[自然科學]基于視頻的運動目標檢測與跟蹤技術研究(編輯修改稿)
2025-01-31 22:28 本頁面
【文章內容簡介】 ?節(jié)點 (Nodes) ： 隨機變量 （局部特征的狀態(tài)） ?邊 (Edges)：變量之間的概率關系 ? 拓撲結構 根據(jù)特征區(qū)域的尺度以及和特 征間的歐式距離來定義節(jié)點間的鄰 域關系 i ()i?圖模型中節(jié)點 的鄰域 定義為 ( ) { | ( , ) , ( ) }ijtti j d x x j G i?? ? ?{ , }| | | |( , )( c os si n )ijij tttt k k k kt t t tk i jd x xab ????????pp模型的定義 { , , , }i k k kt t t tab ?pitx為 節(jié)點 所對應的橢圓參數(shù)。 ix1y1x2y2x3y3x4y4x5y5x6y6x7y7x8y8x1y1x2y2x3y3x4y4x5y5x6y6x7y7x8y8( , )ijttxx?( , )iixy?模型的定義 ? 勢函數(shù) 2( , ) e x p ( ( || || ) )i j j jt t t t ijxx? ? ?? ? ? ?pp22( , ) e x p ( ( , ( ) ) / )i i it t i tx y D f f y? ? ???? 特征狀態(tài)節(jié)點 之間的勢函數(shù) ( , ) :ijttxx?x( , ) :iixy?? 狀態(tài)節(jié)點 與對應觀測 之間的似然函數(shù) x yF i r s t f r a m e初 始 目 標 區(qū) 域特 征 檢 測目 標 模 型空 間 域 推 斷 時 間 域 跟 蹤模 型 更 新F r a m e n特 征 檢 測n = n + 1輸 出模 型 初 始 化 目 標 跟 蹤跟蹤算法框圖 空間域上概率圖模型的狀態(tài)配置推斷 12mx1y1x2y2x4y4x3y3x5y521m1m 2m 4m3m 5m24m42m23m 32m 35m53m 根據(jù)當前時刻的圖像觀測 ，在定義的圖模型中進行貝葉斯推斷，得到所有節(jié)點的聯(lián)合狀態(tài)后驗概率分布 ( | )ttP X YtY采用信任傳播算法 (Belief Propagation,BP)，通過消息傳播的方式，計算后驗概率 時間域上的粒子濾波跟蹤 在概率圖模型中，每個節(jié)點的狀態(tài)表示為 空間中的概率分布函數(shù) ，由于目標狀態(tài)的變化可以認為是 分布函數(shù)在時間域上的傳播過程 ，因此跟蹤問題可作為概率推斷問題，順序地推斷每個時刻下狀態(tài)的概率分布。 x1y1x2y2x4y4x3y3x5y5x1y1x2y2x4y4x3y3x5y5t 時刻 t +1 時刻 實驗結果 本文算法 文獻 [33] 文獻 [98] [33] Comaniciu, D., V. Ramesh and P. Meer, Kernelbased object tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022. 25(5): p. 564577. [98] Nummiaro, K., E. KollerMeier and . Gool, An adaptive colorbased particle filter. Image and Vision Computing, 2022. 21(1): p. 99110 實驗結果 位置誤差 相對尺度誤差 場景不同位置處的光照條件有所不同，并且被跟蹤的行人朝著攝像機的方向行走，因此在圖像上的尺度變化較大。 實驗結果 本文算法 文獻 [33] 文獻 [98] 部分遮擋情況下的跟蹤結果 ? 1. 視頻運動目標檢測 ? 基于背景模型的運動檢測 ? 2. 視頻單目標跟蹤 ? 目標表示模型的建立 ? 特征空間選擇，模型更新，漂移問題 ? 3. 視頻多目標跟蹤 ? 數(shù)據(jù)關聯(lián)，目標之間的相互遮擋 本論文的主要工作 基于特征空間自適應選擇的視頻跟蹤算法 監(jiān)視場景中，由于光照變化，背景變化或是目標尺寸變化，目標的外觀會發(fā)生改變，采用固定目標模型的視覺跟蹤方法通常不能適應這些變化，需要不斷對模型進行調整更新。 ? 根據(jù)目標的外觀變化直接調整目標模型的參數(shù) ? 先定義一個特征空間集，跟蹤過程中將目標模 型轉換到當前選擇的特征空間下。 模型更新 更新 方法 objRbac kRH?W?
教學課件相關推薦
鄂ICP備17016276號-1