当前位置：文档之家 › 基于视频的运动目标检测与跟踪(演讲版)ppt课件

基于视频的运动目标检测与跟踪(演讲版)ppt课件

  • 格式：ppt
  • 大小：3.08 MB
  • 文档页数：24

下载文档原格式

  / 24

合集下载

基于视频的运动目标检测与跟踪(演讲版).

基于视频的运动目标检测与跟踪(演讲版).
基于视频的运动目标检测与跟踪
2013.06.05
研究应用背景
视频运动目标检测与目标跟踪具有很强的实用 价值，主要应用在视频监控、视频图像压缩、智能 交通、人机交互、机器人导航、医学图像分析、工 业检测等领域。
光流法
帧差法
背景减法
视频图像
预处理
运动目标检测
阴影去除
运动目标跟踪
后处理
视频图像的预处理
HSV色彩空间的阴影消除算法 在HSV色彩空间进行图像处理时，并不是将 H、S、V这3个值作为判断的参数，主要考虑参 数V(图像的亮度)，并依次进行阴影消除，其对于 图像中极亮和极暗的物体能够很好地反映出相应 的信息。
•光流法
•光流法是通过计算图像的光流场实现运动目标检测的一种 方法。所谓光流场是指空间运动物体被观测表面上的像素点 运动产生的瞬时速度场,一个二维的速度场，包含了物体表 面结构和动态行为的重要信息。 •原理：给图像中的每一个像素点赋予一个光流矢量(即速度 矢量)，当物体和图像背景存在相对运动时，运动物体所形成 的速度矢量必然和邻域背景速度矢量不同，通过对序列图像 光流场的分析，计算出运动场后，对场景进行分割，从而检 测出运动目标。 •光流法的核心是求解出运动目标的光流，即速度。
这里，a称为更新参数，表示背景变化的速度。 优点：单高斯分布背景模型在室内(或其他简单场景)进行运动目 标检测可以得到较好的效果，由于运算量小，处理速度非常快，而且 检测到的目标比较完整。 缺点：当场景比较复杂时，模型会变得不稳定，而且抗噪声干扰 的能力较差。
•混合高斯法
• 混合高斯模型使用K（基本为3到5个）个高斯模型来表 征图像中各个像素点的特征；用当前图像中的每个像素点与 混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前 景点； 获得后更新混合高斯模型；通观整个高斯模型，主要 是有方差和均值两个参数决定。 对均值和方差的学习，采取不同的学习机制, 将直接影响到模型的稳定性、精确性和收敛性 ； 由于我们是对运动目标的背景提取建模，因此需要对高斯模型 中方差和均值两个参数实时更新；为提高模型的学习能力,改 进方法对均值和方差的更新采用不同的学习率;为提高在繁忙 的场景下,大而慢的运动目标的检测效果,引入权值均值的概念； 建立背景图像并实时更新,然后结合权值、权值均值和背景图 像对像素点进行前景和背景的分类

基于视频的运动目标检测与跟踪(演讲版)

基于视频的运动目标检测与跟踪(演讲版)
颜色都可由R、G、B三原色按一定的比 例构成，而阴影区域中的像素亮度值一 般比非阴影区域要小，特别是R、G 颜色 分量一般都较小，所以依据这种差别可 进行阴影消除。
HSV色彩空间的阴影消除算法 在HSV色彩空间进行图像处理时，并不是将
H、S、V这3个值作为判断的参数，主要考虑参 数V(图像的亮度)，并依次进行阴影消除，其对于 图像中极亮和极暗的物体能够很好地反映出相应 的信息。
•在Mean Shift 跟踪算法中，相似度函数用于刻画目标模板和候选区域所对应的 两个核函数直方图的相似性，采用的是Bhattacharyya 系数。因此，这种方法将 跟踪问题转化为Mean Shift 模式匹配问题。 •优缺点：Mean Shift 算法假设特征直方图足够确定目标的位置，并且足够稳健 ，对其他运动不敏感。该方法可以避免目标形状、外观或运动的复杂建模，建立 相似度的统计测量和连续优化之间的联系。但是，Mean Shift 算法不能用于旋转 和尺度运动的估计。
• 阴影不会显著改变背景点的色
度，但通常会降低其亮度和饱
和度。 1 0
| Ht (i, j) Hbg (i, j) | Th 且 (St (i, j) Sbg (i, j)) Ts 且 Vt (i, j)
Vbg (i, j)
其他
检测后处理
形态学处理：腐蚀、膨胀
运动目标由于颜色和背景接近或者其他噪声的干扰，可 能导致检测的结果出现镂空或者称为空洞现象。采用形态学滤 波方法解决这一问题。形态学滤波是一种以形态为基础的分析 图像的数学工具。其基本思想是采用一些具有特定形态的结构 元素提取图像中的对应形状从而实现图像分析的目的。
优点 ： (1)混合高斯模型可以模拟复杂的多峰背景(如摇 动的树枝，摆动的旗帜等)， (2)不仅能准确的检测出大面积目标还能检测出小 面积的目标， (3)运算量不是非常大，能够满足实时性需要。 缺点 ：

基于视频的运动目标检测概述ppt课件

基于视频的运动目标检测概述ppt课件

dy
u v
dt
dt
经过dt后对应点为I(x+dx,y+dy,t+dt)，当dt 0
，灰度I保持
不 二阶变无，穷得小到，I(整x,理y,得t)到= 基I(本x+的dx光,y流+d约y,束t+方dt程)。:此式由Taylor展开，忽略x
I I I u v
t x y
适用于摄像机静止情形，其关键是背景建模，性 能与监控场景复杂情况和系统要求有关，典型算法有中值、 自适应模型、高斯模型、多模态均值等。
光流法
光流法主要通过对序列图像光流场的分析， 计算出运动场后，对场景进行分割，从而检 测出运动目标。
光流法的核心是求解出运动目标的光流，即 速度。
简要介绍传统光流法的典型代表Hom&Schunck 算法、Lucas&Kanade算法和块匹配算法。
运动目标检测问题分类
按不同标准将运动目标检测方法分类： （1）摄像机数目：单摄像机、多摄像机 （2）摄像机是否运动：摄像机静止、摄像机
运动 （3）场景中运动目标数目：单目标、多目标 （4）场景中运动目标类型：刚体、非刚体 主要讨论：静止单摄像机，多运动目标检测
问题。
运动目标检测方法
光流法（Optical flow）
(1)
y
表示灰度对时间的变化率等于灰度的空间梯度与光流速度的点积。 从不同角度对式(1) 引入不同约束条件，产生不同的光流分析方法。
Barron等人将光流计算分为4种:微分法、频域法、块匹配法和能量法， 其中微分法与块匹配法最为常用。下面介绍Hom&schiinck(简称HS)算法 与Lucas&Kanade(简称LK)算法，其后介绍块匹配法。

《目标跟踪》课件

《目标跟踪》课件
目标跟踪技术经历了传统的特征提取方法到深度学习方法的转变，实现了更准确、更快速的 目标跟踪。
目标跟踪技术未来的应用前景
随着计算机视觉和人工智能的发展，目标跟踪技术将在智能交通、安防监控等领域实现更广 泛的应用。
引领目标跟踪技术发展的领军企业
一些技术领先的企业，如Google、Facebook、华为等，正致力于目标跟踪技术的研究和应 用。
1
物体检测
常用的物体检测算法包括直方图目标检测、基于区域的CNN物体检测等，用于 检测视频中的目标。
2
物体跟踪
基于相关滤波的目标跟踪算法和深度学习目标跟踪算法等，可以实时追踪目标的 位置和运动。
常见的物体检测及跟踪算法
1 直方图目标检测
通过对目标的颜色和纹理特征进行建模，实 现在视频中的准确检测与定位。
《目标跟踪》PPT课件
目标跟踪是一项重要的技术，该课件将介绍目标跟踪的定义、应用场景、技 术原理，以及常见的物体检测和跟踪算法，还会展望未来的发展趋势。
什么是目标跟踪
目标跟踪是指根据预定的目标，在视频中实时追踪并确定其位置和运动轨迹的踪的定义
目标跟踪是一种针对特定目 标进行的视觉分析技术，它 能从视频中识别、追踪并分 析目标的运动。
目标跟踪的应用场景
目标跟踪技术可以应用于视 频监控、智能交通、人机交 互、虚拟现实等领域，提供 更智能化、交互性更强的体 验。
目标跟踪的分类
目标跟踪可以分为单目标跟 踪和多目标跟踪两种类型， 根据需求选择适合的目标跟 踪算法。
目标跟踪的技术原理
目标跟踪技术基于物体检测和物体跟踪的原理。物体检测用于识别视频中的目标，而物体跟踪用 于追踪目标的位置和运动轨迹。
2 基于区域的CNN物体检测

目标的检测.ppt

目标的检测.ppt

相关工作
第二类方法是从过去的一组观测图像当中按照 一定的假设选择像素灰度构成当前的背景图像， 这类方法的优点在于背景的初始化与场景中是否 存在运动的前景无关，同时能够有效避免混合现 象。但是，由于这类方法是从过去的一段图像序 列中重构背景图像，因此不如第一类方法能够适 应迅速的场景变化，而是产生一定的时间延迟， 但这个问题对于长时间图像监视和跟踪系统的影 响不大。本文的背景重构算法属于第二类方法。
运动目标检测、提取
主 讲：刘 龙
2020年10月6日
研究现状
已经出现了众多的视觉跟踪算法。 ▲视觉跟踪问题进行分类
●摄像机的数目：单摄像机Vs多摄像机 ●摄像机是否运动：摄像机静止Vs摄像机运动 ●场景中运动目标的数目：单运动目标Vs多运动目标 ●场景中运动目标的类型：刚体Vs非刚体 ●传感器的种类：可见光图像Vs红外图像
小结
问题的提出
在视频监视系统中，运动目标的检测与分割是 个非常重要的问题，尤其在复杂环境中对运动目 标进行检测时，由于受到环境噪声的影响，往往 很难检测到完整的或者真实的运动目标。运动检 测的方法很多，这些方法可以分为三类：
基于光流的运动检测。 基于相邻帧图像差分的运动检测。 基于背景差的运动检测。
步骤4：选择频率最大的灰度值作为该像素点的 背景灰度值。
将灰度值一致区间中最大像素数与所对应的平均灰度值
分别记为 nbackground w 和 background ，有下式 nbackground max( n1, n2 ,, nq )
w ( background x, y) w ( background x, y) 即像素点(x,y)所对应的背景像素点的灰度值为w ( background x, y)

运动视频场景中目标检测与跟踪技术应用研究63页PPT

运动视频场景中目标检测与跟踪技术应用研究63页PPT
1、没有人陪你走一辈子，所以你要 适应孤 独，没 有人会 帮你一 辈子， 所以你 要奋斗 一生。 22、当眼泪流尽的时候，留下的应该 是坚强 。 23、要改变命运，首先改变自己。
24、勇气很有理由被当作人类德性之 首，因 为这种 德性保 证了所 有其余 的德性 。--温 斯顿． 丘吉尔 。 25、梯子的梯阶从来不是用来搁脚的 ，它只 是让人 们的脚 放上一 段时间 ，以便 让别一 只脚能 够再往 上登。
1、最灵繁的人也看不见自己的背脊。——非洲 2、最困难的事情就是认识自己。——希腊 3、有勇气承担命运这才是英雄好汉。——黑塞 4、与肝胆人共事，无字句处读书。——周恩来 5、阅读使人充实，会谈使人敏捷，写作使人精确。——培根

计算机视觉基于视频目标识别与跟踪PPT共20页

40、人类法律，事物有规律，这是不 容忽视 的。— —爱献 生

46、我们若已接受最坏的，就再没有什么损失。——卡耐基 47、书到用时方恨少、事非经过不知难。——陆游 48、书籍把我们引入最美好的社会，使我们认识各个时代的伟大智者。——史美尔斯 49、熟读唐诗三百首，不会作诗也会吟。——孙洙 50、谁和我一样用功，谁就会和我一样成功。——莫扎特
计算机视觉基于视频目标识别与跟踪
36、如果我们国家的法律中只有某种 神灵， 而不是 殚精竭 虑将神 灵揉进 宪法， 总体上 来说， 法律就 会更好 。—— 马克·吐 温 37、纲纪废弃之日，便是暴政兴起之 时。— —威·皮 物特
38、若是没有公众舆论的支持，法律 是丝毫 没有力 量的。 ——菲 力普斯 39、一个判例造出另一个判例，它们 迅速累 聚，进 而变成 法律。 ——朱 尼厄斯

基于视频的目标跟踪方法PPT课件

相似性函数用于描述目标模型和候选目标模型之间 的相似程度，我们使用Bhattacharyya系数作为相似性 函数，其定义为：
.
9
MeanShift迭代过程
均值漂移的迭代过程，也就是目标位置搜索的过程。 为使相似函数最大，对上式进行泰勒展开， Bhattachcyarya系数可近似为：
.
10
MeanShift迭代过程
3.计算当前窗口内各点处权值 {wi}i1...m； 4.利用MeanShift算法，计算目标新位置：
5.若
，则停止；否则y0←y1转步骤2
限制条件：新目标中心需位于原目标中心附近。
.
12
数度量初始帧目标模型和当前帧的候选模版的相
Байду номын сангаас
似性，选择使相似函数最大的候选模型并得到关
于目标模型的Meanshift向量，这个向量正是目标
由初始位置向正确位置移动的向量。由于均值漂
移算法的快速收敛性，通过不断迭代计算
Meanshift向量，算法最终将收敛到目标的真实位
置，达到跟踪的目的。
.
5
目标模型的描述
其极大化过程就可以通过候选区域中心向真实区域中心 的MeanShift迭代方程完成：
其中，g(x)=- K ' ( x) 。
.
11
MeanShift算法实现过程
1.计算目标模板的概率密度 {qu}u1...m ,在当前帧以y0为起
点2.计，算计候算选候目选标目与标目的标特的征相{p似u}度u；1...m ；
s 其中， h 是一个半径为h的高维球区域，满足以下关系的y点的集合
.
3
MeanShift算法简介
sh
目的：找出最密集的区域

基于视频的运动目标检测概述PPT54页

基于视频的运动目标检 测概述
6、纪律是自由的第一条件。——黑格 尔 7、纪律是集体的面貌，集体的声音， 集体的 动作， 集体的 表情， 集体的 信念。 ——马 卡连柯
8、我们现在必须完全保持党的纪律， 否则一 切都会 陷入污 泥中。 ——马 克思 9、学校没有纪律便如磨坊没有水。— —夸美 纽斯
10、一个人应该：活泼而守纪律，天 真而不 幼稚， 勇敢而 鲁莽， 倔强而 有原则 ，热情 而不冲 动，乐 观而不 盲目。 ——马 克思
66、节制使快乐有做，明天再早也 是耽误 了。——裴斯 泰洛齐 68、决定一个人的一生，以及整个命运 的，只 是一瞬 之间。 ——歌 德 69、懒人无法享受休息之乐。——拉布 克 70、浪费时间是一桩大罪过。——卢梭

运动场景中目标检测与跟踪技术研究课程(PPT 61页)

图像分割与目标检测：利用图像分割技术从图像 中检测出可能的运动目标。
特征提取和目标跟踪：对检测出的目标提取可识 别的特征，依据这些特征在后续的视频图像序列中 对目标进行跟踪。
针对视频图像目标检测与跟踪技术，根据三维场景中目标距离 成像传感器的探测距离，可划分为三种情况：
①微弱点状目标的检测，即当目标距离成像传感器很远时，目 标在图像平面上只占几个像素，呈现为微弱点状目标，信噪比较 低；
Khaled Kaâniche, Benjamin Champion, Claude Pégard, Pascal Vasseur “A Vision Algorithm for Dynamic Detection of Moving Vehicles with a UAV” IEEE International Conference on Robotics and Automation 2005 (ICRA’05), April 2005, Barcelone （University of Picardie Amiens France）
VSAM
针对机载航空摄像机所拍摄的视频图像，萨尔诺夫戴维研究中心研发 了检测和跟踪独立地面车辆目标的视频图像理解技术。该技术的关键在于 对航空摄像机的自运动补偿，对经过补偿的图像，利用三帧差减的方法检 测目标。
美国康奈尔大学计算机系设计的航拍视频图像目标检测与持续跟踪系统 的特色在于，能够对多运动目标实现较长时间的准确跟踪，即使在短时间内 目标被遮挡或移出视场以及目标时静时动。
VSAM
VSAM系统是在1997年至1999年间，美国国防高级研究计划局资助卡内 基梅隆大学和萨尔诺夫戴维研究中心等著名大学和公司合作联合研制的视频监 视与监控系统。目标是开发自动视频理解技术，并用于实现未来战争、人力 费用昂贵、非常危险或者人力无法实现等场合的监控。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
GRAY 0 . 114 R 0 . 587 G 0 . 299 B
•图像的平滑滤波 (1)中值滤波 (2)邻域均值滤波 (3)高斯滤波
运动目标检测
•光流法 •帧间差分法
•背景减除法
ICA：独立分量分析 PSO：粒子群优化算法

• • • • • •
背景相减法 均值滤波法 W4模型 自适应背景模型 单高斯模型 混合高斯模型
•均值滤波法 均值滤波法采用当前帧之前的L帧的平均值作 为背景，首先创建一个可以存储L帧图像的存储空 间，之后求这L帧图像的相同位置的像素值的平均， 即
1 L 1 b (, x y ,) t f (, x y , t i ) i 0 L
优点：运算量低，速度快，在有实时性要求 且对准确性要求不高时得到广泛的应用； 缺点：对存储空间需求较高，速度慢的物体 时可能出现空洞。
•邻帧差分法
将连续的两帧或三帧图像对应像素点的灰度值相减， 当环境亮度变化不大时，如果对应像素值相差很小，则认为 此处是静止的，标记为背景；如果对应像素值相差较大，则 认为这是由目标运动引起的，该处像素标记为运动目标。
第n-1帧
第n帧
•背景相减法 原理：建立一个无运动目标的背景图像(第一帧无运 动目标的图像或前N帧无运动目标的图像的均值或中 值)，然后将当前图像的像素值与背景图像的像素值 相减，通过设置一定的阈值，分割运动目标。 优点：算法简单、实时性较高 缺点：对背景的依赖性较高
•光流法
•光流法是通过计算图像的光流场实现运动目标检测的一种 方法。所谓光流场是指空间运动物体被观测表面上的像素点 运动产生的瞬时速度场,一个二维的速度场，包含了物体表 面结构和动态行为的重要信息。 •原理：给图像中的每一个像素点赋予一个光流矢量(即速度 矢量)，当物体和图像背景存在相对运动时，运动物体所形成 的速度矢量必然和邻域背景速度矢量不同，通过对序列图像 光流场的分析，计算出运动场后，对场景进行分割，从而检 测出运动目标。 •光流法的核心是求解出运动目标的光流，即速度。
HSV色彩空间的阴影消除算法 在HSV色彩空间进行图像处理时，并不是将 H、S、V这3个值作为判断的参数，主要考虑参 数V(图像的亮度)，并依次进行阴影消除，其对于 图像中极亮和极暗的物体能够很好地反映出相应 的信息。
基于视频的运动目标检测与 跟踪(演讲版)
研究应用背景
视频运动目标检测与目标跟踪具有很强的实用 价值，主要应用在视频监控、视频图像压缩、智能 交通、人机交互、机器人导航、医学图像分析、工 业检测等领域。
光流法
帧差法
背景减法
视频图像
预处理
运动目标检测
阴影去除
运动目标跟踪
后处理
视频图像的预处理
•彩色图像灰度化
这里，a称为更新参数，表示背景变化的速度。 优点：单高斯分布背景模型在室内(或其他简单场景)进行运动目 标检测可以得到较好的效果，由于运算量小，处理速度非常快，而且 检测到的目标比较完整。 缺点：当场景比较复杂时，模型会变得不稳定，而且抗噪声干扰 的能力较差。
•混合高斯法
• 混合高斯模型使用K（基本为3到5个）个高斯模型来表 征图像中各个像素点的特征；用当前图像中的每个像素点与 混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前 景点； 获得后更新混合高斯模型；通观整个高斯模型，主要 是有方差和均值两个参数决定。 对均值和方差的学习，采取不同的学习机制, 将直接影响到模型的稳定性、精确性和收敛性 ； 由于我们是对运动目标的背景提取建模，因此需要对高斯模型 中方差和均值两个参数实时更新；为提高模型的学习能力,改 进方法对均值和方差的更新采用不同的学习率;为提高在繁忙 的场景下,大而慢的运动目标的检测效果,引入权值均值的概念； 建立背景图像并实时更新,然后结合权值、权值均值和背景图 像对像素点进行前景和背景的分类
•自适应背景模型
将 第 一 帧 （无运动物体的图像） I
0
作为背景
；
B
0
选 取 阈值T ； 求 当前 帧 的差 分 图 像 由 二值 图像 f
t
1 , | It It T 1| ft 0 , | It It T 1|
更新背景图像 B t 1
B (, x y ) ( 1 ), I f 0 t t t Bx (, y ) t 1 B (, x y ) , f 1 t t
W4模型
将背景中的每个像素用最大灰度值MAX(x，y，t) 、最小 灰度值MIN(x，y，t)和最大邻间差分值DMAX(x，y，t)描述。 其中DMAX(x，y，t)是相邻帧对应位置像素灰度差的最大值， 这三个参数可以用图像序列的前L帧估计，之后新观测值f(x， y，t)与背景模型的三个值比较，若满足下列两式，则认为该 像素是背景，否则就是前景点。 优点：同均值滤波法相比检测 效果较好，运算量也不大，能够满 足实时性要求，而且对目标比较敏 感。 缺点：当运动目标面积小且与 背景对比度低或者目标颜色深时分 割效果较差。
优点 ： (1)混合高斯模型可以模拟复杂的多峰背景(如摇 动的树枝，摆动的旗帜等)， (2)不仅能准确的检测出大面积目标还能检测出小 面积的目标， (3)运算量不是非常大，能够满足实时性需要。 缺点 ： (1) 能够有效的解决光线渐变的问题，但是对于 光线突变非常敏感；
阴影去除
RGB色彩空间的阴影消除算法 在RGB色彩模型空间中，任何一种 颜色都可由R、G、B三原色按一定的比 例构成，而阴影区域中的像素亮度值一 般比非阴影区域要小，特别是R、G 颜色 分量一般都较小，所以依据这种差别可 进行阴影消除。
•单高斯法
•对每一个像素利用高斯函数建模，每一像素点都认为服从均值和标准 方差的分布，且每一点的高斯分布是独立的。每一个像素处理的都是一 系列在相应时间内(从起始时间到当前时间)的该点值的集合，即在任意 时间t像素点 的值应该是以时间为轴的点的集合中的一个,可由下 式表示： 其中，表示这一个图像序列，也就是这个集合；表示第 帧。那么从时间轴上看，这些点的集合符合高斯分布，即，