增强现实中的视频对象跟踪算法

《增强现实中的视频对象跟踪算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第36卷第12期计算机工程2010年6月Vol.36No.12ComputerEngineeringJune2010·多媒体技术及应用·文章编号：1000—3428(2010)12—0229—03文献标识码：A中图分类号：TN911.73增强现实中的视频对象跟踪算法陈明，陈一民，黄诗华，姚争为(上海大学计算机工程与科学学院，上海200072)摘要：根据增强现实在视频对象跟踪中的应用需求，提出一种综合利用尺度不变特征变换(SIFT)算子、K聚类算法和轮廓检测的视频对象跟踪算法。该算法利用简易SIFT获得输入图像的特征点，通过K聚类算法获得可能的对

2、象聚类，并采用改进的轮廓处理方法得到对象边界，移除孤立点，确定对象特征点，在对象特征点中获取增强现实应用中需要的注册点。在关键帧匹配中，只要使用对象特征点进行对象匹配。实验结果表明，该算法具有运行速度快、匹配正确率高的特点，能满足增强现实视频应用的注册需求。关键词：增强现实；视频对象跟踪；尺度不变特征变换算子；K-means算法；轮廓检测VideoObjectTrackingAlgorithmforAugmentedRealityCHENMing,CHENYi-min,HUANGShi-hua,YAOZheng-wei(SchoolofComp

3、uterEngineeringandScience,ShanghaiUniversity,Shanghai200072)【Abstract】AccordingtotheapplicationrequirementofAugmentedReality(AR)invideoobjecttracking,thispaperproposesavideoobjecttrackingalgorithmbasedonScale-InvariantFeatureTransform(SIFT)operator,K-meansclusteringalgorithm

4、andcontourdetection.ThereducedSIFTisappliedtogetthefeaturepointsfromtheinputimage.TheK-meansclusteringalgorithmisappliedtoclustertheobjectfeaturepointsapproximatively.Theimprovedcontourprocessisappliedtogetoutlinesfromtheclusteredobjectfeaturepoints,removesisolationpointsand

5、determinestheobjectfeaturepoints.Theregisteredpointisgotfromtheobjectfeaturepointsset.Inthekeyframe,itonlyneedstousetheobjectfeaturepointstomatchtheobject.Experimentalresultsshowthatthealgorithmisfastandaccurate.ItcanmeettheneedofARregistering.【Keywords】augmentedreality;vide

6、oobjecttracking;Scale-InvariantFeatureTransform(SIFT)operator;K-meansalgorithm;contourdetection1概述化大致轮廓，以去除不是对象的孤立特征点。尺度不变特征[4]增强现实(AugmentedReality,AR)是一种对真实世界信变换(Scale-InvariantFeatureTransform,SIFT)算法是优秀的息和虚拟世界信息进行无缝集成的新技术。基于视频的AR特征点计算与匹配算法，其匹配能力较强，能处理2幅图像应用成本较低且便于在不同环境中使

7、用，因此，近年来发展之间发生平移、旋转、仿射变换时的匹配问题，因此，本文较快。在基于视频的AR应用中，如何精确跟踪视频对象是采用SIFT方法来初步计算对象特征点。对于对象分类问题，一个重要问题，因为增强现实虚实融合的关键之一是精确注采用快速的K聚类方法来区分聚类特征点，K-means聚类算册虚拟物体。基于视频的AR应用通常需要将虚拟物体跟踪法是一种分割式聚类方法，其主要目的是先在大量高维特征注册在一个实时拍摄的实际视频对象上。点中找出具有代表性的特征点，这些特征点可以称为类的中视频对象跟踪一直是计算机视觉的关键，如果一个视频心代表点，然后根据这

8、些聚类中心，进行后续处理。采用K序列的每幅关键帧图像都重复同样的跟踪算法，计算量将十聚类算法的原因是该算法简单，且已被证明是最快的聚类算分巨大。对于运