摘 要：提出了一種基于平面投影不變量的目標(biāo)跟蹤算法．算法從圖像中提取直線邊緣計算投影不變量，用于對目標(biāo)建模并跟蹤．為提取直線邊緣，使用改進的序列細化算法將邊緣細化為單像素寬，而后用一種快速曲率估計方法估算邊緣點的曲率，并保留估算值很?。s等于零）的點擬合直線．在所得直線族中按照鄰近規(guī)則或者窗IZl規(guī)則挑選直線計算投影不變量．圖像處理實驗給出了用文中提出的圖像預(yù)處理算法獲得的直線邊緣效果，并通過使用所得直線計算不變量的值衡量了所得不變量的穩(wěn)定性和視角不變性．跟蹤實驗檢驗了跟蹤算法的魯棒性和實用性． 關(guān)鍵詞：投影不變量；目標(biāo)跟蹤；視覺伺服 1 引言 實時連續(xù)圖像序列中的目標(biāo)跟蹤是機器視覺，特別是視覺伺服領(lǐng)域相關(guān)研究和應(yīng)用中的一個十分重要的問題．事實上，一個魯棒性和實時性俱佳的視覺特征提取和跟蹤過程是視覺伺服任務(wù)成功的關(guān)鍵．目前，跟蹤算法可以大概分為三類：基于2D幾何基元、基于2D模板（區(qū)域）和基于模型（2D、3D）的目標(biāo)跟蹤算法． 第一類方法使用2D幾何基元，如圓點⋯ 、特征點、直線邊緣 和物體外輪廓_4 等，這種算法主要使用灰度梯度提取特征．此類算法在視覺伺服中應(yīng)用最為廣泛，因為其跟蹤到的特征參數(shù)可以直接用于視覺伺服控制率，而且簡單快速．但是如果目標(biāo)的形狀和紋理十分復(fù)雜以致無法用幾何基元來描述，或者背景極為復(fù)雜，則此種算法不適用 ．第二類基于2D模板 的方法不使用梯度，無需進行特征提取，直接使用圖像的亮度信息進行2D模板匹配．算法的目標(biāo)是通過相關(guān)性匹配估計一組參數(shù)，來描述模板在圖像序列中的變形和位移，因此這類技術(shù)又被稱為圖像特征運動估計．圖像特征運動模型可能是仿射模型或者透視投影模型．這類算法可以跟蹤復(fù)雜的目標(biāo)，適應(yīng)復(fù)雜的背景，但是算法復(fù)雜度較高，而且需要手動初始化跟蹤過程．第三類方法嘗試建立目標(biāo)的2D或者3D模型，從而可以估計任意的攝像機或者剛體目標(biāo)的運動l ．這種算法可以克服圖像中目標(biāo)的部分遮擋，可以應(yīng)用于任意的視覺伺服算法（2D、3D和2．5D） ．上述三種方法都有成功應(yīng)用的案例．后兩種算法雖然可用于復(fù)雜環(huán)境，但是都沒有有效解決算法的自動初始化問題，初始位置需要手動設(shè)定．每次執(zhí)行任務(wù)都需要人工輔助指定初始位置對于自主智能機器人來說是不合理的．鑒于人造物體表面特征多可用平面直線和二次曲線來描述，本文嘗試應(yīng)用平面投影不變量來實現(xiàn)平面目標(biāo)的特征跟蹤，更重要的是自動完成初始化跟蹤過程．投影不變量可以使用點、直線、二次曲線或者它們的組合來產(chǎn)生．圖像中提取的特征點其位置往往不精確，用其計算所得的不變量精度不高；使用二次曲線的不變量的計算誤差也較大．直線有許多優(yōu)良特性：它的透視投影在任何情況下都保持為直線，它可以用簡潔的方程來表達，直線的擬合精度易于測度等等．本文使用直線來組建不變量．[詳情內(nèi)容請點擊]