freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

畢業(yè)設(shè)計--基于全景視頻中兩種跟蹤算法的實現(xiàn)(編輯修改稿)

2025-07-12 14:45 本頁面
 

【文章內(nèi)容簡介】 的公共場合, 更多的是使用多攝像機以擴大監(jiān)視的范圍;同運動目標檢測一樣根據(jù)攝像機是否運動,目標 跟蹤 也可分 為為攝像機靜止時的運動目標跟蹤和攝像機運動時的運動目標跟蹤;根據(jù)視頻場景中運動目標數(shù)目的多少,目標跟蹤問題可以被分為單目標跟蹤和多目標跟蹤兩類,單目標跟蹤并不是一個簡單的問題,而多目標跟蹤比單目標跟蹤要困難得多,在多目標跟蹤過程中,必須考慮到多個目標在場景中會互相遮擋 (Occlusion),合并 (Merge),分離 (Split)等情 況,這是多目標跟蹤問題的難點;根據(jù)視頻場景中運動目標類型的不同,可將目標跟蹤問題分為對剛體的跟蹤和非剛體的跟蹤,所謂剛體是指具有剛性結(jié)構(gòu)、不易變形的物體,對這類運動目標的跟蹤采用 基于 3D模型的跟蹤方法比較常見。而非剛 9 體是指外形能夠變化的物體,如細胞、動物、人等,對這類目標一種通常的方法是采用 變形模板進行 跟蹤;另外根據(jù)所使用的傳感器種類的不同,可以將目標 跟蹤 問題分為由 CCD 攝像頭獲得的可見光圖像的目標跟蹤和由紅外傳感器獲得的紅外圖像的目標跟蹤,這兩種類型的圖像跟蹤分別在不同的情況下使用,通常的自然環(huán)境條 件 下,白天使用可見光圖像進行目標跟蹤,而晚上則使用紅外圖像進行目標跟蹤,如果將二者所獲得的圖像進行融合處理,則 _般可以得到比單一傳感器信息更多的圖像,從而極大地提高檢測和跟蹤運動目標的 能力 [6]。 文章內(nèi)容及安排 目標跟蹤算法是當前研究的熱點和難點。在眾多跟蹤算法研究中, Meanshift以及粒子濾波 作為 其中比較 高效的模式匹配算法 ,已經(jīng)被成功地應(yīng)用在目標跟蹤的一些 領(lǐng)域中 。 本次畢業(yè)設(shè)計主要復(fù)現(xiàn)了 Meanshift 以及粒子濾波算法并在全景視頻中 進行了跟蹤比較。 在此期間,主要工作如下: ( 1)系統(tǒng)學(xué)習(xí)了計算機視覺理論知識; ( 2)學(xué)習(xí)目標跟蹤的基本理論和主要方法; ( 3) 重點研究了 Meanshift 算法以及粒子濾波算法,深入理解算法的理論體系; ( 4)基于( 3)的研究,復(fù)現(xiàn)了兩種算法并在全景視頻中進行了實驗比對。 全文章節(jié)安排如下: 第一章 緒論。主要介紹了課題的 背景和 研究意義,分析了國內(nèi)外跟蹤技術(shù)的研究現(xiàn)狀,簡單介紹了計算機視覺和目標跟蹤,最后給出了本文的主要工作和章節(jié)安排。 第二章 Meanshift 跟蹤算法的 實現(xiàn)與分析 。作為本文主要內(nèi)容之一,該章對Meanshift 的算法原理做了詳細 分析 ,并通過實驗,對算法性能做了深入分析和總結(jié)。 第三章 粒子濾波 跟蹤算法的 實現(xiàn)與分析 。作為本文主要內(nèi)容之一,該章對 粒子濾波的算法原理做了詳細研究,并通過 實驗,對算法性能做了深入分析和總結(jié),并且比較總結(jié)了兩種跟蹤算法的優(yōu)缺點。 第四 章 總結(jié)與展望。總結(jié)了全文的主要工作及 展望 進一步的研究方向。 10 2 Meanshift 算法的 實現(xiàn)與分析 Meanshift 算法概述 Meanshift,我們 可以 翻譯為 “ 均值飄移 ” 。其在聚類 、 圖像平滑 、 圖像分割和跟蹤方面得到了比較廣泛的應(yīng)用 。隨著理論的發(fā)展, Meanshift 的含義也在發(fā)生著不斷的變化。 Meanshift 的最初含義正如其名,就是偏移的均值向量,它最早是由 Fukunaga等人在 1975年的篇關(guān)于概率密度梯度函數(shù)的估計的文章中提出來的,在這里, Meanshift 只是一個簡單的表示向量的名詞。后來,如果說起Meanshift 算法,一般它指代的是一個迭代的步驟,即先算出當前點的偏移均值,移動該點到其偏移均值,然后以此為新的起始點,繼續(xù)移動,直到滿足一定的條件結(jié)束 [6]。 Meanshift 算法具體實現(xiàn) 目前的跟蹤算法 ,一般都需要首先用鼠標選取需要跟蹤的對象 , 跟蹤區(qū)域選擇成功后,就需要提取區(qū)域內(nèi)目標的顏色特征,由于 RGB 顏色空間對光照亮度變化比較敏感,為了減少此變化對跟蹤結(jié)果的影響,于是把圖像從 RGB空間轉(zhuǎn)換為HSV空間。然后再把其中的 HUE分量分離出來并作出直方圖, 接著進行反向投影,所謂的反向投影就 是用輸入圖像的某一位置上像素值(多維或灰度)對應(yīng)在直方圖的一個 bin 上的值來代替該像素 值,舉個例子說明: ( 1) 假如 H分量圖像如下 : Image 0 1 2 3 4 5 6 7 8 9 10 11 8 9 14 15 ( 2) 則對應(yīng)的直方圖為( bin 指定區(qū)域為 [0,3) ,[4,7), [8,11) ,[12,16)) Histogram= 4 4 6 2 ( 3)歸一化后反向投影 BackProjectImage= 1/4 1/4 1/4 1/4 11 1/4 1/4 1/4 1/4 3/8 3/8 3/8 3/8 3/8 3/8 1/8 1/8 經(jīng) 過反向投影之后就得到了顏色概率分布圖,它是一個灰度圖像,這樣我們就可以對其進行跟蹤工作了。 以下是獲得反向投影圖的代碼: image = cvCreateImage( cvGetSize(frame), 8, 3 )。 imageorigin = frameorigin。 HSV= cvCreateImage( cvGetSize(frame), 8, 3 )。 Hue= cvCreateImage( cvGetSize(frame), 8, 1 )。 hist = cvCreateHist(1,amp。hdims,CV_HIST_ARRAY,amp。hranges,1)。 cvCvtColor(image,HSV,CV_BGR2HSV)。 cvSplit(HSV,Hue,0,0,0)。 cvCalcHist( amp。Hue, hist, 0, 0 )。 BackProjectImage = cvCreateImage( cvGetSize(frame), 8, 1 )。 cvCalcBackProject(amp。Hue,BackProjectImage,hist)。 最后得到的反向投影圖存放在 BackProjectImage 里面 . 在此討論一下在 2D概率分布圖像中如何計算某個區(qū)域的重心( Mass Center)的問題,重心可通過以下公式來計算: 0階距 for(int i=。i=+height。i++) for(int j=。j=+width; j++) M00+=I( i,j) 1階距 for(int i=。i=+height。i++) for(int j=。j=+width; j++) { M10+=i*I(i,j)。 M01+=j*I(i,j)。 } Mass Center 為: Xc=M10/M00。 Yc=M01/M00 接下來就可以通過在整個視頻中使用 Meanshift 不斷的迭代從而達到跟蹤目標的目的了,具體實現(xiàn)為以下幾步: . 12 Mass Center. Mass Center. 2 和 3,直到每次窗口中心移動的距離小于某個閾值 . ,重復(fù) 2345 直到視頻結(jié)束 . 下面用流程圖來直觀的表述這一過程: 讀取視頻獲取目標窗口目標窗口的 H 分量計算 H 分量的顏色直方圖是否有新的一幀反向投影使用 Me a nshif t 搜索新的目標窗口迭代搜索直到滿足條件獲得的目標窗口作為下一幀的初始窗口位置結(jié)束是否圖 Meanshift 跟蹤算法流程圖 13 在窗口調(diào)整的過程中實際上也是窗口中心不斷的沿著概率密度梯度方向移動的過程,移動的步長不僅與梯度的大小有關(guān),也與該點的概率密度有關(guān),在密度大的地方,更接近我們要找的概率密度的峰值, Meanshift 算法使得移動的步長小一些,相反,在密度小的地方,移動的步長就大一些,所以, Meanshift 算法是一個變步長的梯度上升算法,或稱自適應(yīng)梯度上升算法。 跟蹤實驗 上面介紹了 Mean shift 跟蹤算法的理論部分,本節(jié)中將通過兩組有代表性的實驗對跟蹤效果進行分析。實驗一方面顯示了算法良好的實時性,同時也顯示了該算法的一些不足。運行環(huán)境為 WIN7+VS2021,計算機配置是 Intel( R) Core( TM) i33110M CPU, ,內(nèi)存 6GB。 第一組 實驗在被跟蹤的人接近與其顏色相近的門之前進行跟蹤,結(jié)果顯示跟蹤到門時跟蹤目標容 易丟失,出現(xiàn)了誤跟現(xiàn)象。 圖 1. 2 Meanshift 跟蹤第一組 14 圖 1. 3 Meanshift 跟蹤第一組 第二組實驗是當被跟蹤的人已經(jīng)走過門時開始跟蹤,可以看到跟蹤可以實時進行并且效果良好 。 圖 1. 4 Meanshift 跟蹤第二組 15 圖 1. 5 Meanshift 跟蹤第二組 圖 1. 6 Meanshift 跟蹤第二組 16 圖 1. 7 Meanshift 跟蹤第二組 兩個實驗表明, 當目標與背景顏色相似時容易跟蹤失敗。 本章 小結(jié) 本章從算法概述、算法原理和具體實現(xiàn)等方面對 Meanshift 做了較為全面的理論分析。然后選用全景視頻進行兩組實驗,通過實驗對 Meanshift 算法的性能作了較為詳細的分析和說明。 Meanshift 算法采用的是無參的概率密度估計,避開了有參估計中存在的一些問題,原理簡單,易于實現(xiàn)。實驗結(jié)果證明了算法良好的實時性,同時,實驗中也暴露了算法的局限性。首先,算法對目標和背景的可分離性過于依賴,相似干擾物的存在成了一些序列中跟蹤失敗的一個主要原因;其次,算法要求相鄰幀中跟蹤區(qū)域有所重疊,因此對目標運動速度有所限制。 17 3 粒子濾波算法的 實現(xiàn)與分析 引言 粒子濾波 由于 在 視覺跟蹤,機器人定位,機器學(xué)習(xí)和信號處理等眾多應(yīng)用有其重要的價值,因此在計算機視覺和模式識別領(lǐng)域得到了廣泛的研究 。本質(zhì)上,粒子濾波是一種序貫蒙特卡洛方法,用來解決遞歸貝葉斯過濾問題,它結(jié)合了強大的蒙特卡洛抽樣技術(shù)與貝葉斯推理。它放寬了卡爾曼濾波的線性高斯約束,提供了一個易于處理非線性非高斯問題的解決方案。粒子濾波算法的基本思想是從建議分布中采用一組獨立隨機的樣本,稱為粒子,來表示后驗概率,并通過獲得新的觀察值來更新后驗概率。粒子通過一定的方式傳遞,其權(quán)值通過貝葉斯規(guī)則迭代更新。粒子濾波沒有特定條件的限制,當粒子的數(shù)量足夠多時,這些粒子可以很好地逼近后驗概率分布。 粒子濾波 有許多的用途,但它 近些年已經(jīng)成為 進行物體追蹤 比 較 好的方法 之一 。從概念上講,一個粒子濾波算法包含一個被監(jiān)視系統(tǒng)的狀態(tài)的概率分布。在目標跟蹤中 ,狀態(tài)就是指被追蹤物體的位置、大小等等。在許多情況下,非線性和非高斯型在物體的運動和相
點擊復(fù)制文檔內(nèi)容
畢業(yè)設(shè)計相關(guān)推薦
文庫吧 www.dybbs8.com
備案圖片鄂ICP備17016276號-1