[自然科学]基于视频的运动目标检测与跟踪技术研究.pptVIP

多摄像机下的运动目标检测与跟踪 完全遮挡或是长时间遮挡问题 复杂场景中一些极端条件下的多目标跟踪问 题，如目标特别密集，目标分辨率非常低等 需进一步研究的内容 The End！ 谢谢大家！ * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 拓扑结构 根据特征区域的尺度以及和特 征间的欧式距离来定义节点间的邻 域关系 图模型中节点 的邻域 定义为 模型的定义 为节点 所对应的椭圆参数。 模型的定义 势函数 特征状态节点 之间的势函数 状态节点 与对应观测 之间的似然函数 跟踪算法框图 空间域上概率图模型的状态配置推断 根据当前时刻的图像观测 ，在定义的图模型中进行贝叶斯推断，得到所有节点的联合状态后验概率分布 采用信任传播算法(Belief Propagation,BP)，通过消息传播的方式，计算后验概率 时间域上的粒子滤波跟踪 在概率图模型中，每个节点的状态表示为空间中的概率分布函数，由于目标状态的变化可以认为是分布函数在时间域上的传播过程，因此跟踪问题可作为概率推断问题，顺序地推断每个时刻下状态的概率分布。 t 时刻 t +1 时刻 实验结果 本文算法 文献[33] 文献[98] [33] Comaniciu, D., V. Ramesh and P. Meer, Kernel-based object tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003. 25(5): p. 564-577. [98] Nummiaro, K., E. Koller-Meier and L.V. Gool, An adaptive color-based particle filter. Image and Vision Computing, 2003. 21(1): p. 99-110 实验结果 位置误差 相对尺度误差 场景不同位置处的光照条件有所不同，并且被跟踪的行人朝着摄像机的方向行走，因此在图像上的尺度变化较大。 实验结果 本文算法 文献[33] 文献[98] 部分遮挡情况下的跟踪结果 1. 视频运动目标检测 基于背景模型的运动检测 2. 视频单目标跟踪 目标表示模型的建立 特征空间选择，模型更新，漂移问题 3. 视频多目标跟踪 数据关联，目标之间的相互遮挡 本论文的主要工作 基于特征空间自适应选择的视频跟踪算法 监视场景中，由于光照变化，背景变化或是目标尺寸变化，目标的外观会发生改变，采用固定目标模型的视觉跟踪方法通常不能适应这些变化，需要不断对模型进行调整更新。 根据目标的外观变化直接调整目标模型的参数 先定义一个特征空间集，跟踪过程中将目标模 型转换到当前选择的特征空间下。 模型更新 更新方法 在选择的特征空间下，利用特征直方图描述目标和背景 目标直方图 背景直方图 目标区域和背景区域 颜色特征空间集 RGB三个色彩分量的49种线性组合 对于选择的特征空间，目标和背景之间差异越大，越适合于目标跟踪。 2g-b r-2g+2b 2r-g -r+2g+b 通过引入信息论中的交叉熵来衡量前景目标与背景之间的差异。 特征空间选择 交叉熵(Cross Entropy)作为信息熵的一种应用，可以看成是两个概率分布之间的信息量差异。为了方便，算法中我们应用交叉熵的对称形式，即对称交叉熵： 分别为目标和背景的特征直方图 选择 最大的特征空间作为当前特征空间： 似然图像 根据目标和背景特征直方图，计算特征值 所对应的对数似然比 交叉熵 由小到大 √ 偏移问题(Drift Problem) 模型更新的一个主要难点是模型的偏移问题(Drift Problem)。由于遮挡物或背景象素的影响，目标模型在更新时，利用了错误的信息造成模型误差，随着跟踪过程的推进，更新中的累计误差使模型对目标的描述能力逐渐减弱，造成目标模型与目标观测间的匹配度下降。减小非目标观测对目标模型的影响，是解决偏移问题的关键。 通过前景目标分割的方法，减小背景对目标模型的影响。 利用二维CRF (Conditional Random Field) 模型对跟踪目标的时空上下文信息进行建模，然后使用近似推断算法估计出模型