目標跟蹤小結

2021-06-22 03:34:41 字數 1711 閱讀 9693

一、引言:在需要監控的環境裡,如何能夠判斷出進入特定區域的目標,並且能夠跟蹤目標的軌跡。分為兩種情況:一是靜態背景下的目標跟蹤;二是動態背景下的目標跟蹤。

二、靜態背景下的目標跟蹤方法

2、多目標:靜態環境下的多目標跟蹤,需要確定每個目標的特徵,位置,運動方向,速度等資訊。

3、預處理:由於獲得的影象總會有著雜訊,需要對影象做一些預處理,如高斯平滑,均值濾波,或者進行一些灰度拉伸等影象增強的操作。

三、動態背景下的目標跟蹤

攝像頭在雲台控制下的旋轉,會使得他所採集的影象時可在變化,所以,對於整個目標跟蹤過程來說,背景是變化,目標也是在整個過程中運動的,所以跟蹤起來較有難度。

目前課題組提出的方案是:跟蹤過程:在攝像頭不同偏角情況下取得若干背景,建立背景庫――>攝像頭保持固定時,取得當前幀,與庫中的背景影象匹配,背景差分(灰度差分?),獲得目標――>目標特徵提取――>實時獲得當前幀,採用跟蹤演算法動態跟蹤目標。

提取特徵是乙個難點,課題組提出多顏色空間分析的方法。根據彩色影象在不同的顏色空間裡表徵同一物體呈現出的同態性,可以把目標物體在不同的顏色空間裡進行分解,並將這些關鍵特徵資訊進行融合,從而找出判別目標的本質特徵。

跟蹤過程中採用的各種方法說明:

1)在0-360度不同偏角時,獲得背景,可進行混合高斯背景建模,建立庫,以俯仰角和偏轉角不同標誌每張背景,以備匹配使用;

2)背景差分獲得目標後,對差分影象需要進行平滑、去噪等處理,去除干擾因素;

3)對目標採用多顏色空間(hsv、yuv)特徵提取,對不同顏色空間的特徵相與(and),得到目標特徵,以更好的在當前幀中找到目標;

4)實時得到的當前幀,進行混合高斯建模,排除樹葉搖動等引起的背景變化;

5)跟蹤演算法可採用多子塊匹配方法、camshift方法等。

四、相關理論介紹

近幾年來,一種名為camshift的跟蹤演算法憑藉其在實時性和魯棒性方面良好的表現,正受到越來越多的關注。現階段camshift演算法已經廣泛應用到感知使用者介面中的人臉跟蹤中,以及一些半自動的運動目標跟蹤。一方面,camshift演算法應該屬於基於區域的方法,它利用區域內的顏色資訊對目標進行跟蹤;另一方面,camshift演算法卻是一種非引數技巧,它是通過聚類的方式搜尋運動目標的。

2、混合高斯模型

背景中當樹葉在搖動時,它會反覆地覆蓋某畫素點然後又離開,此畫素點的值會發生劇烈變化,為有效地提取感興趣的運動目標,應該把搖動的樹葉也看作背景。這時任何乙個單峰分布都無法描述該畫素點的背景,因為使用單峰分布就表示己經假定畫素點的背景在除了少量雜訊以外是靜止的,單模態模型無法描述複雜的背景。在現有效果較好的背景模型中有些為畫素點建立了多峰分布模型(如混合高斯模型),有些對期望的背景影象進行**,這些演算法的成功之處在於定義了合適的畫素級穩態(stationarity )準則,滿足此準則的畫素值就認為是背景,在運動目標檢測時予以忽略。對於特定的應用場景,要想對特定演算法的弱點與優勢進行評價,必須明確這種畫素級穩態準則。

對於混 亂的複雜背景,不能使用單高斯模型估計背景,考慮到背景畫素值的分布是多峰的,可以根據單模態的思想方法,用多個單模態的集合來描述複雜場景中畫素點值的變化,混合高斯模型正是用多個單高斯函式來描述多模態的場景背景。

混合高斯模型的基本思想是:對每乙個畫素點,定義k個狀態來表示其所

呈現的顏色,k值一般取3-5之間(取決於計算機記憶體及對演算法的速度要求),

k值越大,處理波動能力越強,相應所需的處理時間也就越長。k個狀態中每

個狀態用乙個高斯函式表示,這些狀態一部分表示背景的畫素值其餘部分則

表示運動前景的畫素值。目標跟蹤小結

目標跟蹤小結

一 引言 在需要監控的環境裡,如何能夠判斷出進入特定區域的目標,並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤,需要確定每個目標的特徵,位置,運動方向,速度等資訊。3 預處理 由於獲得的影象總...

目標檢測和跟蹤小結

目標檢測即為從序列影象中將變化區域從背景影象中提取出來。運動目標檢測的演算法依照目標與攝像機之間的關係可以分為靜態背景下運動檢測和動態背景下運動檢測。1.靜態背景 2.動態背景 需要進行影象的全域性運動估計與補償 運動目標跟蹤就是在一段序列影象中的每幅影象中實時地找到所感興趣的運動目標 包括位置 速...

目標跟蹤演算法小結 一)

1.目標視覺跟蹤 visual object tracking 根據目標的跟蹤方式,跟蹤一般可以分為兩大類 生產 generative 模型方法和判別 discriminative 模型方法。生成類方法在當前幀對目標區域建模,下一幀尋找與模型最相似的區域就是 位置,如卡爾曼濾波,粒子濾波,mean ...