模糊化及及解模糊化.pptVIP

具預測能力及鎖定區域之 動態影像追蹤系統 論文口試簡報 指導教授:黃世演博士 研究生:何相垣 中華民國98年7月22日 大綱 1.緒論 2系統架構 3理論基礎 4實驗結果 5結論 緒論(1/2)⑤ 研究動機 傳統的監視系統缺點 →單一或數個攝影機連結到儲存系統’只拍攝固定範圍 監視區域有限 →監視區域範圍過廣而使得拍攝到的目標過小不易辨識。 ←被動的監視錄影,只能做為事後的影像蒐證,缺乏事 前的預防功能 人工方式搜尋事件發生的錄影片段·非常費時費力。 緒論(2/2)⑤ 研宪目的 本研究提出利用移動目標偵測及迫蹤等方法’結合可動式 攝影機ν建立一套動態影像迫蹤監視系統。 ■監控糸統能自動對影像進行分析’使其具有偵測、迫蹤 以及資料檢索等功能。 ■期能事前避免意外的發生’降低事件的傷害程度·減少 監控人員的負擔。 糸統架構⑨ 系統流程方塊圖 攝影機 Camera 致訊虢 Actuating signal 影像錄影 Moving Object Detection 移動目追蹤 Image records Moving object Trackin 影像前處理 Image preprocessing 卡爾曼濾波器 Kalmar fter Save frame 混合高斯模型 攝影機迫蹤目樑物 Camera tracking target 雛訊濾除 Noise Reduce Back-end Image 發訊 Trigger signal 幾何形心廖棵 Centroid 影像擷取及前置處理⑨ ☆影像擷取 影像大小640×480像素影像格式為RGB色彩空間 冷色彩空間轉換 RGB色彩空間→灰階影像( Gray Image) Gray Image =0.299. Red+0.587. Green +O 114 Blue 令雙線性內插法 影像大小640×480像素→160×120像素 P(x,y)=(1-a)(-),A+a(1-),B+(1-a)C+a,BD P(x, Y) 原始影像 轉换彩像 移動目標偵測⑨ 移動目棵值湖流程圖: 影像輸人 立混合高斯 背景楔型 是否符合KYF 高斯分佈 類為背景 取得前景 高斯模型參數 難濾除 计算形心座標 混合高斯模型⑤ 對影像中的每一個點的像素值變化情形,建立多個高斯分佈背景模型·新 進的像素點再依據背景模型來判斷是否為移動像素點 假設序列影像Ⅰ在任意時間點t中,某個像素點可將之定義如下 {x1…,x}={(x,.0):1≤≤t 對於任意時間點Ⅹ像素值之高斯機率,可表示如下 P(X1)=∑01(X,AH1,2) 其中K代表高斯分佈之個數;,;為t時刻第i個高斯分佈之權重值; μ,及σ為t時刻第i個高斯分佈之平均值和變異數; mX,A2)為高斯機辛函數,表示如下 7(X,1,2)= (X1-1)o2(X1-1)(5) 參數更新 新進的像素點X依序比對所建立的K個高斯分佈來做匹配 X,-1,≤2.5 更新K個高斯分佈的權重值: O1=(1-y)m11+aM 其中為y(0y1)學習率; 當X匹配第i個高斯分佈時M.=1,反之則M:=0 更新與像素點X匹配相符的高斯分佈之参數 11=(1-p)1,1+X 2=(1-p)o21+p(X,-1,)(X,-A1) 1 其中P=y/m 雜訊濾除⑨ 令二值化運算 形態學運算 膨脹 Dilation)、蝕刻( crosion)、展開( 5 令區塊面積分析 8相鄰標籤 Bottom ☆框選目標 令幾何形心座棵標計算