数码立体显微视频多特征点人工智能跟踪研究

陈斯宇，王培培

(吉林大学教育技术中心，吉林 长春 130000；

1 引言

基于传统显微观测，融合现有的数码成像与信号处理技术，构成了数码立体显微镜。在其使用场景中，通常需要对显微视频中的目标进行标定，但是由于显微构建的运动，以及视频帧图像的纹理、噪声、位置等影响，图像景深和目标状态均处于动态变化，常常难以实现目标特征的可靠捕获[1-3]。因此，显微视频的处理成为数码立体显微镜的核心技术。如果采用直接模型跟踪，需要对显微视频帧的目标图像建立精准的状态模型，即便是目标运动或者形状改变，都会导致模型受到影响，所以通常在模型基础上引入其它算法，用于特征跟踪的优化处理。文献[4]针对弱边界情况，通过建立目标轮廓模型得到关于轮廓的特征集，根据特征向量匹配实现特征点跟踪。文献[5]提出了一种自动阈值分离方法，根据帧图像灰度变换识别特征点，该方法的收敛速度快，但是初期阈值的准确性较差。此外，这些方法都是基于其它场景图像处理的改进和优化，缺乏对显微视频特征的深入分析。文献[6]针对图像纹理和运动模糊，利用复合正则化重构模型，然后通过分裂迭代搜索特征点，同时不断更新模型。文献[7]针对非刚性动态多特征，设计了深度学习网络，将目标多特征采取加权描述，并引入扫描算法解决特征重叠问题，改善了显微视频中目标遮挡导致的特征点难以跟踪问题。基于现有研究，为了进一步提升数码立体显微视频多特征点的跟踪性能，利用空间位置变换设计了特征状态模型，其中包含了对特征点位置、速度和噪声的描述，并得到具有运动反馈的观测模型。……