《目标检测、目标跟踪报告.ppt....ppt》由会员分享，可在线阅读，更多相关《目标检测、目标跟踪报告.ppt....ppt（85页珍藏版）》请在金锄头文库上搜索。
1、视频监控小组工作报告,报告人：蒋老师 09.11.17,2,运动目标分片跟踪,报告内容,马尔可夫随机场分割,全局运动估计,车辆检测与跟踪,图像超分辨率重建,3,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,4,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。,第一帧 帧差图像,5,解决
2、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。,6,求解全局运动 参数,前一帧,后一帧,求特征点并匹配,运动补偿,补偿后的帧差图像,7,实验结果与普通帧差法的比较,第50帧,第80帧,8,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。,9,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
3、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。,10,下图给出了运动补偿与直接帧差的结果比较 图1Coastguard序列图像 图2直接帧差和运动补偿后的差值图比较,11,运动目标分片跟踪,报告内容,马尔可夫随机场分割,全局运动估计,车辆检测与跟踪,图像超分辨率重建,12,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
4、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。,13,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。,14,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。,15,另外，MRF参数 选取的好坏会直接影响到分割结果，
5、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。,16,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。,17,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。,18
6、,Gibbs分布可定义成如下公式：,图像上每一点的概率分布,19,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。,20,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,21,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,22,运动目标分片跟踪,报告内容,马尔可夫随机场分割,全局运动估计,车辆检测与跟踪,图
7、像超分辨率重建,23,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。,24,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。,25,分片跟踪,其中相似度的度量是通过各片的空间直方图匹配来实现的。确定目标位置后，判断目标中各片的有效性，我们仅利用有效片进行下一帧的跟踪。,被遮挡的
8、区域,片基本丢失,26,模板更新 由上可见这种分片方法已经可以很好的解决遮挡问题。 但是在跟踪过程中，目标的外观模型可能发生变化（例如目标转身、尺寸变化等等）。那么刚开始为目标建立的模板就不能很好的表示目标，这将影响跟踪效果。,27,目标外观变化时片匹配的情况,外观缓慢变化时，丢失的片很少,28,利用有效片的概念，我们为每个目标建立两种模板，临时模板和参考模板。 临时模板实时更新的模板，在无遮挡情况下跟踪，可以解决目标外观缓慢变化的问题。 参考模板能够很好的表示目标的模板，用于遮挡情况下的跟踪。,29,分片跟踪,多组实验结果： 1.可以有效的解决目标遮挡 2.在目标表现模型缓慢变化的情况下，实
9、时更新模板 3.在背景较为简单的情况下实现目标尺度的更新,30,分片跟踪,遮挡下的跟踪,31,分片跟踪,目标表现模型的变化时的跟踪,32,目标尺度发生变化,33,运动目标分片跟踪,报告内容,马尔可夫随机场分割,全局运动估计,车辆检测与跟踪,图像超分辨率重建,34,车辆检测与跟踪,包括以下两方面内容： 基于码本更新的检测与跟踪方法 基于轮廓匹配的检测与跟踪方法,35,车辆检测与跟踪概述,智能交通系统： ( Intelligent Transport Systems, ITS),36,车辆检测与跟踪概述,影响车辆检测和跟踪的主要因素： （1）车辆自身阴影； （2）车辆间相互遮挡或车辆被背景中物体遮
10、挡； （3）同车型车辆之间具有较大的相似性； （4）光线突变； （5）夜晚和雨、雪等恶烈天气等。 主要针对（1）、（2）两种情况开展研究,37,车辆检测与跟踪概述,车辆检测：改进的码本算法 解决车辆检测中的阴影问题; 车辆跟踪: Kalman预测的方法 解决车辆跟踪中的遮挡问题;,38,基于改进码本的车辆检测方法,运动检测方法： 帧间差分方法 光流场方法 背景减法 构建较为理想的背景模型,39,常用背景建模和更新算法,混合高斯模型(Mixture of Gaussians,MOG)： 能处理复杂、非静止的多模态背景，但它不能适应快速的背景变化,对噪声变化比较敏感； 基于内核密度估计( kern
11、el density estimation,KDE)的非参数背景模型： 需要大量内存来存储先前的数据，需要很高的计算开销； 基于Bayes 决策的方法： 在场景比较复杂或前景与背景颜色比较接近时，提取的前景目标很不完整,40,基于码本模型的运动目标检测方法,Kim K ， Proceedings of IEEE International Conference on Image Processing ；2004 算法是利用量化和聚类技术来构建背景模型； 针对彩色监控视频,对背景中的每一个像素点进行一段时间的采样，采样值聚类成码本的形式，码本就代表了背景模型。 运动检测时，对新输入的像素值与其对
12、应码本做比较,如果能找到与其匹配的码字，则认为该像素点为背景点，否则为前景点。,41,基于码本模型的运动目标检测方法,码本方法： 计算聚类均值和样本与它的距离,不涉及概率运算,运算速度较快； 码本方法能处理高亮和阴影问题，而且训练时允许有前景运动目标。 该算法具有较强的鲁棒性，能实现对运动目标较好的检测。,42,基于码本模型的运动目标检测方法,原码本算法对RGB空间的视频序列，已具有较好的检测效果，有一些不足之处： 视频采集设备，如网络摄像机、DV和图像采集卡等采集的视频序列大多是YUV格式的，如果要在RGB空间做运动检测，则需要进行从YUV空间到RGB空间的转换，而该转换运算为浮点型运算，运
13、算量大； 原算法在RGB空间进行阴影处理时，需要做浮点型运算，进一步加大了运算量。,43,基于改进码本的车辆检测实现,对原算法进行改进，直接在YUV空间做运动检测及阴影处理，省去了大量的浮点型运算，提高了算法的效率。 检测步骤： （1）初始码本的建立 （2）前景运动目标检测 （3） 阴影和高亮问题的解决 （4）目标检测过程的码本实时更新,44,车辆跟踪方法的实现,基于Kalman 滤波的车辆跟踪 通过运动估计和目标匹配两个模块实现对车辆的跟踪。 利用前一帧获得的参数作为Kalman滤波的状态变量，当前帧获得的参数作为观测值，通过Kalman滤波推导获得估计值。 以估计值为中心进行目标匹配，如果
14、能匹配上则认为是当前运动目标，如果匹配不上则认为出现了遮挡，使用Kalman对其位置进行预测。,45,算法步骤,Step1 背景模型训练，得到表示初始背景模型的码本。 Step2 输入像素点和码本做比较判断，得到可能的前景像素点，同时更新码本。 Step3 去除可能前景像素点中阴影和高亮区域，得到真实的前景点，同时更新码本。 Step4 去噪，连通区域分析，根据检测出的运动目标的长宽消除非车辆目标，将运动车辆分割出来。 Step5 使用卡尔曼滤波器预测车辆在下一帧中的可能位置。 Step6 在预测区域周围对各个车辆进行匹配跟踪。转Step2，进行下一轮跟踪。,46,夜晚车辆检测结果,47,普通
15、路面检测结果,（a）序列某一帧 （b）混合高斯模型检测结果 （c）Bayes 决策检测结果 （d）本方法检测结果,48,高速公路检测结果,（a）序列某一帧 （b）混合高斯模型检测结果 （c）Bayes 决策检测结果 （d）本方法检测结果,49,跟踪结果,（a）序列第168帧跟踪结果（b）序列第182帧跟踪结果 （c）目标质心在x方向的坐标 （d）目标质心在y方向的坐标,50,跟踪结果与粒子滤波方法比较,（a）粒子滤波第40帧 （b）粒子滤波第60帧 （c）粒子滤波第88帧 （d）粒子滤波第100帧,51,跟踪结果与经典CamShift方法比较,（a）CamShift第40帧（b）CamShif
16、t第60帧 （c）CamShift第88帧 （d）CamShift第100帧,52,跟踪结果比较,（a）本文方法第40帧 （b）本文方法第60帧 （c）本文方法第88帧 （d）本文方法第100帧,53,车辆检测与跟踪,包括以下两方面内容： 基于码本更新的检测与跟踪方法 基于轮廓匹配的检测与跟踪方法,54,背景,传统视频检测车流量统计主要采用车辆检测和跟踪技术相结合的方法，算法复杂且容易受到外界干扰影响， 本文建立若干车辆遮挡模型，利用分层轮廓匹配法将运动目标与车辆遮挡模型进行轮廓匹配识别出遮挡车辆。为了提取运动目标完整外部轮廓，提出一种基于连通域的两轮扫描法来标记各个运动车辆，并利用YUV彩色空间对阴影进行检测和抑制，提高车流量统计精度。,55,一、基于连通域的两轮扫描法,通过背景减法得到运动区域后，各个运动目标可以认为是一个独立的连通域，本文采用基于连通域的两轮扫描法标记这些连通域，
