提出一种基于Kanade-Lucas-Tomasi算法的目标检测与追踪技术,用于放疗场景下实时追踪人体的呼吸运动。实验采用运动参数可调的仿真人体模型实现对人体不同呼吸状态的模拟,同时用摄像头采集运动过程的图像信息。对采集后的图像进行边缘检测和边缘增强等一系列图像预处理后,手动标记图像第一帧的感兴趣区域,通过追踪算法实现对其余帧图像感兴趣区域的自动追踪。经实验结果验证,该算法可以精准地实现对人体体表在不同呼吸状态下的实时追踪,实际归一化后的位移误差小于0.03,该算法能够应用于临床上的呼吸运动检测,利用获取的图像信息及参数指导精准放疗。

在散斑视觉测量中,通常引入标志点以提高散斑的测量效率。针对传统标志点匹配过程中存在的匹配时间长、匹配准确率低等问题,提出了一种采用改进KLT(Kanade-Lucas-Tomasi)算法的标志点匹配方法。该方法在利用改进加速稳健性特征(SURF)算法对标志点进行检测以建立初始匹配点的基础上,采用改进的KLT算法实现标志点的匹配,并利用最大双向误差作为约束条件删除匹配过程中存在的误匹配点,以提高匹配的可靠性。最后,对机翼颤振测量中涂敷在机翼模型散斑区的标志点进行了匹配实验验证。结果表明,与传统的尺度不变特征转换(SIFT)与SURF匹配算法相比,所提方法在匹配时间上分别减少了75.9%和42.8%,在匹配准确率上分别提高了30.6%和22.2%。

目前存在的大多数特征点跟踪算法只考虑了相邻两帧的情况，而忽略了之前图像帧的特征信息。在Kanade-Lucas-Tomasi(KLT)算法的基础上，提出了一种新的特征跟踪方法：首先通过实时训练特征空间，构成图像训练的集合，然后通过高斯-牛顿迭代方法取出目标的特征点。该算法有效地避免了目标尺度、角度的大幅度变化以及遮挡情况。通过实际的序列图像分析了算法的性能，并与其他算法做了比较。同时研究设计了以八核数字信号处理顺(DSP)TMS320C6678 为核心处理器，且结合了现场可编程门阵列(FPGA)数字视频图像采集的硬件平台，并且针对TMS320C6678 的内部特点，提出了算法优化的方法。最终实现了对实时传输的视频图像中运动目标的准确跟踪。