运动目标检测与跟踪.ppt

帧间差法 背景估计法 背景估计法适用于背景静止情况下的视频分割，其主要基于以下两个假设： 假设1：在背景静止的情况下，若外界光照条件不变，且在不考虑噪声的情况下，视频序列图像中的背景保持不变。 假设2：在目标可视的情况下，目标与背景的灰度之间存在着一定的对比度。 根据假设1，在静态场景的条件下视频序列图像中不包含目标的完整背景在每一帧都相同，由于运动目标会遮挡住一部分背景，所以每一帧中的背景并不等于完整背景，关键技术就是根据一定的准则从连续k帧图像中估计出该视频序列图像的完整背景。 根据假设2，运动目标与背景之间的灰度存在着一定的对比度，因此在不考虑噪声的情况下，在差分图像中属于背景区域的像素的灰度值为零，从而检测出了运动目标。 第一步：设置初始值 设置初始状态 x0,P0,Q0和R1的初始值 第二步：预测下一时刻目标的位置 这里运用式(5)和式(6),根据扩展的卡尔曼滤波器,预测目标在下一时刻可能出现的位置: 第三步：目标匹配搜索 使用基于像素点的亮度差的和作为匹配距离准则： 第四步：卡尔曼滤波器参数的修正 主要根据每帧得到的测量值修正目标的参数,使用IRR(无限冲击响应)滤波器完成对v⌒k,a⌒k和Δvk,Δak的修正,其公式为: 2.基于特征光流法的跟踪方法 结 语 图像中的运动目标检测与跟踪是数字图像处理与识别以及计算机视觉领域研究的主要内容之一,在机器人导航、智能视觉监控系统、医学图像分析、工业检测以及视频图像分析等领域中都有应用。 Thanks for your attention！ 式中:a,γ为一常数,0≤a,γ≤1。 两种跟踪方法的比较 由于卡尔曼滤波 是基于高斯分布 的状态预测方法, 不能有效地处理 多峰模式的分布 情况 对目标在帧间的 运动的限制较小, 可以处理大的帧 间位移;对噪声的 敏感性降低;只处 理图像中很少数 的特征点,计算量 较小 得到的是稀疏光 流场,导致难于提 取运动目标的精 确形状;特征匹配 问题尚未得到较 好的解决。 优点 缺点 基于卡尔曼滤波 基于特征光流法 硬件设施要求较 高,能在环境较差 情况下跟踪目标 可以处理目标重 叠及目标失锁等 异常情况 适用范围 用于预测目标起 始中心,在周围环 境存在干扰时容 易丢失目标 计算量小,存储量 小,目标搜索区域 小,实时性高。 * 几乎所有的检测算法均需要通过衡量当前图像与历史图像间的差异来判断是否有运动，大多数视觉特征都是受到光照变化的影响。 * 1.估计出的完整背景同样适用于视频序列图像以后的各帧。 2.以上分析是建立在不存在噪声的假设条件下，实际成像过程中由于不可避免地存在着噪声，所以如何消除噪声的影响是基于背景估计法视频运动目标检测算法的另一关键技术。 1.相邻两帧之间图像信号的变化信息，如果每帧之间无任何变化，则表明序列图像中没有物体的运动。 2.实际成像过程中由于噪声的存在且相邻两帧视频图像在成像过程中的噪声不同，使得相邻两帧之间的差分图像中除了运动变化区域外还存在着噪声区域。 3.提出一种方法，对经过全局运动补偿后的视频序列图像相邻两帧进行差分运算，然后再在差分图像中对噪声区域和运动变化区域进行划分从而检测出运动变化区域，最后在运动变化区域中根据视频运动目标的其他特征依据一定的算法分割出视频运动目标。 4.知道粗略位置后，“均值滤波去噪”、“模版卷积法去噪” 对K+l 帧位于初略位置附近的区域进行处理，以确定运动目标。 1.假设运动目标在序列首帧中的大概位置已经通过人工锁定或某种检测技术确定出来,所以跟踪中只处理目标及其附近部分的区域而非整幅。 2.首先,从首帧中提取角点,得到角点链。对于以后各帧,不再提取角点,而是利用加权模板相关匹配算法求得上一帧中角点的匹配点,这样在得到本帧角点的同时,也得到了连续两帧图像间的特征光流和光流链;然后由“粗”到“精”对光流进行聚类,得到若干候选类。对每个候选类,计算其参数值,包括:类平均光流、类重心、类的形状模型、类的形状用凸多边形表示,并与曲线图相对应;然后根据相似准则从这些候选类中找出目标类;最后得到目标的精确外轮廓。 在搜索中要使用目标检测的结果,即将检测到目标 的运动区域作为模板。在利用上一步计算得到的目标 搜索区域范围内进行目标搜索。若在搜索范围内搜索 到运动目标,并且只有一个,那么不再进行目标匹配搜索,直接认为搜索到的目标就是被跟踪的目标。若在搜索范围内搜索到不止一个目标时就需要进行目标匹配搜索,通常可以利用检测到的目标的邻接矩形作为搜索区域以缩小搜索范围。 1.阈值选择得准确与否直接影响到二值的质量，如果太高，二值中判定为运动目标的区域会产生碎化现象；如果太低会引入大量的噪声。选择阈值T最常用的方法