具预测能力及锁定区域之动态影像ppt.pptVIP

具預測能力及鎖定區域之動態影像追蹤系統 指導教授: 黃世演　博士 研 究 生: 何相垣 中華民國98年7月22日 大 綱 緒 論 1/2 研究動機 傳統的監視系統缺點： 單一或數個攝影機連結到儲存系統，只拍攝固定範圍，監視區域有限。 監視區域範圍過廣而使得拍攝到的目標過小不易辨識。 被動的監視錄影，只能做為事後的影像蒐證，缺乏事前的預防功能。 人工方式搜尋事件發生的錄影片段，非常費時費力。 緒 論 2/2 研究目的 本研究提出利用移動目標偵測及追蹤等方法，結合可動式攝影機，建立一套動態影像追蹤監視系統。 監控系統能自動對影像進行分析，使其具有偵測、追蹤、以及資料檢索等功能。 期望能事前避免意外的發生，降低事件的傷害程度，減少監控人員的負擔。 系統架構 系統流程方塊圖： 影像擷取及前置處理 影像擷取 影像大小640×480像素 影像格式為RGB色彩空間 色彩空間轉換 RGB色彩空間 → 灰階影像 Gray Image 雙線性內插法 影像大小640×480像素 → 160×120像素 移動目標偵測 移動目標偵測流程圖： 混合高斯模型 對影像中的每一個點的像素值變化情形，建立多個高斯分佈背景模型，新進的像素點再依據背景模型來判斷是否為移動像素點。 假設序列影像Ｉ在任意時間點ｔ中，某個像素點可將之定義如下： 對於任意時間點 像素值之高斯機率，可表示如下： 其中Ｋ代表高斯分佈之個數； 為ｔ時刻第ｉ個高斯分佈之權重值； 及 為ｔ時刻第ｉ個高斯分佈之平均值和變異數； 為高斯機率函數，表示如下: 參數更新 新進的像素點 依序比對所建立的Ｋ個高斯分佈來做匹配： 更新Ｋ個高斯分佈的權重值: 其中為 學習率； 當 匹配第ｉ個高斯分佈時 ，反之則 ； 更新與像素點 匹配相符的高斯分佈之參數： 其中 ； 雜訊濾除 二值化運算 形態學運算 膨脹 Dilation 、蝕刻 Erosion 、展開 Opening 、閉合 Closing 區塊面積分析 8相鄰標籤 框選目標 幾何形心座標計算 移動目標追蹤 移動目標追蹤流程圖： 幾何形心座標位移 將移動目標的幾何形心座標 往上位移，作為目標物的位置 ，取代傳統計算膚色、橢圓輪廓等技術。 卡爾曼濾波器 預測移動目標下一個時間點可能出現的座標位置 預測及偵測更新兩者做遞迴運算： 預測階段:預測下一個時間點的系統狀態值及誤差。 修正階段:依測量得到的資料來對卡爾曼濾波器的各項參數做調整。 預測階段 系統設定的狀態變數： 目前修正後的狀態值 預測下一個時間的狀態值 ： 目前修正後的誤差矩陣 預測下一個時間的誤差矩陣 ： 其中A 為轉換矩陣； Ｑ為系統雜訊誤差矩陣； 修正階段 卡爾曼增益: Ｒ為量測雜訊誤差矩陣； Ｈ為量測值與預測狀態之間關係矩陣； 修正預測的狀態值 ： 為量測值 更新誤差矩陣 ： 鎖定區域 當下一個時間點移動目標之預測座標位置，進入鎖定區域範圍時，系統立即驅動攝影機轉動追蹤。 減少驅動攝影機轉動的次數，以縮短延遲等待時間。 追蹤目標 座標轉換 當目標在實際場景移動ｘ公分，與攝影機的垂直距離為ｄ公分，依幾何關係攝影機需往垂直或水平旋轉θ角，座標角度轉換表示如下： 採用RS-232 通訊介面，對攝影機送出指令控制鏡頭追蹤移動目標。 錄影及擷取影像特徵資訊 當攝影機開始追蹤移動目標時，系統同時進行錄影及擷取特徵資訊 。 系統每隔預先設定時間，攝影機會對移動目標進行放大特寫拍攝儲存 。 監視影像搜尋 可從特寫圖片取得移動目標的臉部區域特徵資訊，以提供日後的查詢與佐證。 系統將所儲存的特寫圖片當作一個時間點標籤，調閱監視影像時，可先快速瀏覽特寫圖片。 若要觀看某特寫圖片的前後監視影像，僅需從該特寫圖片的時間點開始播放監視影像即可，有效減少瀏覽監視影像的時間。 實驗結果 1/6 系統之硬體架構： 本系統以 LabVIEW 圖控程式語言開發完成。 以三個高斯分佈建構混合高斯模型，學習率設定為0.08。 區塊面積大於125像素才被認定為前景目標。 平均每張影像幀運算時間為0.06秒。 實驗結果 2/6 移動目標偵測演算法效能比較 實驗結果 3/6 卡爾曼濾波器測試 在影像大小640×480像素範圍，模擬80組連續移動測試座標點 實驗結果 4/6 預測誤差結果： 比較預測座標跟測試座標，其平均誤差為10.26個像素。 在幾個變動範圍較大的測試座標點中，其最大誤差為45.71個像素。 實驗結果 5/6 移動目標偵測Demo影片： 實驗結果 6/6 移動目標追蹤Demo影片： 結 論 本系統提出以單一攝影機為基礎，強化監視系統的實用性，對移動