目标检测.目标跟踪报告.pptVIP

视频监控 报告内容 动态场景的运动检测 视频图像中的目标检测与跟踪，是计算机视觉的基础课题，同时具有广泛的应用价值。 依照目标与摄像头之间的关系： 静态场景 目标检测相对简单，研究渐趋成熟 动态场景 相对复杂，成为当前研究领域的热点 静态场景帧差的一个例子 视频序列运动检测 对于动态场景，由于目标与摄像头之间存在复杂的相对运动，运动检测富有挑战性。传统的帧差方法已经不再适用，如何能对全局的运动进行估计和补偿，成为问题的关键。 解决思路 要检测动态场景中的运动目标，关键在于对场景的运动进行估计，通过估计出的运动参数补偿其运动，最后使用帧差法得到运动目标。 实验结果与普通帧差法的比较 基于图像金字塔分解的全局运动估计 采用了3层金字塔进行多分辨率计算,而且在每层迭代计算中,将基于块的外点去除算法与特征点提取算法相结合,这样既加快了算法的速度,又提高了计算结果的准确性。 基本步骤如下： 用高斯图像构造法构造图像金字塔； 对金字塔顶层图像进行全局运动估计，求得运动参数； 将顶层金字塔求得的参数集隐射到金字塔的中间层，并对该层进行全局运动估计，求得相应的运动参数； 将金字塔中间层的参数集映射到金字塔的底层, 对该层进行全局运动估计，求得该层的运动参数集,即最终求得的参数集。 利用求得的最终参数集，对图像进行运动补偿，将运动补偿后的图像与前一帧图像进行差值。 下图给出了运动补偿与直接帧差的结果比较 图1　Coastguard序列图像 图2　直接帧差和运动补偿后的差值图比较 报告内容 目标分割的意义与现状 运动目标的准确分割，对于获取目标的特征信息非常重要，直接影响到进一步的运动目标跟踪的处理，传统的运动目标分割的算法主要有背景差分，相邻帧间差分，光流场的方法，这些方法都有各自的缺点和不足，不能满足准确分割运动目标的要求。 Ohlander等提出了一种多维直方图阈值化分割方法，该方法直方图阈值法不需要先验信息，计算量较小,但缺点是单独基于颜色分割得到的区域可能是不完整的，而且没有利用局部空间信息，分割不准确。 马尔可夫随机场分割 目前基于马尔可夫随机场随机场（MRF）运动目标分割的方法在图像分割领域影响越来越大，该方法与传统方法和阈值法相比，由于基于MRF的运动目标分割方法同时考虑了图像颜色信息和空间关联信息，因此分割效果较好。 另外，MRF参数 选取的好坏会直接影响到分割结果，Smits等研究雷达图像分割时表明，马尔可夫参数如果较大容易形成较长的边缘，较小容易形成微边缘，而固定的马尔可夫参数则使目标的轮廓模糊，对分割出的目标准确判断产生不利影响。 因此，我们提出一种基于自适应权值的区域马尔可夫随机场的分割方法，结合分水岭预分割算法，并利用形态滤波对分割结果进行修正，较好地解决了分割不准确，目标信息丢失的问题。 基于MRF的运动目标分割 马尔可夫随机场是把一维因果马尔可夫链扩展成二维的结果，Hammersley-Clifford定理指出了MRF和Gibbs分布之间的等价性，每个MRF都可以用一个Gibbs分布来描述，这样就解决了MRF概率难求的问题。 Gibbs分布可定义成如下公式： 对于一帧CIF图像，存在一系列的像素点 ，对于这些点存在一标记场和事先观察场 ，这样马尔可夫随机场的运动目标分割的问题可以归结为在事先观察场和其它一系列约束条件下，确定运动目标区域和背景区域的二值标记问题。 MRF运动目标分割结果一 （a）实验序列1 （b）固定阈值二值化 （c）高斯模型分割 （d）自适应值 MRF分割 MRF运动目标分割结果二 （a）实验序列2 （b）固定阈值二值化 （c）高斯模型分割 （d）自适应值 MRF分割 报告内容 分片跟踪 为什么引入分片跟踪： 在目标跟踪领域，一个重要的难题就是目标的遮挡问题，因为遮挡发生时目标可能部分或全部不可见。 模拟人眼跟踪目标的方式，发生遮挡时，人眼会关注目标的可见部分来继续跟踪。受这一思想启发，我们将目标分成多个小片，目标被遮挡时，利用“可见片”来跟踪。 分片跟踪 主要思想： 将目标分片，建立目标分片表现模型（模板）。在目标上一帧的位置周围遍历搜索，找到与目标模板相似度最高的候选目标作为跟踪结果。 分片跟踪 其中相似度的度量是通过