《dp笔记 图像 目标 检测与 识别》由会员分享，可在线阅读，更多相关《dp笔记 图像 目标 检测与 识别（6页珍藏版）》请在金锄头文库上搜索。
1、dp笔记图像目标检测与识别两种目标跟踪思路:1.自下而上(数据驱动):不依赖于先验知识，直接从图像序列中获得目标的运动信息并进行跟踪。常用方法:帧差法、背景差法。优点:快。2.自上而下(模型驱动):依赖于所建模型或先验知识，在图像序列中进行匹配运算从而进行目标定位和跟踪。常用法:粒子滤波。四种目标跟踪算法:1.基于区域:通过图像分割获得略大于目标的矩形作模板(基于纹理特征或颜色)，相关运算;2.基于特征:基于局部特征集来跟踪，常与卡曼滤波联合使用。通过Canny算子获得边缘特征，通过SUSAN算子获得角点信息。3.基于变形模板:主动轮廓模型/Snake模型。4.基于模型:线图模型、2D模型、3
2、D模型。跟踪算法的难点:1.鲁棒性;2.准确性;3.快速性;如何应对光照变化?基于图像特征(如边缘)的方法，而不是基于灰度或色彩信息的算法。基于特征的跟踪算法图像特征最重要的属性是独特性，能够在特征空间内方便区分目标。可用于跟踪的特征有颜色、边缘、光流和纹理，或者是其中几种的组合。1.颜色-最常用的颜色空间是RGB，但它不是均匀分布的;均匀分布的颜色空间是HSV。根据应用选择合适的颜色空间。2.边缘-边缘通常伴随着剧烈的intensity变化。对比于颜色特征，边缘特征对光照变化不敏感。最流行的边缘检测算法是Canny算子。3.光流-光流特征是定义区域内每个像素变化的稠密位移向量域。通过计算区域
3、内的光照对比度变化得到。通常应用在基于运动的分割和跟踪上。4.纹理-纹理是检测物体表面intensity变化的手段，是对光滑程度和规则程度的量化。相对于颜色，它多了一个计算描述符的步骤，对于光照不敏感。GLCM，LAW，Wavelet等是常用的纹理描述符。大多数情况下图像特征的选择根据应用场合来决定。近来自适应的特征选择也越来越受到重视。自适应的方式可分为filter和wrapper两种形式。前者基于通用的选择标准选择采用的特征;后者基于特征在特定场合的适用程度选择。其中Adaboost是个流行的wrapper形式特征选择算法。它基于普通分类器的组合寻找最优分类器。在所有图像特征中，颜色是适用
4、最广泛的，但不够稳定，因为其对光照变化敏感。因此很多情况下用到其它特征来建模目标外观，或使用特征的组合来改进跟踪算法效率。目标的表达方式可以有以下几种:点-表达为一个点或n个点的集合，适用于目标在图像画面中比例较小的场合基本几何形状-通常用矩形或椭圆表达。这种表达方式下目标运动用平移、仿射、投影灯方式建模。适用于刚性目标，非刚性目标亦有应用目标轮廓-适用于复杂非刚性目标表达铰链式形状模型-由不同部分通过关节连合而成。不同部分的关系通过动态运动模型控制。可以用椭圆来表达整体目标的运动骨架模型-可以通过对目标轮廓进行中轴变换提取。该模型可在识别目标时用作形状表达。骨架模型可以用来建模铰链式目标和刚
5、性目标目标外观特征的表达有许多方式，形状表达也可和外观表达结合作用于跟踪问题。下面是一些通用的外观表达:概率密度-目标外观的概率密度估计可以是参数型的(高斯模型，混合高斯模型)，或非参数型的(Parzen窗口，直方图)。目标外观特征的概率密度可以通过由形状模型指定的图像区域计算得到模板-是用简单的集合形状或轮廓创建得到的。使用模板的好处是它包含了空间和外观信息。然模板只体现了单视角下的目标外观，因此只适用于姿态基本不变的跟踪过程。主动外观模型-主动外观模型是通过同时建模目标形状和外观生成的。目标形状由一系列标识的集合定义，类似于基于轮廓的表达方式，标识位于目标的边界或内部。每个标识的外观向量保
6、存为颜色、纹理、梯度等信息。模型建立通过训练过程得到形状和相关外观。多视角模型-该模型包含了多个视角下的目标状态。通过建立不同视角的子空间来表达目标。PCA，ICA等方法都适用于其外观和形状的表达。训练的分类器集合(SVM,贝叶斯网络等)也同样适用。该模型的局限在于占用处理时间较多。总的来说，目标表达方式的选择与跟踪算法相关。目标较小时点表达较合适，目标可近似为规则的几何形状时集合表达较合适，目标形状复杂时轮廓表达更合适。目标检测:或者在每帧中都进行检测，或者在目标出现时检测。有利用当前帧信息检测的，也有利用连续帧的相关信息检测的。后者最常用的方法是帧间差分。常用的目标检测方法有四类:Poin
7、tDetector:Moravecs算子,Harris算子,SIFT算子,AffineInvariantPointDetectorSegmentation:MeanShift,Graph-Cut,ActiveContourBackgroundModeling:混合高斯模型,Eigenbackground,Wallflower,动态纹理背景SupervisedClassifiers:支持向量机,神经网络,AdaptiveBoosting点检测:寻找图像中的特征点。特征点是在各自位置具有代表性纹理特征的点。特征点最有意义的属性是其对光照和摄像头视角变换具有不变性。常用的有Moravecs算子,Ha
8、rris算子,SIFT算子,KLT算子其中SIFT算子的图像变形的效果最好背景减除对背景建模，然后进行背景减除剩下前景视作所求的目标，也是目标检测的一类方法。背景模型的巨大变化即意味着目标移动。帧间差分是背景减除中的一个经典算法。Wren等人提出用3D高斯函数对固定背景每个像素的颜色I(x,y)建模，I(x,y)N(x,y),(x,y)。其中(x,y)是均值,(x,y)是协方差。这两个数据通过对连续背景帧的观测学习得到。由于颜色对光照敏感，单个高斯函数建模的模型不适用于户外场景。多形态混合统计模型的利用是背景建模的一个重大改进。比如混合高斯模型，非参数核密度估计(Elgammal&Davis2
9、000)，纹理颜色特征融合(Li&Leung2002)，以及分层模型(Toyama1999)等，都是其中的重要算法。将图像表达为离散事件状态也是一种背景减除方法。对有限的不同事件状态分别进行背景建模，根据该模型区分前景和背景。其中的代表算法是隐形马尔科夫过程(HMM)在背景减除中的应用。特征空间分解方法(Oliver2000)则是另一种思路，并非建模独立像素点的变化，进行背景减除。其对光照条件变化不敏感。上述背景减除方法都有一个局限性，即只能处理静态背景下的检测。Monnet2003,Zhong&Sclaroff2003提出了自回归运动平均过程(ARMA),可对背景的运动模型进行学习和预测。A
10、RMA过程是个时间序列模型，由自回归和时间平均分量组成，其中自回归过程可以描述为其过去值域白噪声的加权和。总的来说，处理摄像头静止条件下的跟踪问题，大多数时候可选择背景减除来检测特征区域。因为现有的背景减除方法能处理包括光照、噪声、背景周期运动在内的大多数问题，准确检测目标，而且计算方便。但主要限制在于对摄像头运动条件下处理能力有限。图像分割图像分割算法的目标是将图像分为几个部分。每个分割算法都要解决两个问题:分割准则和执行方法。MeanShift聚类Meanshift聚类也可以用在边缘检测、图像规则化、跟踪等方面。基于meanshift的分割需要精密的参数调整以得到较好的分割效果，如颜色和空
11、间核带宽的选择，区域尺寸最小值的阈值设定。Graph-cut图像分割可以建模为graph-cut问题。图G的顶点V由图像像素点构成;通过剪除加权的边分割为N个不相连的子图。两个子图间被剪除的边的权和称为cut。权值由颜色、光照、纹理等因素计算得到。WuandLeahy1993提出了最小cut准则，目标是找到能够最小化cut的分割。ShiandMalik2000提出了归一化cut来解决过度分割问题。通常应用在跟踪目标轮廓上;与MeanShift相比，它所需要参数较少，但计算开销和内存开销较大。主动轮廓主动轮廓曲线将一个闭合轮廓曲线推演为目标边界，从而实现图像分割。这个过程由轮廓的能量函数来操纵。
12、这个问题需要解决三个方面问题:一是能量函数的确定，二是轮廓曲线的初始化，三是轮廓表达方式的选择。重点看的文献是-ParagiosandDeriche2000。监督学习目标检测中的监督学习方法，指的是在样本集合中通过对不同视角下的目标的训练过程，学习得到不同目标视角下从输入到输出的映射函数。它是一个分类问题，在目标检测中，学习样本由目标特征对河一个相关的目标类别组成。特征选择是分类问题中的一个重要方面。特征可以是颜色、纹理、形状、轮廓等常用特征，也可以是目标区域、朝向、外观、概率密度、直方图等。选择特定特征之后，采用合适的学习算法来训练分类器。如神经网络，AdaptiveBoosting，决策树，支持向量机等。在多维空间中建立目标与非目标两个类别之间的超平面实现分类。通过Cotraining方法可以较少训练分类器所需要的样本容量。核心思想是用两个分类器分别对两个样本集合进行训练，然后相互交换样本继续训练，实验证明这种方法能够取得较好的分类效果，减少了样本数据需求。1AdaptiveBoosting是通过一些低精度的分类器组合迭代调整权重以找到高精度分类器的一种方法。进一步的信息可以在阅读。2支持向量机是通过寻找最大边界超平面将数据在两个分类之间聚类的方法。超平面的边界由超平面和最近的数据点的距离定义。
