使用pca改善camshift的物件追蹤方式.pptVIP

使用PCA改善CAMSHIFT的物件追蹤方式 Outline CAMSHIFT法 PCA法前處理 PCA法 改善架構流程 結論 CAMSHIFT法 CamShift Continuously Adaptive Mean Shift 物件追蹤法分為以下三大部分 Step1.Back Projection 先將要追蹤的物件間轉換為HSV 色彩空間圖像，取出他的色相。並建立色彩直方圖。接下來在要追蹤物件的場景中，這邊就是指輸入進來的整張影像。以直方圖為標準，將要辨識的場景轉換成16 階的色彩概率值。這個動作稱為Back Projection（反向投影）。 CAMSHIFT法範例 CAMSHIFT法範例 CAMSHIFT法 Step2.Mean Shift 計算欲追蹤物件的中心位置附近存在的彩色機率分布，而且此區域大小需稍微大於物件尺寸。並且將搜尋視窗對準物件的中心。 Step3.CAMShift 將新得到的搜尋視窗，當作第二步驟的初始搜尋視窗。如此重複的執行，就可以達到連續追蹤物件的效果。 CAMSHIFT法範例 CAMSHIFT法範例2 CAMSHIFT法範例2 CAMSHIFT法範例2 CAMSHIFT法缺點 1.背景可能過雜 2.物體本身就很複雜，導致辨識困難。 3.高速移動時會脫離偵測視窗。 CAMSHIFT法缺點 CAMSHIFT法缺點 PCA法前處理1 對背景作CANNY邊緣偵測： PCA法前處理2 對影像做膨脹與腐蝕處理： PCA法前處理3 追蹤物件分割，並統計白色的值，組成一個矩陣： PCA法前處理4 零檢查 檢查前處理3中所得到的矩陣中，元素的值等於0的有幾個。若是等於0的元素有太多個，我們就捨棄這一張圖，直接判定不是所要找的物件。 PCA法1 求共變數矩陣 求共變數矩陣的特徵值以及所對應的特徵向量 。 PCA法2 PCA法2 PCA法3 [-0.22,-0.77,-0.54,-0.24] * select_proj[11] 改善架構流程 改善架構流程 改善架構圖例 實驗範例 實驗範例 實驗範例 結論 1.背景可能過雜 2.物體本身就很複雜，導致辨識困難。 3.高速移動時會脫離偵測視窗。 原本架構 再改進架構 再改進架構 * * 26, 58, 82, 23, 72, 128, 191, 46, 82, 148, 178, 79, 20, 165, 168, 51, 25, 125, 199, 22, 20, 180, 104, 30, 50, 112, 88, 26, 12, 49, 100, 51, 12, 110, 142, 27, 0, 107, 50, 0, 0, 22, 16, 0, Select_mat 159.12 462.93 1019.84 5025.06 0.51 -0.01 0.09 -0.85 -0.79 -0.09 0.43 -0.43 0.23 -0.84 0.45 0.2 -0.24 -0.54 -0.77 -0.22 特徵值 對應的特徵向量。 159.12 462.93 1019.84 5025.06 0.51 -0.01 0.09 -0.85 -0.79 -0.09 0.43 -0.43 0.23 -0.84 0.45 0.2 -0.24 -0.54 -0.77 -0.22 特徵值 對應的特徵向量。 Select_mat T [-0.22,-0.77,-0.54,-0.24] * 要比對的區塊矩陣 T match_proj[11] 比對select_proj[11]跟match_proj[11],可以判斷是否是追蹤的物件 1.綠色：PCA法追蹤的結果。 2.再將紅色的範圍交給CAMSHIFT辨識。