视频监控系统中机动目标的检测与跟踪-Read.pptVIP

目标的跟踪 刘龙 2007.6 基于背景的目标检测框图 背景估计 认为背景的变化服从高斯分布，我们在一段较长的时间段内计算视频序列图像每一像素的平均亮度 以及像素亮度的方差 ，由均值方差组成的具有高斯分布的图像 作为初始的背景图像。 背景更新 初始化完成以后，随着每一祯的到来，不断的更新背景 运动区域的检测提取 需要利用第一部分背景估计的结果，基本方法和第一部分的背景估计相同。使用图像的像素值和背景模型中的典型值，求差的绝对值D(x,y),从而判断图像的像素是否属于运动区域，显然这个结论与背景提取正好是互补对称的，不属于背景的像素，则被划分为属于运动区域。 视频目标跟踪 在图像序列中跟踪运动物体，实际上就是在桢间把已知的运动物体与在新桢中检测到的运动区域匹配起来。所以跟踪主要是处理每一桢中已知的运动物体与下一桢的运动区域相匹配的问题。 目标跟踪可分为两大类：1)基于滤波和数据关联的方法：一种从上到下的处理过程，主要解决运动目标动态变化的情况，通过状态空间法对离散空间动态系统建模，学习场景信息来评估不同的假设，比如粒子滤波。2）基于目标表达和定位的方法：是一种从下到上的处理过程，主要解决运动过程中目标外形变化的情况，先选取图像特征用来表达目标，然后再序列中不断地进行匹配已达到跟踪的目的。均值平移是其中比较成功的算法，它是一种用密度梯度爬升来找到概率分布峰值的非参数方法。 基于均值平移算法的目标跟踪 目标表达 目标模型的建立 假设 表示目标模型的归一化像素位置，其中心坐标为o,目标的外接矩形的高度和宽度分别为hx 和hy ，目标表示为 在本文中目标颜色的分布化为m维，由原来的每个颜色分量的256个灰度值量化为m 个灰度级，定义函数：b(x)是位置x的像素向颜色索引的映像，k(x)为核函数，使得距离中心较远的像素的权值较小。 区域候选的表示 假设 为当前桢中候选目标的像素为止，其中心位置为y.在范围h中运用同样的内核函数k,则候选目标中颜色u出现的概率可以表示成： 相似度度量 目标模型和候选区域的距离定义为 均值平移算法的步骤 与camshift的比较 Camshift 只能用于人脸跟踪 Camshift中跟踪窗口可以缩放旋转 Mean-shift中只能缩放 与knignt比较 使用多高斯模型 可以去掉影子 跟踪过程使用窗口大小，速度等性质来匹配的 关于我的工作 每隔5桢检测有无新的运动物体出现，如果有建立跟踪新的物体。将运动物体的监测与跟踪结合起来。 存在问题： 运动物体的轮廓不清晰，可能的原因，基于背景检测的方法太简单（单模高斯），滤波，连通性分析。 当运动目标速度过快的时候，跟踪窗口会落后于目标。原因，发现此方法在跟踪窗口大小小于目标的时候效果较好，可能是跟踪窗口太大，其中包括了一部分背景。 这就造成了当检测新目标的时候，即使是已经存在的目标，由于跟踪落后了，也会当成新的目标，从而失去了跟踪的意义 影子，如何去掉影子 人进入车之后，跟踪丢失。 质心位置不准确 程序的问题：安全性不高，程序不够完善 * * *