藉由類神經網路尋找序列影像書面中多運動物體之特徵點軌跡

Abstract

關於尋找一序列連續影像書面中多運動物體之特征點軌慫的問題(Finding trajecto- ries of feature points in an image sequence)，本論文提出一以類神經網路(Ne- ural network) 為基礎的即時演算法(Real-time algorithm),并且可解決特征點暫時 受掩的問題(Occlusion problem)。 運動特體的分析(Motion analysis) 一直是熱門的研究項目，而運動軌慫分析則是其 中一主要課題。在尋找運動物體的軌慫中，主要是如何辨識同一物體在序列書面(Se- quence of frames) 上所造成的特征點(Feature point) 之對應關系(Corresponden- ce) 。由於物體慣性，一般假設物體運動路徑具有位置和速度之連貫性(Coherence), 因上針對特征點的不同對應情形所構成可能軌慫組合(Combinations of legal paths ) ，藉著評估比較各個可能軌慫的連貫性及可能軌慫組合的合理懷，將可找出最佳解 (Optimal solution)。所以這問題基本上可轉為一最佳化問題。但由於可能的軌慫組 合數目與待處理書面數成冪級數比例，因此可能的軌慫組合數將十分龐大，對於傳統 演算法而言，其計算是非常耗時的。此外特征點受遮掩的問題，一般并無很好的解決 方式。對此，我們提出一個以霍普菲爾類神經網路(Hopfield neural network) 為基 礎的演算法，利用類神經網路其特有的集體運算與并行處理之特性(Properties of collective computation and parallel processing) ，解決了上述的問題。與先前 提出的演算法不同處在於： 1.計算時間大幅降低。以尋找四個運動物體軌慫為例，平均每一新輸入書面的處理時 間在386PC 上約需0.3 秒，在DEC3100 上約需0.02秒。 2.可接受新書面的連續輸入，以達到追趿的目的。 3.即使有特征點一度受遮掩，仍可找出適當的答案。 4.演算法復雜度由O(nm )降為O(m ) ，n 為書面序列長度，m 為運動物體數，所以新 演算法的復雜度與書面序列長度無關。 本論文將分成下列部份：概述，類神經網路介紹，物體之運動特性，固定數目書面的 軌慫尋找，序列書面的軌慫尋找，特征點受遮掩時的軌慫尋找。