目標檢測、目標跟蹤報告-在線瀏覽
2025-02-07 00:35本頁面
【正文】 相對運動，運動檢測富有挑戰(zhàn)性。 第一幀 幀差圖像 4 解決思路 ? 要檢測動態(tài)場景中的運動目標，關(guān)鍵在于對場景的運動進行估計，通過估計出的運動參數(shù)補償其運動，最后使用幀差法得到運動目標。 8 基本步驟如下 ： ?用高斯圖像構(gòu)造法構(gòu)造圖像金字塔； ?對金字塔頂層圖像進行全局運動估計，求得運動參數(shù)； ?將頂層金字塔求得的參數(shù)集隱射到金字塔的中間層，并對該層進行全局運動估計，求得相應(yīng)的運動參數(shù)； ?將金字塔中間層的參數(shù)集映射到金字塔的底層 , 對該層進行全局運動估計，求得該層的運動參數(shù)集 ,即最終求得的參數(shù)集。 9 下圖給出了運動補償與直接幀差的結(jié)果比較 圖 1 Coastguard序列圖像 圖 2 直接幀差和運動補償后的差值圖比較 10 運動目標分片跟蹤 報告內(nèi)容 1 2 3 4 馬爾可夫隨機場分割 全局運動估計 車輛檢測與跟蹤 5 圖像超分辨率重建 11 目標分割的意義與現(xiàn)狀 ? 運動目標的準確分割，對于獲取目標的特征信息非常重要，直接影響到進一步的運動目標跟蹤的處理，傳統(tǒng)的運動目標分割的算法主要有背景差分，相鄰幀間差分，光流場的方法，這些方法都有各自的缺點和不足，不能滿足準確分割運動目標的要求。 13 馬爾可夫隨機場分割 ? 目前基于馬爾可夫隨機場隨機場（ MRF）運動目標分割的方法在圖像分割領(lǐng)域影響越來越大，該方法與傳統(tǒng)方法和閾值法相比，由于基于 MRF的運動目標分割方法同時考慮了圖像顏色信息和空間關(guān)聯(lián)信息，因此分割效果較好。 ?15 ?因此，我們提出一種基于自適應(yīng)權(quán)值的區(qū)域馬爾可夫隨機場的分割方法，結(jié)合分水嶺預(yù)分割算法，并利用形態(tài)濾波對分割結(jié)果進行修正，較好地解決了分割不準確，目標信息丟失的問題。 17 ? Gibbs分布可定義成如下公式： ()1( ) ( )U z wTwp z e z wQ??????圖像上每一點的概率分布 18 ?對于一幀 CIF圖像，存在一系列的像素點 ，對于這些點存在一標記場和事先觀察場 ，這樣馬爾可夫隨機場的運動目標分割的問題可以歸結(jié)為在事先觀察場和其它一系列約束條件下，確定運動目標區(qū)域和背景區(qū)域的二值標記問題。 模擬人眼跟蹤目標的方式，發(fā)生遮擋時，人眼會關(guān)注目標的可見部分來繼續(xù)跟蹤。 23 分片跟蹤 ?主要思想 ： 將目標分片，建立目標分片表現(xiàn)模型（模板）。 當前幀 上一幀目標位置 候選目標位置 搜索窗口 目標分片 24 分片跟蹤 其中相似度的度量是通過各片的空間直方圖匹配來實現(xiàn)的。 被遮擋的區(qū)域 片基本丟失 25 ?模板更新 由上可見這種分片方法已經(jīng)可以很好的解決遮擋問題。那么剛開始為目標建立的模板就不能很好的表示目標，這將影響跟蹤效果。 ? 臨時模板 — 實時更新的模板，在無遮擋情況下跟蹤，可以解決目標外觀緩慢變化的問題。 28 分片跟蹤 ?多組實驗結(jié)果： ，實時更新模板 29 分片跟蹤 ?遮擋下的跟蹤 30 分片跟蹤 ?目標表現(xiàn)模型的變化時的跟蹤 31 ?目標尺度發(fā)生變化 32 運動目標分片跟蹤 報告內(nèi)容 1 2 3 4 馬爾可夫隨機場分割 全局運動估計 車輛檢測與跟蹤 5 圖像超分辨率重建 33 車輛檢測與跟蹤 包括以下兩方面內(nèi)容： ?基于碼本更新的檢測與跟蹤方法 ?基于輪廓匹配的檢測與跟蹤方法 34 車輛檢測與跟蹤概述 智能交通系統(tǒng)： ( Intelligent Transport Systems, ITS) 35 車輛檢測與跟蹤概述 影響車輛檢測和跟蹤的主要因素： （ 1）車輛自身陰影； （ 2）車輛間相互遮擋或車輛被背景中物體遮擋； （ 3）同車型車輛之間具有較大的相似性； （ 4）光線突變； （ 5）夜晚和雨、雪等惡烈天氣等。 車輛跟蹤 : Kalman預(yù)測的方法 解決車輛跟蹤中的遮擋問題 。 運動檢測時，對新輸入的像素值與其對應(yīng)碼本做比較 ,如果能找到與其匹配的碼字，則認為該像素點為背景點，否則為前景點。 該算法具有較強的魯棒性，能實現(xiàn)對運動目標較好的檢測。 42 基于改進碼本的車輛檢測實現(xiàn) ?對原算法進行改進，直接在 YUV空間做運動檢測及陰影處理，省去了大量的浮點型運算，提高了算法的效率。 ?利用前一幀獲得的參數(shù)作為 Kalman濾波的狀態(tài)變量 ， 當前幀獲得的參數(shù)作為觀測值 ， 通過 Kalman濾波推導(dǎo)獲得估計值 。 44 算法步驟 ? Step1 背景模型訓練，得到表示初始背景模型的碼本。 ?Step3 去除可能前景像素點中陰影和高亮區(qū)域，得到真實的前景點，同時更新碼本。 ? Step5 使用卡爾曼濾波器預(yù)測車輛在下一幀中的可能位置。轉(zhuǎn) Step2，進行下一輪跟蹤。為了提取運動目標完整外部輪廓，提出一種基于連通域的兩輪掃描法來標記各個運動車輛，并利用 YUV彩色空間對陰影進行檢測和抑制，提高車流量統(tǒng)計精度。 55 基于連通域的兩輪掃描法
教學課件相關(guān)推薦
鄂ICP備17016276號-1