数字建筑与增强打印技术：视觉图像检测方法

增强现实技术最密不可分的就是视觉图像检测，设备要想确定现实中的标示就必须将获取的视频图像进行视觉图像检测，解析出标示。视觉图像检测方法很多，每种方法都有各自的优点和缺点，都有自己适用的领域和方向，目前国内外主流研究的检测方法有背景差分法、帧间差分法和光流法。背景差分法和帧间差分法相应的特点，比较适用于手持设备增强现实系统，在这里重点介绍这两种方法。

（1）背景差分法

背景差分法的基本原理是在背景静止的条件下，通过对背景图像进行建模或直接将完整背景图像采集存储作为参考对象，将视频序列中的各个图像与背景图像进行差分运算，判定灰度等特征值变化或直方图等统计信息来分割运动目标。如果参考系选取适当，背景差分法可以精确的分离判定运动目标和背景，确定目标轮廓。背景差分法的有效性受背景环境影响比较大，如果背景场景短时内变化较大会大大影响背景差分法的计算精确度，无法判定图像中变动的对象哪个才是真正的目标。要保证背景差分法的有效性及精度需要满足两个基本条件一个就是背景需要保持相对静止，外界光照和阴影保持在相对稳定状态，尽量减少摄像设备的图像噪点。另一个就是运动目标需要与背景的灰度值存在较大的差异，并且运动目标的运动速度要低于摄像设备捕捉的极限。背景差分法的关键在于如何将图像中的运动目标和背景分离，确定前景目标，并对背景模型进行更新维护。背景图像模型的获取方式主要有以下几种：

①背景图像预存法，就是事先将无干扰的背景图像拍摄并存储在设备中用于差分计算时作为背景初始模型使用。在实验环境下可以轻易获得无干扰背景图片，但并不适用于实践中。对于手持设备的移动特性而言，无法预知下一个背景环境会是什么。

②直接抽取平均值法，就是通过初始化时直接抽取视频中还没有出现运动目标时的一幅图像作为参考背景。并在应用执行的过程中不断取一段时间内拍摄图像的背景计算背景平均值用来更新参考背景。这种方法要求在初始化阶段不能有运动目标出现，如果在初始化阶段就已经有目标引入则会将目标误认为背景，而继而目标的变动很可能被误判为背景在变动，而背景中原先被目标所遮蔽的物体反而会被误判为移动中的目标。

③卡尔曼滤波法，该算法把背景认为是一种稳态的系统，把前景图像认为是一种噪声，用基于卡尔曼滤波理论的时域递归低通滤波来预测变化缓慢的背景图像，这样既可以不断地用前景图像更新背景，又可以维持背景的稳定性消除噪声的干扰。(www.xing528.com)

④单高斯分布法，对于一个没有光照变化，没有对象扰动的静态场景，它的灰度值是可以用高斯分布来模拟的。那么可以设定一个均值作为基线，在基线附近做不超过设定的偏差的随机震荡，这就是背景。由此，对场景中的每个像素点建立高斯分布模型，当有对象进入场景后就可以通过对图像帧进行高斯模型的拟合提取背景图像，从而实现背景分离。

⑤多高斯分布法将背景图像的每一个像素点按多个高斯分布的叠加来建模，每种高斯分布可以表示一种背景场景，这样的话，多个高斯模型混合使用就可以模拟出复杂场景中的多模态情形。对于背景差分法对于背景光线，阴影变化从而导致的一系列计算误差，误判，可以用背景的自适应更新的方法来降低背景差分法对背景环境敏感性，降低周围环境因素对背景差分法造成的不利影响。

（2）帧间差分法

帧间差分法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法，它可以很好地适用于存在多个运动目标和摄像机移动的情况。当背景场景中出现运动物体时，摄像设备所捕捉的影像帧与帧之间会出现较为明显的差别，两个各个像素灰度值相减，得到两顿图像灰度差值，再将差值图像二值化，如果灰度差大于预设阔值则判定为目标像素，反之则判定为背景像素。通过二值化图像确定捕捉的影像中是否有运动物体。图像序列逐桢的差分，相当于对图像序列进行了时域下的高通滤波。二值化判定图像中的运动目标和背景关键在于阀值的设定。通过自适应阔值可以大大增加判定的准确性，减少背景环境光线和阴影等因素的影响。可以通过循环阀值选择算法来实现自适应决定阀值。算法首先取二值化图像中最大灰度值初始化阀值，然后根据上次计算所得阀值将图像分成两部分，求出各个部分的灰度平均值，可以通过设定各个点的权重值来优化算法，提高准确性。再由以上计算所得目标灰度的平均值和背景灰度的平均值来计算新的阀值。结朿计算后再使用得到的阀值对图像进行二值化。二值化的目标图像中还会存在着大量的噪点，因此还需要对图像进行形态学滤波和连通性分析等后续处理来增加目标分割的精确性。