智能视频监控资料.pptVIP

思考题1 介绍下基于混合高斯模型的运动目标检测的原理及模型的更新过程。 混合高斯模型的基本原理就是用多个高斯分布来逼近像素点在时间域上颜色特征的分布。 权重的更新 对于匹配的高斯分布其 取1，否则为0. 对于匹配成功的高斯分量，更新它的均值和方差 GMM模型更新 思考题2 简单介绍下现有目标跟踪方法的分类并详细阐述一种目标跟踪方法。 按照摄像机的数目，可分为单摄像机跟踪和多摄像机跟踪； 按照传感器的不同，可分为可见光目标和红外目标的跟踪; 按照目标的表达方式，可分为基于区域的跟踪，基于主动轮廓的跟踪，基于局部特征的跟踪，基于模型的跟踪 * * * * * * * 阴影物理模型 阴影物理模型 阴影检测对环境提出了三个假定： 假定3.1: 强光源。 假定3.2: 静态场景、摄像机固定。 假定3.3: 阴影场景是近似平面，如路面。 多特征联合阴影检测方法 HSV颜色空间阴影特性 阴影纹理特性 邻域光照比值不变性 融合颜色和纹理阴影检测 HSV颜色空间阴影特性 (1)目标投射阴影并不会很明显地改变背景区域的色度。 (2)实际的前景目标点(不包含阴影点)会导致相应的像素点在饱和度上发生较大的变化，而阴影则不会使背景点的饱和度有明显变化。 (3)由于阴影覆盖区域的亮度值比相应的背景区域的亮度值要低。 HSV颜色空间阴影特性 阴影LBP纹理特性 Local Binary Pattern（LBP）是基于图像空间域局部关系的图像纹理描述算子，该算子通过对像素与相邻同等间距上的邻域像素的灰度变化二值化，形成对该像素所在位置的纹理变化模式的描述。 阴影LBP纹理特性 LBP具如下的优点： 1）作为一个二值差分算子，ＬＢＰ能够可靠地描述灰度变化； 2）LBP能够减弱阴影的影响，因为阴影常常只会导致亮度变化，而纹理特征仍然不变； 3）LBP计算简单，速度快。 但是LBP算子受噪声影响比较大，比较小的噪声就可能导致模式判定错误。为了克服噪声的影响，我们对算子进行改进： 阴影LBP纹理特性 对于浅阴影区域，像素及它的邻域同等程度的变暗，因此对于阴影覆盖前后它的LBP值是相同的；对于重阴影区域，像素及它的邻域像素值可以看作是相等，因此它的LBP值为0。 邻域光照比值不变性 图像中的相邻点所在的3D对应位置的光照基本相同，运动阴影区域的像素点的反射率和没有阴影时的反射率是相等的，这样，背景中的邻域亮度比值和当前帧的邻域亮度比值具有不变性的特点。 融合颜色和纹理阴影检测 通过对比当前帧和背景图片中相应像素点的LBP纹理值来检测阴影点 对① 得到的候选阴影点根据阴影的HSV属性排除非阴影点 在亮度比值空间对②得到的阴影点进行区域生长 实验分析 实验分析 主要内容 智能视频监视系统 目标检测 阴影去除 目标跟踪 基于粒子滤波的目标跟踪 视频目标跟踪 视频目标跟踪目的就是对图像序列中的目标进行分析，计算出运动目标的运动参数，如位置、速度、加速度以及运动轨迹等，从而进行进一步处理和分析，实现对运动目标的行为理解，以完成更高一级的视觉任务 视频跟踪的难点 视频目标跟踪问题的解决思路 视频目标跟踪方法的分类 鲁棒性: 1、被跟踪运动目标的姿态变化 2、运动目标所处环境的光照变化 3、部分遮挡引起的运动目标不规则变形和全部遮挡引起的目标暂时消失 准确性： 快速性： 处理对象是包含了巨大数据量的图像，算法往往需要大量的运算时间。 视频跟踪的难点 视频目标跟踪问题的解决思路 总体上讲有两种思路： 1、自底向上(bottom-up)的处理方法; 自底向上的处理方法又称为数据驱动(data-driven)的方法，这种方法不依赖于先验知识，直接从图像序列中获得目标的运动信息并进行跟踪。 2、自顶向下(top-down)的处理方法。 这种方法一般依赖于所构建的模型或先验知识，在图像序列中进行匹配运算或求解后验概率。 贝叶斯理论框架下，已知目标状态的先验概率，在获得新的量测后不断求解目标状态的最大后验概率的过程。 按照不同的标准可以有不同的分类方式： 按照摄像机的数目，可分为单摄像机跟踪和多摄像机跟踪； 按照传感器的不同，可分为可见光目标和红外目标的跟踪; 按照目标的表达方式，可分为基于区域的跟踪，基于主动 轮廓的跟踪，基于局部特征的跟踪，基于模型的跟踪。 One Camera Two Cameras 视频目标跟踪方法的分类 基于区域的跟踪 利用图像相关匹配技术对目标进行跟踪，需要先获得一个表示目标的模板， 模板可以是通过手工选定或是图像分割得到，通常是略大于目标的矩形区域 或是任意形