《目标检测、目标跟踪报告ppt综述课件.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综述课件.ppt（85页珍藏版）》请在三一办公上搜索。
1、视频监控,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,解决思路,要检测动态场景中的运动目标，关键在于对场景的运
2、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
3、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
4、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，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
5、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,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
6、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
7、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
8、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
9、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
10、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(kernel 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
11、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,
12、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
13、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
14、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
15、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）CamShift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
16、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，从而实现目标分割。,56,基于连通域的
17、两轮扫描法,一、第一轮扫描 初步标记各个连通域。针对背景减法所得到的二值化图，按照从上向下，从左至右的顺序扫描各像素点，判断当前扫描点像素值是否为255,如果像素值为255，说明该点是运动像素点，接着判断该点邻近像素点是否已被标记以决定当前像素点标记值，当遇到第一个已被标记的邻近像素点，就将该像素点的标记值作为当前扫描像素点的标记值，若邻近像素点都未标记，说明该像素点可能属于一个新的目标块，赋予该像素点新的标记值。,57,基于连通域的两轮扫描法,二、第二轮扫描 第一轮扫描后可能存在同一连通域的像素点被标记成不同目标的情况，第二轮扫描将同一连通域内不同标记值的目标合并为一个目标。判断每个像素点标
18、记值是否为0，如果为0，说明当前扫描点为背景像素点，则不予处理。反之进一步查询当前扫描点邻近像素点是否已被标记，按照从上到下，从左至右的顺序对邻近像素点进行扫描，当遇到第一个已被标记且标记值与当前像素点标记值不同的邻近像素点时，将进行合并。,58,基于连通域的两轮扫描法,(a)一轮扫描后(b)二轮扫描后,59,对比情况,（a）原始图像（b）分割后（c）逐行扫描法（d）本文扫描方法 上图是实际的目标分割结果比较。图（a）为原始图像，图（b）为运动检测结果，存在外部轮廓不连续的情况。逐行扫描法将该运动目标分割成好几块不同的区域，如图（c）所示，而本文两轮扫描法成功将该运动目标分割成一个独立的区域，
19、如图（d）所示。,60,二、通过轮廓匹配来解决遮挡问题,处于遮挡状态的运动目标与未处于遮挡状态的运动目标分割得到的轮廓有很大的差异，本文分析目标的外部轮廓来判断该运动目标是否处于遮挡状态。先建立若干车辆遮挡模型，代表一些常见的车辆遮挡情况，再提取运动目标的轮廓分别与各个车辆遮挡模型的外部轮廓进行匹配，根据匹配值判断该运动目标是否处于遮挡状态。,61,遮挡模型,下图所建立的车辆遮挡模型代表了典型的相邻车道车辆遮挡情况。m1 m2,62,分层轮廓匹配方法,本文采用一种分层轮廓匹配方法来比较运动目标与车辆遮挡模型的外部轮廓，该方法在匹配过程中利用轮廓的整体和局部信息进行计算。首先提取运动目标轮廓，并
20、进行采样并以二叉树形式存储，如右图。,63,分层轮廓匹配方法,我们主要依靠该二叉树的独特分层结构逐层进行匹配比较，最终计算出匹配值。具体的匹配计算可以利用下面这个递归等式来表示：,64,试验结果,（a）遮挡模型（b）原始遮挡图像（c）分割处理后（d）遮挡模型与运动目标匹配,65,试验结果,（a）（b）（c）（d）（e）（f）（g）表1 上图各个车辆与车辆遮挡模型轮廓匹配结果,66,三、主要算法步骤,（1）首先根据背景减法，初步分割出运动目标，并对运动目标进行形态学处理，填补内部空洞，去掉一些孤立的噪声点。（2）基于YUV彩色空间检测并去除出运动目标的阴影像素。由于YUV的色差分量U、V和HSV
21、空间的色度以及饱和度分量存在一定的联系，色度可以近视表示为,而可以认为是饱和度的值，阴影像素与背景像素比较，亮度有很大的变化，饱和度线性减少，色度一般不变，利用这一性质检测并去除出阴影像素。,67,主要算法步骤,（3）通过本文提出的两轮扫描法，分割各个运动目标，采集各个运动目标的大小，位置，矩特征，以及轮廓信息等，并修补外部轮廓中不连续的部分，得到完整的目标轮廓，供后续处理。（4）根据分层轮廓匹配方法，对每一个运动目标，提取轮廓信息与车辆遮挡模型轮廓匹配比较，如果该运动目标与某一遮挡模型的轮廓匹配值小于某一阈值，则认为是匹配的，判定该目标处于对应遮挡状态。,68,主要算法步骤,（5）判断车辆是
22、否通过。本文采用类似开辟检测带的方法进行判断，首先设置一条检测线，横贯马路，分析位于检测线上的各个运动车辆，对于每一帧图像中位于检测线上的所有运动车辆，我们都要查询对应位置在上一帧附近是否存在运动车辆，如果存在，则它们可能是同一辆车，进一步查询这两个运动车辆的大小、方差与均值（矩特征）差值是否保持在一个范围内，若小于某一阈值，则认为它们是同一辆车，反之认为当前车辆是刚进入检测线的新车辆，进一步查询它的遮挡状态，根据遮挡情况，增加车辆计数值，达到统计出车流量的目的。,69,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,70,超分辨率重建的概念 超
23、分辨率重建(super-resolution reconstruction)是指：从单帧或一序列低分辨率图像(LR)复原出一幅或一序列高分辨率图像(HR)，HR图像有着更高的细节信息和更好的主观质量。,LR序列,HR图像,71,图像超分辨率重建的必要性 摄像机在空间上的分辨率能力是有限的。图像分辨率受摄像机感光阵列的空间密度及其本身引入的模糊误差、运动模糊、下采样、噪声等因素，导致实际拍摄图像的质量较差、分辨率低。因此有必要提高一定的重建算法来提高图像的分辨率，改善图像质量。,物体,镜头,感光阵列,物体成像过程：,72,图像超分辨率重建的理论基础 傅立叶光学理论中把成像系统看成是一个低通滤波器
24、，在成像过程中会丢失高频细节：对于一个线性空间不变成像系统，成像过程可表示为：g(x)表示像，f(x)表示物，h(x)表示点扩展函数。在截止频率之外H(u)=0，因此就把成像系统看成了一个傅立叶滤波器，对 F(u)的解进行了限制。SR技术的目的就在于恢复截至频率之外的高频信息，以使图像获得更多的细节和信息。它的理论基础是：解析延拓理论，信息叠加理论和非线性操作。,y(x)=h(x)*f(x),Y(u)=H(u)F(u),F(u)=Y(u)/H(u),73,超分辨率重建的观察模型 给出超分辨率问题的完整的数学描述：给定p帧LR观测图像 k=1,p；每帧大小为L1L2，它们是来自同一场景，也可以看
25、成是来自HR图像f的不同位置，f的大小为H1H2。每个 是x经任意的偏移、模糊以及下采样而形成。建立观察模型如下：,Warp 1M1,Warp kMk,Warp pMp,PSF Blur 1B1,PSF Blur kBk,PSF Blur pBp,Samplc 1D,Samplc kD,Samplc pD,+,+,+,n1,nk,np,y1,yk,yp,x,74,配准 在序列图像超分辨率重建过程中，必须从欲重建图像的前后帧图像中提取相关的信息作为本帧图像信息的补充，因此必须找到当前帧图像中各象素点在前后序列图像中所处的位置。所以图像超分辨率重建中一个关键性要素就是对序列图像中每个象素点进行图像
26、间精确的亚象素级运动估计。为什么要进行图像配准？,1st frame,2nd frame,not correct,75,1st frame,2nd frame,correct result,registrated 2nd frame,+,76,为什么需要子像素的配准精度？,(mx,my),(mx/2,my/2),Downsampling,Downsampling,x,H(x),y,77,超分辨率重建中图像配准常用算法 块匹配算法、光流场算法、基于互信息和互相关函数的算法、基于泰勒级数展开的算法。我们需要的算法：对图像全局运动和局部变形均有效，并且对噪声鲁棒的精确亚像素精度的配准算法。,78,主
27、要重建算法1)迭代后向映射(IBP),：反向映射算子,79,2)凸集投影(pocs)凸集是定义在希尔伯特空间H上满足一定条件的集合。,C,x,z,凸集C外的一点x到凸集投影y的定义为C上与x距离最近的点z，相应的投影算子为P。,80,未知的HR图像x，看成H空间中的一个元素。根据实际情况和相应理论可以定义出一些先验约束条件，这些约束条件描述成一个个凸集：,将初始估计的高分辨率图像 通过迭代的方式逐步向这些约束凸集投影，最终会收敛于交集之中，而交集之中的元素即可接受为最终估计出的高分辨率图像。,81,3)极大后验概率(MAP)根据Bayesian估计理论，由Bayesian公式-,82,图像 随
28、机场(Random Field)。常见的随机场：Markov，Gauss，Gauss-Markov，Gibbs,推导出：,上述目标方程可以通过一些迭代算法求解，如最速下降法、共轭梯度法等。,83,4)近来一些新的超分辨率重建算法 matan protter提出了一种基于非局部均值滤波演变而来的新算 法，该算法的显著特点是：不依赖于精确的运动估计（即配准），重建图像某像素点的灰度值由与其所在区域相似的多个区域像素点确定，这种相似程度被量化为权值去影响重建的结果。相关文章：“Generalizing the Nonlocal-Means to Super-Resolution Reconstruction”.“Super Resolution With Probabilistic Motion Estimation”.,84,部分实验结果,LR图像,样条插值,POCS,POCS,MAP,样条插值,LR图像,谢谢大家！,谢谢大家！,谢谢大家！,
