视频跟踪学习总结.pptVIP

视频跟踪学习内容总结 2011-4-7 数字视频跟踪技术的理论前提 图像的颜色空间（如何选择？） ——HSV颜色空间 AVI视频文件的结构（分割方法？）和读取 ——两类windows API函数：对AVI文件进行操作；对数据流进行操作（数据是否压缩过？） BMP文件（文件格式）的结构和特点等 ——保存为BMP格式（结构？图像数据矩阵的特点？） 运动检测/分割方法 背景减除法（Background Subtraction） ——背景模型如Kalman滤波（基于预测）、混合高斯模型（基于统计）等。 帧间差分（Temporal Difference） 光流法（Optical Flow）：利用光流场基于轮廓的跟踪算法 其他方法 ：EM（Expectation Maximization）算法、基于数学形态学的场景变化检测算法 传统运动检测方法 算法的主要优点 算法的不足之处 背景减除法 一般能够提供最完全的特征数据 对于动态场景的变化(如光照和外来无关事件的干扰等)特别敏感 帧间差分法 对动态环境具有较强的自适应性 一般不能完全提取出所有相关的特征像素点，在运动实体内部易产生空洞。 光流法 存在摄像机运动时也能检测出独立的运动目标 大多数的光流计算方法相当复杂，且抗噪性能差 传统的运动检测方法 运动检测算法研究趋势 针对性改进（动态背景更新、减少光流场的计算量）； 研究新的运动目标检测方法（基于颜色的分割方法、各种背景统计模型、基于知识的目标分割方法等）； 融合多种运动检测方法的综合判决方式，如Kim算法即帧差法与背景相减法结合)。☆ 目标跟踪的新算法 粒子滤波算法 CamShift算法(基于MeanShift的改进) Blob分析 SIFT尺度不变特征变换 Kalman预估法 基于分类器训练的特征匹配法 评价指标：跟踪的精确度、算法的复杂度及实时性。 常用的两类目标模型 基于目标的轮廓特征 ——精度较高，计算复杂，且抗干扰性差 基于目标的颜色特征 ——鲁棒性强，抗噪性强，且具有良好的抗遮挡性 。 现有的模板匹配算法 固定模板法 ①归一化互相关法NCC ②差的平方和相关法SSD ③差的绝对值和相关法SAD 可变模板法：适时更新模板（对目标位置做出预测） ——预测器的选择？线性/平方/综合逼近 基于模板匹配的算法的3个关键环节 ①图像特征表示（特征提取） ②相似度指标计算 ——常用的相似度指标 ——如何评价相似度指标匹配性能？ Model? ③目标搜索算法 图像跟踪过程：匹配→修正→预测 eg1.足球视频（体育视频）跟踪 运动目标检测： 1）改进的K均值聚类算法（分割区域） 2）Hough变换（提取直线、曲线） 3）Hu不变矩（目标特征） 跟踪足球：Kalman滤波 跟踪球员：CamShift算法+Kalman算法（预测） eg2.基于视频的交通事件检测（ITS系统中的应用） 目的：对运动物体进行编号并跟踪，最终得到运动轨迹 运动车辆分割：多区域轮廓跟踪 车辆目标跟踪：CamShift算法 研究方向： 如何判定行人等非机动车和运动车辆，而仅仅检测跟踪运动车辆？ 如何有效的去除运动车辆阴影的干扰？ eg3.红外目标检测与跟踪 红外图像的特点与应用 对比度低； 被检测信号太弱，图像信噪比极低，且缺乏目标形状和结构信息，只有其灰度和运动特性可以利用，检测难度大。 应用：超视距目标检测、跟踪与攻击，导弹防御、海洋、港口监视，卫星监控等系统。 红外小目标检测与跟踪技术的应用 卫星大气红外云图分析 空间遥感 红外医疗图像的病理分析 飞机拍摄地面红外图像地质分析 城市的红外污染分析 海面人员搜救 高速公路的车流量检测等 * *