1、目標(biāo)跟蹤2012.3.122運動目標(biāo)分片跟蹤運動目標(biāo)分片跟蹤主要內(nèi)容1234圖像分割圖像分割全局運動估計全局運動估計 車輛檢測與跟蹤車輛檢測與跟蹤3動態(tài)場景的運動檢測動態(tài)場景的運動檢測視頻圖像中的目標(biāo)檢測與跟蹤，是計算機視覺的基礎(chǔ)課題，視頻圖像中的目標(biāo)檢測與跟蹤，是計算機視覺的基礎(chǔ)課題，同時具有廣泛的應(yīng)用價值。同時具有廣泛的應(yīng)用價值。： 靜態(tài)場景靜態(tài)場景 目標(biāo)檢測相對簡單，研究漸趨成熟目標(biāo)檢測相對簡單，研究漸趨成熟 動態(tài)場景動態(tài)場景 相對復(fù)雜，成為當(dāng)前研究領(lǐng)域的熱點相對復(fù)雜，成為當(dāng)前研究領(lǐng)域的熱點靜態(tài)場景幀差的一個例子靜態(tài)場景幀差的一個例子45解決思路要檢測動態(tài)場景中的運動目標(biāo)，關(guān)鍵在于對場景

2、的要檢測動態(tài)場景中的運動目標(biāo)，關(guān)鍵在于對場景的運動進行估計，通過估計出的運動參數(shù)補償其運動，運動進行估計，通過估計出的運動參數(shù)補償其運動，最后使用幀差法得到運動目標(biāo)。最后使用幀差法得到運動目標(biāo)。提取特征點特征點匹配最小二乘求運動參數(shù)提取特征點前一幀圖像后一幀圖像運動補償幀差法運動目標(biāo)運動目標(biāo)6求解全局運動參數(shù)前一幀后一幀求特征點并匹配運動補償補償后的幀差圖像7第50幀第80幀第5幀幀差法特征匹配的方法原序列8下圖給出了運動補償與直接幀差的結(jié)果比較下圖給出了運動補償與直接幀差的結(jié)果比較圖圖1Coastguard序列圖像序列圖像圖圖2直接幀差和運動補償后的差值圖比較直接幀差和運動補償后的差值圖比較

3、9運動目標(biāo)分片跟蹤運動目標(biāo)分片跟蹤主要內(nèi)容1234圖像分割圖像分割全局運動估計全局運動估計 車輛檢測與跟蹤車輛檢測與跟蹤10目標(biāo)分割的意義與現(xiàn)狀 運動目標(biāo)的準確分割，對于獲取目標(biāo)的特征信運動目標(biāo)的準確分割，對于獲取目標(biāo)的特征信息非常重要，直接影響到進一步的運動目標(biāo)跟蹤的息非常重要，直接影響到進一步的運動目標(biāo)跟蹤的處理，傳統(tǒng)的運動目標(biāo)分割的算法主要有背景差分，處理，傳統(tǒng)的運動目標(biāo)分割的算法主要有背景差分，相鄰幀間差分，光流場的方法，這些方法都有各自相鄰幀間差分，光流場的方法，這些方法都有各自的缺點和不足，不能滿足準確分割運動目標(biāo)的要求。的缺點和不足，不能滿足準確分割運動目標(biāo)的要求。11運動目標(biāo)分

4、割結(jié)果一 （a）實驗序列）實驗序列1 （b）固定閾值二值化）固定閾值二值化 （c）高斯模型分割）高斯模型分割 （d）自適應(yīng)值）自適應(yīng)值 MRF分割分割 12MRF運動目標(biāo)分割結(jié)果二 （a）實驗序列）實驗序列2 （b）固定閾值二值化）固定閾值二值化 （c）高斯模型分割）高斯模型分割 （d）自適應(yīng)值）自適應(yīng)值 MRF分割分割 13運動目標(biāo)分片跟蹤運動目標(biāo)分片跟蹤主要內(nèi)容1234圖像分割圖像分割全局運動估計全局運動估計 車輛檢測與跟蹤車輛檢測與跟蹤14目標(biāo)外觀變化時片匹配的情況目標(biāo)外觀變化時片匹配的情況外觀緩慢變化時，丟失的片很少15分片跟蹤遮擋下的跟蹤遮擋下的跟蹤16分片跟蹤目標(biāo)表現(xiàn)模型的變化時的

5、跟蹤目標(biāo)表現(xiàn)模型的變化時的跟蹤17目標(biāo)尺度發(fā)生變化目標(biāo)尺度發(fā)生變化18運動目標(biāo)分片跟蹤運動目標(biāo)分片跟蹤報告內(nèi)容1234圖像分割圖像分割全局運動估計全局運動估計 車輛檢測與跟蹤車輛檢測與跟蹤19車輛檢測與跟蹤包括以下兩方面內(nèi)容：包括以下兩方面內(nèi)容：基于碼本更新的檢測與跟蹤方法基于碼本更新的檢測與跟蹤方法基于輪廓匹配的檢測與跟蹤方法基于輪廓匹配的檢測與跟蹤方法20車輛檢測與跟蹤概述車輛檢測與跟蹤概述智能交通系統(tǒng)：智能交通系統(tǒng)：( Intelligent Transport Systems, ITS)21車輛檢測與跟蹤概述車輛檢測與跟蹤概述影響車輛檢測和跟蹤的主要因素：影響車輛檢測和跟蹤的主要因素：

6、 （1）車輛自身陰影；（2）車輛間相互遮擋或車輛被背景中物體遮擋；（3）同車型車輛之間具有較大的相似性；（4）光線突變；（5）夜晚和雨、雪等惡烈天氣等。主要針對（主要針對（1）、（）、（2）兩種情況開展研究）兩種情況開展研究 22車輛檢測與跟蹤概述車輛檢測：改進的碼本算法車輛檢測：改進的碼本算法解決車輛檢測中的陰影問題;車輛跟蹤車輛跟蹤: Kalman預(yù)測的方法預(yù)測的方法解決車輛跟蹤中的遮擋問題;23基于改進碼本的車輛檢測方法基于改進碼本的車輛檢測方法運動檢測方法：運動檢測方法： 幀間差分方法光流場方法背景減法 構(gòu)建較為理想的背景模型背景模型 24車輛跟蹤方法的實現(xiàn)車輛跟蹤方法的實現(xiàn) 基于基于Kalman 濾波的車輛跟蹤濾波的車輛跟蹤通過運動估計運動估計和目標(biāo)匹配目標(biāo)匹配兩個模塊實現(xiàn)對車輛的跟蹤。利用前一幀獲得的參數(shù)作為Kalman濾波的狀態(tài)變量，當(dāng)前幀獲得的參數(shù)作為觀測值，通過Kalman濾波推導(dǎo)獲得估計值。 以估計值為中心進行目標(biāo)匹配，如果能匹配上則認為是當(dāng)前運動目標(biāo)，如果匹配不上則認為出現(xiàn)了遮擋，使用Kalman對其位置進行預(yù)測。 25夜晚車輛檢測結(jié)果夜晚車輛檢測結(jié)果 26普通路面檢測結(jié)果普通路面檢測結(jié)果 （a）序列某一幀）序列某一幀 （b）混合高斯模型檢測結(jié)果）混合高斯模型檢測結(jié)果 （c）Bayes 決策檢測結(jié)果決策檢測結(jié)果 （d）改進方法檢測結(jié)果）