[发明专利]一种显微序列图像的多特征点跟踪方法

说明书

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R_t＝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