专利名称：：一种显微序列图像的多特征点跟踪方法
技术领域：
：本发明涉及图像处理、计算机视觉、计算方法、特征跟踪等领域，尤其是一种显微序列图像的多特征点跟踪方法。
背景技术：
：近年来，特征点的跟踪的广泛研究被潜在的应用推动，如医学领域中的病毒和细胞的研究，视频监视系统，车辆导航系统和人机交互等。在计算机视觉领域，它也扮演着非常重要的角色如三维重建，图像分割，物体识别等。但是除了在医学上的研究，特征点跟踪在其它微观领域的研究几乎趋于空白。众所周知微构件三维信息的获取和高精度误差检测是非常需要的。特征点的跟踪和匹配可以指导准确的微构件的三维重建，因此在显微序列图像中跟踪特征点的研究具有重要价值。现有的特征点跟踪算法可分为基于模板的跟踪方法，基于运动参数的跟踪方法和基于颜色的跟踪方法。然而，由于遮挡，图像噪声，和重复纹理等因素导致序列图像中多特征点跟踪仍然是现在研究的难题，尤其是对仅有弱纹理的低质量的显微图像序列更加具有挑战性。这些因素常常导致一些所谓的好的跟踪算法也无法进行准确的跟踪。近年来代表性的研究成果包含针对包含丰富颜色信息的图像序列跟踪，由Bradski提出的连续自适应均值漂移算法(Camshift)能够利用颜色直方图作为跟踪模型进行准确跟踪。但是该算法不能够有效的处理背景中包含相似颜色的特征点的跟踪。Yi-ShengYao等，首次提出将概率数据融合与扩展卡尔曼滤波器(EKF)相结合对旋转运动图像序列中的多特征点进行跟踪，并且该算法能够有效解决特征点的部分遮挡问题。但是在物体做任意运动的过程中很难通过概率分析预测出特征点的准确位置，这使概率数据关联滤波器很难建立一个精确的运动模型。对于非刚性物体的跟踪，牛津大学AeronBuchanan等，在2007年提出了一种结合KLT算法局部和全局运动模型跟踪方法实现非刚体运动物体准确的多特征点跟踪。但这种算法，必须在被跟踪的长序列图像前M帧组成的子序列中进行准确的运动预测，否则这种算法就不再可行。在2009年，JimghyimKwon等，提出一种结合模板仿射变换的粒子滤波跟踪算法实现在长序列中对物体的跟踪。但这种算法只对宏观的单个物体的展现出良好的跟踪性能。在显微序列图像中进行特征点的跟踪相比对常规尺寸和不具运动模糊的长序列图像中跟踪特征点更难。理论上，微构件以一个已知速度在旋转台上运动是可以使用参数构件运动模型，它在显微摄像机中的投影图像也具有对应的参数运动模型。但是旋转运动所导致微小的机械误差将引起微构件的预期的重要的运动模型难以建立。如参考文献所描述，当一个生成自身状态和状态子空间的非线性模型测量函数是很难找到系统的方法为UT变换选择调节参数，因此无极粒子滤波器(UPF)应用于该情况下的特征点的跟踪是不合适的。
发明内容为了克服已有显微序列图像的多特征点跟踪方法的三维重建误差较大、跟踪效果4较差的不足，本发明提供一种有效减少三维重建误差、提升跟踪效果的显微序列图像的多特征点跟踪方法。本发明解决其技术问题所采用的技术方案是1)初始化特征点跟踪模板中心坐标，跟踪窗口大小。已知一组特征点的中心坐标，设定(X!1)’yt(1)Xt(i),j/^/一个包含多点像素坐标的列矢量，其中i=1，…，k，t=1，…，N,k，N分别表示被选取跟踪特征点数量和序列图像中帧数量；点模板为一组以被跟踪点为中心mXn像素点矩阵与当前帧点状态Xf的乘积。2)状态的表示图像畸变一般主要包括旋转，缩放，裁剪等变换，它们由可逆矩阵R/0表示。为了进行模板的初始化，在初始帧中图像设定为参考标准，所有的点畸变程度和旋转角速度可视为相等用可逆旋转矩阵Rt=。表示。状态转移矩阵I产=(Rf),0;Mt(i),1)中的平移矢量被表示SMpfMx/^Myi1)，…’Mxt(i),My/^/。一般刚体的运动也可以被表示为i{b(tl))=R^+M^(1)其中1是一个非线性函数可以表示刚性物体点的运动，穴广是一个2X2的可逆矩阵，ef是一个2Xi的平移矢量。每个刚体运动都可以由矩阵尺产和矢量MZy表示，[11，13]定义它们为属于李群(Liegroup)。为了更加清晰的量化和计算仿射形变，[13，14]将·(Rt(i)，M/^V人李群(Liegroup)经过指数变换映射到李代数(Liealgebra){Γ((0,/广丨，其关系是权利要求一种显微序列图像的多特征点跟踪方法，其特征在于所述多特征点跟踪方法包括以下步骤1)已知显微序列图像的一组特征点的中心坐标，设定bt＝(xt(1)，yt(1)，…，xt(i)，yt(i))T一个包含多点像素坐标的列矢量，其中i＝1，…，k，t＝1，…，N，k，N分别表示被选取跟踪特征点数量和序列图像中帧数量；点模板T(Xt(i))为一组以被跟踪点为中心m×n像素点矩阵与当前帧点状态Xt(i)的乘积；2)状态的表示图像畸变；由可逆矩阵Rt(i)表示，所有的点畸变程度和旋转角速度视为相等并用可逆旋转矩阵Rt＝0示，状态转移矩阵Xt(i)＝(Rt(i)，0；Mt(i)，1)中的平移矢量被表示为Mt＝(Mxt(1)，Myt(1)，…，Mxt(i)，Myt(i))T；一般刚体的运动被表示为<mrow><mi>l</mi><mrow><mo>(</mo><msubsup><mi>b</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>=</mo><msubsup><mi>R</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><msubsup><mi>b</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>+</mo><msubsup><mi>M</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>其中，l是一个非线性函数可以表示刚性物体点的运动，Rt(i)∈R2是一个2×2的可逆矩阵，Mt(i)∈R2是一个2×i的平移矢量；每个刚体运动都由矩阵Rt(i)和矢量Mt(i)表示，将{Rt(i)，Mt(i)}经过指数变换映射到李代数{Γt(i)，γt(i)}，其关系是<mrow><mfencedopen='['close=']'><mtable><mtr><mtd><msup><msub><mi>R</mi><mi>t</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup></mtd><mtd><mrow><msup><msub><mi>M</mi><mi>t</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup></mrow></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>=</mo><mi>exp</mi><mfencedopen='('close=')'><mtable><mtr><mtd><msubsup><mi>Γ</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mtd><mtd><msubsup><mi>γ</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>其中，Γ∈gl(2)，γ∈gl(2)，在指数空间中，等式右边矩阵经分解计算得到仿射变换基为ξm，m＝1，…，3；<mrow><msub><mi>ξ</mi><mn>1</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><msub><mi>s</mi><mi>x</mi></msub></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><msub><mi>s</mi><mi>y</mi></msub></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><msub><mi>ξ</mi><mn>2</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>s</mi><mi>x</mi></msub></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><msub><mi>s</mi><mi>y</mi></msub></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><msub><mi>ξ</mi><mn>3</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><msub><mi>s</mi><mi>x</mi></msub></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><msub><mi>s</mi><mi>y</mi></msub></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>其中，sx，sy是仿射变换的单位值；sx，sy∈{+1，1}，b1，b5由仿射变换单位矩阵ξ1中的变化元素表示；b2，b3代表长度和高度均发生畸变的裁剪仿射形变，由仿射变换矩阵ξ2中的变化元素表示；b4，b6代表缩放变换，由矩阵ξ3中的变化元素表示；3)状态预测结合李代数中的指数函数，状态转移矩阵按几何学定义为<mrow><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>=</mo><msubsup><mi>X</mi><mrow><mi>t</mi><mo>-</mo><mn>1</mn></mrow><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mi>exp</mi><mrow><mo>(</mo><msub><mi>a</mi><mi>i</mi></msub><mi>log</mi><mrow><mo>(</mo><msup><mrow><mo>(</mo><msubsup><mi>X</mi><mrow><mi>t</mi><mo>-</mo><mn>2</mn></mrow><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msubsup><mi>X</mi><mrow><mi>t</mi><mo>-</mo><mn>1</mn></mrow><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mn>3</mn></munderover><msub><mi>ξ</mi><mi>m</mi></msub><mi>ϵ</mi><msub><mi>τ</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>其中，ai是一阶自动回归过程参数，τt表示零均值高斯噪声；ε为视频帧速率倒数平方根。量测状态方程也能够被表示成离散化为<mrow><mi>y</mi><mrow><mo>(</mo><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>=</mo><mi>f</mi><mrow><mo>(</mo><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>+</mo><msub><mi>v</mi><mi>t</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>其中，f是量测函数，vt是量测零均值噪声；最优状态的估计是依据粒子样本权值计算，其中，j＝1，…，G，G是采样的粒子个数。为了能准确得到仿射形变参数，一般不是直接对Xt(i)采样，而是对它的组成元素{Rt(i，1)，…，Rt(i，G)}采样或重采样<mrow><mfencedopen='['close=']'><mtable><mtr><mtd><mrow><msubsup><mover><mi>R</mi><mo>‾</mo></mover><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mrow></mtd><mtd><mrow><msubsup><mover><mi>M</mi><mo>‾</mo></mover><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mrow></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>=</mo><mi>exp</mi><mfencedopen='('close=')'><mtable><mtr><mtd><msubsup><mover><mi>Γ</mi><mo>‾</mo></mover><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mtd><mtd><msubsup><mover><mi>γ</mi><mo>‾</mo></mover><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced></mrow><mrow><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msup><msub><mi>R</mi><mrow><mi>t</mi><mo>,</mo><mi>max</mi></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mfrac><mn>1</mn><mi>G</mi></mfrac><mi>exp</mi><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>G</mi></munderover><mi>log</mi><mrow><mo>(</mo><msup><msup><msub><mi>R</mi><mrow><mi>t</mi><mo>,</mo><mi>max</mi></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mrow><mo>-</mo><mn>1</mn></mrow></msup><msubsup><mi>R</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow></mtd><mtd><msubsup><mover><mi>M</mi><mo>‾</mo></mover><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>其中，Rt，max(i，j)表示重采样前的权值最大的粒子。是Mt(i，j)的算术平均值；4)模板图像协方差值计算，对与联合状态参数相关的样本协方差U进行估算。<mrow><mi>U</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>G</mi><mo>-</mo><mn>1</mn></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>G</mi></munderover><msubsup><mi>μ</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msubsup><msup><msubsup><mi>μ</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msubsup><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow><mrow><msubsup><mi>μ</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msubsup><mo>=</mo><mi>log</mi><mrow><mo>(</mo><msubsup><mi>U</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>-</mo><mfrac><mn>1</mn><mi>G</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>G</mi></munderover><mi>log</mi><mrow><mo>(</mo><msubsup><mi>U</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>其中，μt(i)为列矢量。由于初始模板图像给定，跟踪过程中会生成新的模板图像，因此模板图像中每个像素都可以用特征矢量h＝(xt(i)，yt(i)bt(i，d)，bt(i，θ)，I(Xt(i))Ix，Iy，tan1(Ix/Iy)，Ixx，Iyy)T表示，其中(xt(i)，yt(i))是模板中心坐标，bt(i，d)，bt(i，θ)为极坐标，I(Xt(i))表示像素强度，Ix，Iy，Ixx，Iyy分别表示一阶和二阶梯度导数。这样做可以尽量减少光照变化对显微图像跟踪的影响。再计算点模板块的协方差描述子S<mrow><msub><mi>S</mi><msubsup><mi>X</mi><mrow><mi>t</mi><mo>=</mo><mn>0</mn></mrow><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></msub><mo>=</mo><mfrac><mn>1</mn><mrow><mi>z</mi><mo>-</mo><mn>1</mn></mrow></mfrac><munderover><mi>Σ</mi><mi>i</mi><mi>z</mi></munderover><mrow><mo>(</mo><msub><mi>h</mi><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></msub><mo>-</mo><mover><mi>h</mi><mo>^</mo></mover><mo>)</mo></mrow><msup><mrow><mo>(</mo><msub><mi>h</mi><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></msub><mo>-</mo><mover><mi>h</mi><mo>^</mo></mover><mo>)</mo></mrow><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>其中，z是模板窗口大小，是h(Xt(i))的均值，S(Xt＝0(i))和S(Xt(i))之间的相似性被理解为它们自身之间的对数欧式空间距；5)状态更新收集到协方差描述子后，需要计算特征空间距离和特征间距离，对比图像相似性，此时量测函数表示为<mrow><msubsup><mi>y</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msqrt><msup><mrow><mo>|</mo><mo>|</mo><mi>log</mi><msub><mi>S</mi><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></msub><mo>-</mo><mi>log</mi><mrow><mo>(</mo><mover><mi>S</mi><mo>‾</mo></mover><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>n</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><msup><msub><mi>c</mi><mi>n</mi></msub><mn>2</mn></msup></msqrt></mtd></mtr><mtr><mtd><msqrt><msubsup><mi>Σ</mi><mrow><mi>n</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></msubsup><mfrac><msubsup><mi>c</mi><mi>n</mi><mn>2</mn></msubsup><msub><mi>ρ</mi><mi>n</mi></msub></mfrac></msqrt></mtd></mtr><mtr><mtd><mo>|</mo><mo>|</mo><msub><mi>I</mi><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup></msub><mo>-</mo><mover><mi>I</mi><mo>‾</mo></mover><mo>|</mo><mo>|</mo></mtd></mtr></mtable></mfenced><mo>+</mo><msubsup><mi>v</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>10</mn><mo>)</mo></mrow></mrow>其中，c0是投影系数，ρn是特征值，表示图像强度均值，然后用t时刻的量测值yt(i)来修正状态的先验概率密度，得到该时刻的后验概率密度<mrow><mi>p</mi><mrow><mo>(</mo><msubsup><mi>y</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>|</mo><msubsup><mi>X</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>∝</mo><mi>exp</mi><mrow><mo>(</mo><msup><msubsup><mi>y</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mi>T</mi></msup><msup><mi>R</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><msubsup><mi>y</mi><mi>t</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow>其中，R是零均值高斯噪声vt的协方差；6)估算出最优状态根据获取的与测量释然函数有关的后验概率密度p(yt(i)|Xt(i)，计算出权值并归一化权值，将输出一组与当前时间步后验均值相关的粒子根据设定有效粒子的门限判断是否执行重采样，重采样则得到新的粒子集合计算出实现当前帧中多个关键结构点跟踪；然后令t＝t+1，执行计算每个粒子的权重，重复刚才的步骤，最终实现在长序列显微图像中多点跟踪。FSA00000315200400018.tif,FSA00000315200400023.tif,FSA00000315200400027.tif,FSA00000315200400029.tif,FSA00000315200400031.tif,FSA00000315200400032.tif,FSA00000315200400033.tif,FSA00000315200400034.tif,FSA00000315200400035.tif全文摘要一种显微序列图像的多特征点跟踪方法，包括以下步骤1)初始化特征点跟踪模板中心坐标，跟踪窗口大小。2)状态的表示3)在李代数描述的指数函数空间中进行状态预测；4)计算样本协方差值中元素协防差描述子的距离；5)状态更新，计算出量测函数，利用量测值yt(i)来计算t时刻的后验概率密度；6)估算出最优状态利用后验概率计算权值和归一化权值，判断是否重采样，并输出估算的粒子或者结束当前帧的多点跟踪；重复上述步骤，完成长序列显微图像的多点跟踪。本发明有效减少三维重建误差、提升跟踪效果。文档编号G06T7/20GK101976446SQ201010516768公开日2011年2月16日申请日期2010年10月20日优先权日2010年10月20日发明者刘盛,方婷,王万良,管秋,陈胜勇申请人:浙江工业大学