何规则性轮廓重构模型，结合图像降噪技术进行视觉误差分析，提高重建图像的输出信噪比，但随着运动视觉误差干扰性增强，输出运动视觉图像的像素配准度不高[2?3]。对此，本文提出一种基于运动视觉误差补偿的三维模型设计方法，采用全息投影方法进行三维运动模型图形采集，结合相应的图像处理改进算法实现运动视觉误差分析的模型设计，最后进行仿真测试，展示了本文方法的优越性能。
1 运动目标图像采集与预处理
1.1 全息投影运动目标图像生成
为了实现对运动目标图像的视觉三维重构，首先采用全息红外视觉扫描方法进行图像图形采集，结合图像空间扫描法进行运动目标成像投影[4]，求出运动目标三维成像的模板特征组合方程为：
[g（x，y）=h（x，y）*f（x，y）+η（x，y）] （1）
式中：[h（x，y）]是视差函数；“*”表示卷积。根据运动视觉误差进行运动图像的像素级视差函数配准，结合自适应向量量化方法进行图像的亚像素级模板匹配，得到模板匹配后的像素输出为：
[g（x，y）=f（x，y）+η（x，y）] （2）
计算运动目标图像的边缘轮廓像素估计值为：
[f（x，y）=βF（x，y）+（1-β）ml+δ2l] （3）
式中：[F（x，y）]为运动目标成像的强纹理集参数统计特征；[ml]为背景差分像素分布纹理集；[δ2l]为局部方差。
将运动目标图像分成[t]块互不重叠的局部小块，结合Ray?Casting图像空间扫描得到图像的全息投影中心区域。假设在仿射区域[Ω]内，运动目标检测的视觉误差偏移为[I（x，y）]，计算在两个不重叠区域[R1]和[R2]内的误差匹配函数，结合光线因素的影响，得到：
[ELBF（?，f1，f2）=μ12??-12dx+v?Length（C）+ λ1Kσ（x-y）I-f1（x）2H（?）dydx+ λ2Kσ（x-y）I-f2（x）21-H（?）dydx] （4）
采用全息投影方法生成运动目标图像，为进行运动视觉误差分析和图形三维重构提供准确的原始图像输入基础。
1.2 三维模型的体绘制
在立体匹配模式下，结合边缘像素特征提取方法进行三维模型的体绘制，在图像的视觉分布空间中对采集的图像进行亚像素级视差配准[5]，进行图像的三维体绘制，构造图像驱动的平滑项为：
[c1=ii∈S，c2=i，i′i′∈Ni，i∈S，C=c1?c2] （5）
式中，[i=1，2，…，T]，表示亚像素级视差像素序列。求解获得视差函数的边缘轮廓特征向量，表达式为：
[sPPM（t）=i=-∞∞j=0Np-1p（t-iTs-jTp-cjTc-aiε）] （6）
基于图像属性特征矩的高斯不变性，进行图形的三维体绘制，假设[u]表示参考图像，[u]表示匹配图像，得到三维模型的体绘制结果为：
[sPAM（t）=j=-∞∞djp（t-jTs）] （7）
式中：[Ts]是运动目标成像的单尺度特征值；[Tp]为图像边界的极大值点；[Tc]为视差边界函数；[cj]为线性变换的加权系数；[Np]为视觉误差的偏移量。
2 运动视觉误差补偿及图像三维重构
2.1 运动视觉误差补偿技术
本文提出一种基于运动视觉误差补偿的三维模型设计方法，进行运动目标图像的三维重建。根据运动视觉误差补偿方法构建图像重构的三维数据场[6]，计算运动视觉误差的像素特征分布信息，分别表示为：[Hx=-jωxω]和[Hy=-jωyω]。其中[ω=（ωx，ωy）]为视差驱动的平滑项权，在运动视觉误差补偿技术改进下[7]，得到三维图像重构的亚像素偏移特征提取结果为：
[Match（objectpre，objectc）=i（Hpre（i）-Hpre）（Hc（i）-Hc）i（Hpre（i）-Hpre）2i（Hc（i）-Hc）2] （8）
[Hk=1NjHk（j）]，且N等于带有直方图偏移的四邻域个数。
2.2 图像重构的三维视觉实现
根据运动视觉误差补偿方法构建图像重构的三维数据场，数据场的控制参量模型为：
[K=KT1K2TK3TK4TK5TT] （9）
[L=LT1LT2LT3LT4LT5T] （10）
[M=MT1MT2MT3MT4MT5T] （11）
假设视觉误差分布的初始信息参量为[x（t）]，在初始时刻[d1（t）]和[d2（t）]，得到运动目标图像的像素误差拟合结果为：
[min0≤αi≤cW=12i，j=1lyiyjαiαjK（xi，xj）-i=1lαi+bi=1lyjα] （12）
构建Harris角点检测模型[8]，进行图像的边缘轮廓分解，Harris角点检测函数为：
[D=dm（t）=k=1K（m）p（t-τmk）， m={1，2，…，N}] （13）
当[NS=1]时，运动目标图像的角点由参数t决定，实现了运动视觉误差下的图像重构，得到三维图像重建结果为：
[x（t）=m=0Mwmdm（t）] （14）
输出的图像重建的区块内容为：
[x（t）=j=1NSm=1Mk=1K（m）qjwmkp（t-jTs-Tm-τmk）+v（t）] （15）
式中，[i=1，2，…，T]，表示像素序列的长度，通过上述处理，实现运动模型的三维重建和视景仿真重构。
3 仿真实验分析
采用Matlab视景仿真技术进行仿真实验，实验通过Vega Prime提供的三维模型图进行运动模型的虚拟视景仿真平台设计，样本模板尺寸分别为：120×120，180×180，图像采样的像素分布信噪比为-12 dB，根据上述仿真环境和参量设定，进行运动目标图像重建，得到原始图像如图1所示，优化输出图像如图2所示。
分析图1、图2结果得知，采用本文方法进行运动目标图像重建，输出图像轮廓特征的匹配性更佳。为了定量分析性能，以视觉误差收敛性为测试指标，得到对比结果如图3所示。分析得知，本文方法的视覺误差能快速收敛到零，提高了运动图像的识别能力。
4 结 语
本文提出一种基于运动视觉误差补偿的三维模型设计方法，采用全息投影方法进行三维运动模型图形采集，根据运动视觉误差补偿方法构建图像重构的三维数据场，进行运动模型的边缘轮廓特征提取和Harris角点检测，实现运动模型的三维重建和视景仿真重构。本文方法输出运动目标三维模型轮廓特征配准精度较高，图像成像质量更高。
参考文献
[1] 刘婷，程建.基于训练字典的遥感图像融合[J].计算机工程与应用，2013，49（19）：135?140.
[2] LI S T， YIN H T， FANG L Y. Remote sensing image fusion via sparse representations over learned dictionaries [J]. IEEE transactions on geoscience and remote sensing， 2013， 51（9）： 4779?4789.
[3] 蒋政，程春玲.基于Haar特性的改进HOG的人脸特征提取算法[J].计算机科学，2017，44（1）：303?307.
[4] 许妙忠，丛铭，万丽娟，等.视觉感受与Markov随机场相结合的高分辨率遥感影像分割法[J].测绘学报，2015，44（2）：198?205.
[5] GONZALEZ?MORA J， DE LA TORRE F， GUIL N， et al. Learning a generic 3D face model from 2D image databases using incremental structure from motion [J]. Image and vision computing， 2010， 28（7）： 1117?1129.
[6] 杨利平，李武.光照健壮人脸识别的低秩相对梯度直方图特征[J].电子学报，2016，44（8）：1940?1946.
[7] 刘永春，王广学，栗苹，等.基于二维概率密度函数比较的SAR图像变化检测方法[J].电子与信息学报，2015，37（5）：1122?1127.
[8] 方智文，曹治国，朱磊.基于梯度角度的直方图局部特征描述子的图像匹配算法[J].计算机应用，2015，35（4）：1079?1083.
