下水目标跟踪算法.ppt

主要内容 一 意义和用途 二 跟踪的定义和评价 三 分割的流程及常用的分割算法 四 跟踪的流程和实现 一 复杂背景下水中运动目标跟踪意义和用途 1 意义 我们国家对海洋资源的保护和开发越来越重视，对优异的水中运动算法的研究也提出了很高的要求。如果能实现复杂背景下水中运动的实时跟踪和监测，这对我们维护我们国家的海洋权益有十分重要的意义。 2 用途 军事领域。 视频监控。 智能机器人 1 什么是目标跟踪？ 所谓目标跟踪，就是在一段序列图像的每幅像中找到所感兴趣的运动目标所处的位置。 2 一个好的目标跟踪算法满足的要求是什么？ 很好的实现感兴趣目标的提取 对感兴趣目标实现预想的跟踪 实时性好，算法要费时少 二 跟踪的定义及如何评价 二 阈值分割流程及常用的分割方法 输入一张图片 输出图片的灰度直方图 选取合适的阈值 分割出感兴趣的目标 输出分割后的图像 阈值分割常用的分割方法 双峰法阈值分割 最大熵法阈值分割 最大类间方差法进行阈值分割 改进的最大类间方差法进行阈值分割 分割的结果 直方图 原始图片 灰度图像 最大熵分割结果 OSTU分割结果 改进的OSTU分割效果 双峰法分割效果 阈值程序所用的时间 阈值分割方法 分割所用时间 双峰法阈值分割 0.002000 seconds 最大熵法阈值分割 0.122000 seconds 最大类间方差法进行阈值分割 1.290000 seconds 改进的最大类间方差法进行阈值分割 0.002000 seconds Mean shift算法在目标跟 踪中的实现 读入一张图像 目标物体进行描述 读取图片序列对 候选目标进行 描述 目标物体和候选 目标进行相似性 比较 目标定位 跟踪结果 陆地结果 水中跟踪结果 在起始帧，通过鼠标确定一个包含所有目标特征的矩形，称为被跟踪目标的目标区域，这个目标区域也是核函数作用的区域，区域的大小等于核函数的带宽。 对目标区域进行描述，常用的方法是按照直方图的方式将图像像素的值域等分成k个区间，每个区间按照值域的大小对应一个特征值。然后求出图像的像素值取每个特征值的概率。 对在初始帧图像中目标区域内所有的象素点，计算每个特征值的概率，我们称为目标模型的描述。 目标模型的描述 目标区域的中心为 ，假设其中有n个象素用 表示，特征值的个数为m个 ,则目标模型的特征值 的概率密度估计为： 为核函数的轮廓函数，由于遮挡或者背景的影响，目标模型中心附近的象素比外物象素更可靠， 对中心的象素给一个大的权值，而远离中心的象素一个小的权值 总得作用是判断目标区域中象素的值是否属于第u个特征值。属于值为1，否则为0 C是一个标准化的常量系数，使得 运动目标在第二帧及以后的每帧中可能包含目标的区域成为候选区域，其中心坐标为y，也是核函数的中心坐标。该区域中的象素用 表示。对候选区域的描述我们成为目标候选模型，候选模型的特征值 的概率密度为： 其中 是标准化常量 候选模型的描述 相似性函数 相似性函数描述目标模型和候选模型之间的相似程度，在理想情况下两个模型的概率分布是完全一样的。 我们使用Bhattacharyya系数作为相似性函数，其定义为: 其值在0到1之间。 的值越大，表示两个模型越相似，在当前帧中不同的候选区域计算得到的候选模型，使得 最大候选区域即是在本帧中目标的位置。 目标定位 为使 最大，将当前帧的目标中心先定位为前一帧中目标中的位置 ，从这一点开始寻找最优匹配的目标，其中心为y。先计算目标候选模型 ，对 在 处进行泰勒级数展开，Bhattachcyarya系数可近似为： 其中： 注：巴氏距离：用来度量两个离散或连续概率分布的相似性 类似于核函数密度估计，不过多了一个权值wi。使 式最大，就是要求 式最大，可以计算 的Mean Shift向量，这样我们就可以得到候选区域中心 移向真实目标区域y的向量: = 值得注意的是，一般在一帧中找到目标的位置，需要Mean Shift算法从开始若干次迭代才能得到。 其中