22、实时机器视觉中使用演化模板跟踪可变形对象

实时机器视觉中使用演化模板跟踪可变形对象

在实时机器视觉领域，跟踪可变形对象是一项具有挑战性的任务。本文将介绍一种基于模板的跟踪系统，该系统能够有效地跟踪多个可变形对象，并在不同的场景下进行了实验验证。

1. 模板更新框架

为了减少冗余并存储更具代表性的模板，引入了一种动态方法。通过计算相关性指数 $R(k, i)$ 来确定每个模板的权重，其公式为：
[R(k, i) = \frac{Tp(i)}{1 + k - Ts(i)}]
其中，$k$ 表示时间步，$i$ 对应模板的标识符号，$Tp(i)$ 表示模板的使用频率，$Ts(i)$ 表示该模板最后一次作为当前模板使用的时间。

当匹配质量 $Q(g)$ 在 $\varepsilon$ 到 $\varepsilon_{max}$ 范围内时，新模板将插入到短期视觉记忆（STVM）中。当模板栈满且有新模板要加入时，将移除相关性指数较低的模板。

2. 模板更新算法

根据 A 搜索算法计算的 $Q(g_{opt})$ 值，按照以下步骤更新当前模板 $T(k)$ 为 $T(k + 1)$：
- 步骤 1 ：如果 $Q(g_{opt}) \leq \varepsilon$，则时间步 $k + 1$ 的新模板 $T(k + 1)$ 等同于 $T(k)$ 在图像 $I(k)$ 中的最佳匹配。即 $I(k)$ 中与最佳匹配 $g_{opt}(T(k))$ 的某个边缘点直接重叠的边缘点构成新模板 $T(k + 1)$：
[T(k + 1) \leftarrow {i \in I(k) | \min_{t \in T(