• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于SIFT特征匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤方法

    2018-01-18 07:11:22康曉梅穆柯楠
    電子設(shè)計(jì)工程 2018年1期
    關(guān)鍵詞:背景論文樣本

    康曉梅,穆柯楠,康 賢

    (1.西安翻譯學(xué)院陜西西安710105;2.長(zhǎng)安大學(xué)陜西西安710064)

    基于視頻圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤是計(jì)算機(jī)視覺研究領(lǐng)域的研究熱點(diǎn),在智能交通控制系統(tǒng)中的交通信息采集以及智能化視頻監(jiān)控系統(tǒng)中均有廣闊的應(yīng)用前景[1]。運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤通常被分為兩個(gè)獨(dú)立的部分,分別采用不同的算法機(jī)制來實(shí)現(xiàn)[2]。針對(duì)攝像機(jī)運(yùn)動(dòng)情況下的目標(biāo)檢測(cè),文獻(xiàn)[3]采用基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法,通過對(duì)獨(dú)立運(yùn)動(dòng)目標(biāo)進(jìn)行光流分析,以獲取運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)信息。然而光流法計(jì)算量較大,算法實(shí)時(shí)性差,且對(duì)噪聲較為敏感。文獻(xiàn)[4-5]提出基于homography變換的方法來建立自適應(yīng)背景模型,從而區(qū)分前景運(yùn)動(dòng)目標(biāo)和背景區(qū)域。文獻(xiàn)[6]基于背景建模的目標(biāo)檢測(cè)方法能夠提取出完整的目標(biāo)區(qū)域,然而背景建模過程計(jì)算量較大,不利于實(shí)時(shí)檢測(cè)。文獻(xiàn)[7]通過尋找兩幅圖像的SIFT特征匹配點(diǎn)對(duì),利用一定的背景更新機(jī)制,用仿射變換后的背景圖像對(duì)當(dāng)前背景對(duì)應(yīng)區(qū)域進(jìn)行更新,然后利用背景差法檢測(cè)運(yùn)動(dòng)目標(biāo)。文獻(xiàn)[8]通過尋找相鄰兩幀圖像的匹配點(diǎn)對(duì),計(jì)算幾何變換模型使兩幀圖像對(duì)齊,然后利用幀間差分法檢測(cè)運(yùn)動(dòng)目標(biāo)。

    常用的目標(biāo)跟蹤算法有基于特征的跟蹤[9]、基于區(qū)域的跟蹤[10]和基于模型的跟蹤[11]。其中基于特征的目標(biāo)跟蹤方法主要優(yōu)點(diǎn)是對(duì)尺度、形變和亮度等變化不敏感,并且在目標(biāo)被部分遮擋的情況下,只要有一部分特征存在,仍然可以跟蹤運(yùn)動(dòng)目標(biāo)。然而該方法的缺點(diǎn)在于無法較好的確定并提取目標(biāo)特征,如果選擇的特征較少,容易丟失目標(biāo);如果選擇的特征過多,則會(huì)增加算法的計(jì)算量,降低算法的實(shí)用性[12]。

    論文提出一種基于SIFT[13]特征匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法,主要特點(diǎn)表現(xiàn)在:1)與傳統(tǒng)算法將目標(biāo)檢測(cè)和跟蹤采用不同算法分別實(shí)現(xiàn)不同,論文的目標(biāo)的檢測(cè)和跟蹤均基于SIFT特征匹配方法加以實(shí)現(xiàn),算法復(fù)雜度低;2)論文基于SIFT特征匹配的目標(biāo)跟蹤算法,只選擇運(yùn)動(dòng)目標(biāo)區(qū)域中的特征點(diǎn)進(jìn)行匹配,在保證算法實(shí)用性的基礎(chǔ)上降低了算法計(jì)算量,有效解決了特征點(diǎn)數(shù)目選擇的問題;3)論文針對(duì)跟蹤樣本集退化問題,制定了相應(yīng)的樣本集更新機(jī)制。

    1 基于SIFT特征匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)

    1.1 SIFT特征點(diǎn)檢測(cè)及匹配

    運(yùn)動(dòng)相機(jī)采集到的連續(xù)幀場(chǎng)景不同,但相鄰幀之間存在場(chǎng)景重疊區(qū)域。同時(shí),視頻幀序列中也存在光照變化以及相機(jī)抖動(dòng)等干擾因素。通過求解相鄰幀之間的幾何變換模型,可以消除由于相機(jī)運(yùn)動(dòng)而產(chǎn)生的場(chǎng)景移動(dòng),以及光照變化及相機(jī)抖動(dòng)而產(chǎn)生的差異。求解幾何變換模型參數(shù)需要尋提取相鄰幀圖像的特征點(diǎn)并且尋找這兩幅圖像之間的特征匹配點(diǎn)對(duì)。論文采用SIFT(Scale-invariant feature transform,SIFT)特征檢測(cè)器來提取圖像的特征點(diǎn),采用K-D Tree最近鄰搜索算法進(jìn)行相鄰幀之間的特征點(diǎn)匹配。

    1.2 圖像幾何對(duì)齊及運(yùn)動(dòng)目標(biāo)檢測(cè)

    可以計(jì)算出相應(yīng)的幾何變換模型參數(shù)。考慮到由于相機(jī)抖動(dòng)而可能產(chǎn)生的旋轉(zhuǎn)、平移、縮放等變化,論文采用仿射變換模型來描述相鄰幀之間的幾何變換關(guān)系:

    根據(jù)1.1節(jié)獲得的特征匹配點(diǎn)對(duì),采用RANSAC算法可求解出變換矩陣[14]。

    求解出代表兩幀圖像之間幾何變換的矩陣H后,對(duì)前一幀圖像進(jìn)行幾何變換,使其與后一幀圖像幾何對(duì)齊。然后將對(duì)齊后的兩幅圖像差分,從而得到候選運(yùn)動(dòng)目標(biāo)區(qū)域。進(jìn)一步地,為消除背景干擾,在差分圖像上計(jì)算Sum of Absolute Differences(SAD)值,高SAD值對(duì)應(yīng)的區(qū)域即為目標(biāo)區(qū)域,從而消除背景區(qū)域的干擾,確定運(yùn)動(dòng)目標(biāo)位置。實(shí)驗(yàn)結(jié)果如圖1所示。

    圖1 兩幀圖像對(duì)齊與差分

    2 基于SIFT特征匹配的運(yùn)動(dòng)目標(biāo)跟蹤

    2.1 匹配度

    為了判斷跟蹤樣本集中某樣本與當(dāng)前幀中檢測(cè)到的運(yùn)動(dòng)目標(biāo)是否為同一目標(biāo),論文利用兩者的匹配程度來衡量,即匹配度。假設(shè)跟蹤樣本有N1個(gè)SIFT特征點(diǎn),第k+1幀圖像檢測(cè)到的目標(biāo)有N2個(gè)SIFT特征點(diǎn),兩者的SIFT特征匹配點(diǎn)對(duì)為N,則匹配度Rate按如下公式計(jì)算:

    如圖2為樣本目標(biāo)與當(dāng)前檢測(cè)目標(biāo)的匹配結(jié)果。其中圖2(a)為匹配度大于匹配度閾值TR的情況,因此判斷當(dāng)前檢測(cè)目標(biāo)與對(duì)應(yīng)樣本為同一目標(biāo)而進(jìn)行跟蹤;圖2(b)為匹配度小于閾值的情況,雖然事實(shí)上該跟蹤樣本與當(dāng)前檢測(cè)目標(biāo)為同一車輛,但由于一段時(shí)間后車輛行駛姿態(tài)改變導(dǎo)致該檢測(cè)車輛與對(duì)應(yīng)樣本差異較大,導(dǎo)致匹配失敗。為了避免此類現(xiàn)象的發(fā)生,必須對(duì)跟蹤樣本進(jìn)行實(shí)時(shí)更新。

    圖2 樣本目標(biāo)與檢測(cè)目標(biāo)的匹配結(jié)果

    2.2 跟蹤樣本集更新

    論文建立的跟蹤樣本集,是已標(biāo)記的所有運(yùn)動(dòng)目標(biāo)的集合。定義跟蹤樣本集:

    對(duì)跟蹤樣本集進(jìn)行實(shí)時(shí)更新,可以避免樣本集發(fā)生退化現(xiàn)象。導(dǎo)致退化的因素有3種,分別對(duì)應(yīng)樣本集更新的3種情況:

    1)對(duì)于第k幀檢測(cè)到的運(yùn)動(dòng)目標(biāo),若跟蹤樣本集中存在與該目標(biāo)匹配度大于閾值TR的樣本,則用當(dāng)前檢測(cè)到的目標(biāo)對(duì)樣本集中對(duì)應(yīng)樣本進(jìn)行更新;

    2)對(duì)于當(dāng)前幀圖像檢測(cè)到的某一運(yùn)動(dòng)目標(biāo),若跟蹤樣本集中的所有跟蹤樣本與其匹配度均低于閾值TR,則認(rèn)為該目標(biāo)新進(jìn)入相機(jī)視野,并將其加入跟蹤樣本集中;

    3)對(duì)于跟蹤樣本集中的某一樣本,若在第k幀及第k+1幀中均未檢測(cè)到與其匹配度高于閾值TR的目標(biāo),則認(rèn)為該目標(biāo)離開相機(jī)視野,并將該目標(biāo)對(duì)應(yīng)樣本從樣本集中剔除。

    論文通過大量測(cè)試發(fā)現(xiàn),TR=80.31%時(shí)能得到理想的實(shí)驗(yàn)結(jié)果。

    3 實(shí)驗(yàn)結(jié)果及分析

    實(shí)驗(yàn)采用PeopleImageAnalysisConsortium(PIAC)以及Change Detection.NET(CDNET)視頻圖像數(shù)據(jù)庫(kù)中的多組測(cè)試視頻,在Matlab2012a環(huán)境下對(duì)論文算法的有效性進(jìn)行驗(yàn)證。

    如圖3(a)(b)為兩組視頻場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果,其中攝像機(jī)為運(yùn)動(dòng)狀態(tài)(為保證運(yùn)動(dòng)目標(biāo)始終處于攝像機(jī)視野范圍內(nèi))。表1所示為論文算法與文獻(xiàn)[3]基于光流法的檢測(cè)方法以及文獻(xiàn)[6]基于混合高斯背景建模的檢測(cè)方法檢測(cè)時(shí)間的對(duì)比結(jié)果。從表中可以看出,與其他兩種算法相比,論文基于SIFT特征匹配的目標(biāo)檢測(cè)方法耗時(shí)較短,有利于需要實(shí)時(shí)檢測(cè)的應(yīng)用場(chǎng)景(如視頻監(jiān)控系統(tǒng))。如圖4所示為三組視頻序列下的運(yùn)動(dòng)目標(biāo)跟蹤結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出,論文所提的基于SIFT特征匹配的目標(biāo)檢測(cè)及跟蹤算法能夠?qū)崿F(xiàn)攝像機(jī)運(yùn)動(dòng)情況下不同場(chǎng)景中的目標(biāo)檢測(cè)及跟蹤。

    圖3 運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果

    4 結(jié)束語

    文中提出一種基于SIFT特征匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法。對(duì)于兩幀待檢測(cè)圖像,首先采用SIFT算法提取特征點(diǎn)并尋找兩幀圖像的特征匹配點(diǎn)對(duì),經(jīng)K-D Tree搜索算法進(jìn)行特征點(diǎn)初匹配后,再利用RANSAC算法求解兩幀圖像之間的幾何變換矩陣,實(shí)現(xiàn)圖像幾何對(duì)齊,從而消除相機(jī)運(yùn)動(dòng)、光照變化、背景干擾等因素。然后將兩幅對(duì)齊圖像差分,通過在差分區(qū)域?qū)ふ襍AD最大值區(qū)域來確定運(yùn)動(dòng)目標(biāo)區(qū)域。最后將已檢測(cè)到的目標(biāo)作為跟蹤樣本,與后檢測(cè)到的目標(biāo)區(qū)域進(jìn)行SIFT特征匹配,結(jié)合論文提出的跟蹤樣本集更新機(jī)制實(shí)現(xiàn)目標(biāo)跟蹤。實(shí)驗(yàn)結(jié)果證明論文算法復(fù)雜度低,檢測(cè)與跟蹤準(zhǔn)確度較高,適用于運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)。然而論文中只實(shí)現(xiàn)了單一運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤,后續(xù)研究工作中將針對(duì)多目標(biāo)的檢測(cè)及跟蹤此類復(fù)雜情況對(duì)算法進(jìn)行改進(jìn)。

    表1 3種算法目標(biāo)檢測(cè)時(shí)間對(duì)比(單位:s)

    圖4 運(yùn)動(dòng)目標(biāo)跟蹤結(jié)果

    [1]劉定通.復(fù)雜背景下視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].成都:電子科技大學(xué),2015.

    [2]Sayanan Sivaraman,Mohan Manubhai Trivedi.Looking at vehicles on the road:A survey of visionbased vehicle detection,tracking,and behavior analysis[J]. IEEE Transactions on Intelligent Transportation Systems,2013,14(4):1773-1795.

    [3]劉洪彬,常發(fā)亮.權(quán)重系數(shù)自適應(yīng)光流法運(yùn)動(dòng)目標(biāo)檢測(cè)[J].光學(xué)精密工程,2016,24(2):460-468.

    [4]姜明新,王洪玉,劉曉凱.基于多相機(jī)的多目標(biāo)跟蹤算法[J].自動(dòng)化學(xué)報(bào),2012,38(4):531-539.

    [5]孟燦.基于全方位視覺的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].杭州:中國(guó)計(jì)量學(xué)院,2015.

    [6]LING Qiang,YAN Jin-feng,LI Feng,et al.A background modeling and foreground segmentation approach based on the feedback of moving objects in traffic surveillance systems[J].Neurocomputing,2014(133):32-45.

    [7]王亮芬.基于SIFT特征匹配和動(dòng)態(tài)更新背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(2):267-270.

    [8] Jon Arróspide, Luis Salgado,Marcos Nieto.Vehicle detection and tracking using homographybased plane rectification and particle filtering[J].2010 IEEE IntelligentVehicles Symposium.University of California,San Diego,CA,USA.2010:150-155.

    [9]Cao X,Gao C,Lan J,et al.Ego motion guided particle filter for vehicle tracking in airborne videos[J].Neurocomputing,2014,124(124):168-177.

    [10]Ding J,Lei B,Hong P,et al.Adaptive homochromous disturbance elimination and feature selection based mean-shift vehicle tracking method[J].Proceedings of SPIE-The International Society for Optical Engineering,2011,8200(10):4869-4871.

    [11]張煥龍,胡士強(qiáng),楊國(guó)勝.基于外觀模型學(xué)習(xí)的視頻目標(biāo)跟蹤方法綜述[J].計(jì)算機(jī)研究與發(fā)展,2015,52(1):177-190.

    [12]龐國(guó)瑞.基于DSP的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)的應(yīng)用研究[D].聊城:聊城大學(xué),2013.

    [13]李明.基于SIFT特征點(diǎn)匹配的目標(biāo)跟蹤算法研究[D].合肥:合肥工業(yè)大學(xué),2011.

    [14]Xiangqian Wua,Qiushi Zhaoa,Wei Bub.A SIFT-based contactless palmprint verification approach usingiterativeRANSAC and localpalmprint descriptors[J].Pattern Recognition,2014,47(10):3314-3326.

    猜你喜歡
    背景論文樣本
    “新四化”背景下汽車NVH的發(fā)展趨勢(shì)
    用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
    《論持久戰(zhàn)》的寫作背景
    推動(dòng)醫(yī)改的“直銷樣本”
    隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
    晚清外語翻譯人才培養(yǎng)的背景
    村企共贏的樣本
    下期論文摘要預(yù)登
    下期論文摘要預(yù)登
    下期論文摘要預(yù)登
    梓潼县| 竹北市| 扎鲁特旗| 赤水市| 通化县| 三原县| 西林县| 龙海市| 丹阳市| 汤原县| 铜陵市| 高碑店市| 罗田县| 赣州市| 德兴市| 盐山县| 西畴县| 涿鹿县| 睢宁县| 治多县| 元氏县| 金华市| 柳河县| 上林县| 凤山县| 汝州市| 泰宁县| 禹城市| 神池县| 遂川县| 梓潼县| 高唐县| 平果县| 九龙坡区| 乌苏市| 基隆市| 娱乐| 东兴市| 兴国县| 宿迁市| 长沙市|