运动目标跟踪(入门级)分析.pptVIP

运动目标跟踪 1 概述 运动目标跟踪在军事制导，视觉导航，机器人，智能交通，公共安全等领域有着广泛的应用。例如，在车辆违章抓拍系统中，车辆的跟踪就是必不可少的。在入侵检测中，人、动物、车辆等大型运动目标的检测与跟踪也是整个系统运行的关键所在。所以，在计算机视觉领域目标跟踪是一个很重要的分支。 1 概述 安防监控领域的应用 1 概述 交通管理领域的应用 1 概述 军事领域的应用 2 运动目标检测 运动目标检测是运动目标跟踪的前提；运动目标检测，依据目标与摄像机之间的关系可以分为： 静态背景下的运动检测 动态背景下的运动检测 2.1 静态背景下的运动检测 整个监控过程中只有目标在运动，常用方法： 背景差方法 帧间差方法 光流场法 2.1.1 光流法 光流场是空间运动物体被观测表明上的像素点运动产生的瞬时二维速度场，包含了物体表面结构和动态行为的重要信息。 光流法是给图像中的每一个像素点赋予一个光流矢量（即速度矢量），当物体和图像背景存在相对运动时，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，通过对序列图像光流场的分析，计算出运动场后，对场景进行分割，从而检测出运动目标。 2.1.1 光流法 2.2.2 邻帧差分法 将连续的两帧或三帧图像对应像素点的灰度值相减，当环境亮度变化不大时，如果对应像素相差很小，则认为这是由目标运动引起的，该处像素标记为运动目标。 2.2.2 邻帧差分法 2.2.3 背景相减法 建立一个无运动目标的背景图像（第1帧无运动目标的图像或前N帧无运动目标的图像的均值或中值），然后将当前图像的像素值与背景图像的像素值相减，通过设置一定的阈值，风格运动目标。 2.2.3 背景相减法 2.2 动态背景下的运动检测 监控过程中，目标和背景都在发生运动或变化，根据相机的运动形式分为以下两种 ： 相机支架固定 相机置于移动设备之上 3 运动目标跟踪处理三步骤 步骤一：目标的有效描述（特征提取） 提取目标的特征来达该目标，例如：图像的边缘、轮廓、形状、纹理、区域、直方图、矩特征、变换系数等 3 运动目标跟踪处理三步骤 原图 阈值分割 高斯模型分割 3 运动目标跟踪处理三步骤 步骤二：相似性度量计算（目标建模） 常用的方法有：欧式距离、马氏距离、棋盘距离、加权距离、相似系数、相关系数等 3 运动目标跟踪处理三步骤 步骤三：目标区域搜索匹配（特征匹配） 常见的预测算法有：Kalman滤波、粒子滤波、Mean-Shift等 。 3 运动目标跟踪处理三步骤 将目标分片，建立目标分片表现模型（模板）。在目标上一帧的位置周围遍历搜索，找到与目标模板相似度最高的候选目标作为跟踪结果。 3 运动目标跟踪处理三步骤 实时更新的模板 3.1 Mean-Shift （均值偏移） 彩色直方图作为匹配特征，Mean-Shift跟踪算法反复不断的把数据点朝向mean-Shift矢量方向移动，最终收敛到某个概率密度函数的极值点。 Mean-Shift跟踪算法中，相似度函数用于刻画目标模板和候选区域所对应的两个核函数直方图的相似性。因此，这种方法将跟踪问题转化为Mean-Shift模式匹配问题。 3.1 Mean-Shift （均值偏移） 选择窗口的大小和初始位置 计算此时窗口内的质心 调整窗口的中心到质心 重复2和3，直到每次窗口移动的距离小于一定的阈值 3.2 Kalman滤波 卡尔曼滤波器是一个有噪声线性动态系统状态预估的递归算法，它是一个不断预测与校正的过程。当假设系统状态模型和观测模型都是线性且符合高斯分布，同时假设噪声也是高斯分布，线性卡尔曼滤波器是最优的滤波器。 3.3 粒子滤波 当假设系统状态模型和观测模型都是非线性且符合不高斯分布，同时假设噪声也不是高斯分布，粒子滤波器是比较合适的滤波器。 4 最简单的例子——模板匹配法 把全图的所有子区域和目标模板比较一下，找到最像目标模板的子区域，即目标的位置 。 4 最简单的例子——模板匹配法 假设目标模板是一个10*10的图像，可以被看作是一个100维的向量，每一维是一个像素点的灰度值。然后把这个向量和图像中的每一个子区域作比较，找出相关系数最大的子区域，目标的位置就找到了。 4 最简单的例子——模板匹配法 需要考虑的问题：