数字图像目标跟踪.ppt

目标跟踪 主要内容 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 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 主要内容 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。 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 主要内容 目标外观变化时片匹配的情况 分片跟踪 遮挡下的跟踪 分片跟踪 目标表现模型的变化时的跟踪 目标尺度发生变化 报告内容 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 车辆检测与跟踪概述 智能交通系统： ( Intelligent Transport Systems, ITS) 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 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; 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 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。 夜晚车辆检测结果 普通路面检测结果 （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）改进方法检测结果 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）改进方法检测结果 目标被严重遮挡 目标转头：外观和尺度都发生了很大的变化 * 2012.3.12 运动目标分片跟踪 1 2 3 4 图像分割 全局运动估计 车辆检测与跟踪 第一帧 帧差图像 提取特征点 特征点匹配 最小二乘求 运动参数 提取特征点 前一帧图像 后一帧图像 运动补偿 帧差法 运动目标 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 第50帧 第80帧 第5帧 帧差法 特征匹配的方法 原序列 运动目标分片跟踪 1 2 3 4 图像分割 全局运动估计 车辆检测与跟踪 运动目标分片跟踪 1 2 3 4 图像分割 全局运动估计 车辆检测与跟踪 外观缓慢变化时，丢失的片很少 运动目标分片跟踪 1 2 3 4 图像分割 全局运动估计 车辆检测与跟踪 运动检测处于整个视觉监控系统的最底层，是各种后续高级处理如目标跟踪、行为理解等的基础，其性能直接影响着监控系统的有效性。