笔记 动态图像目标跟踪算法研究
2017-02-27 09:20
232 查看
--本文是阅读 动态图像目标跟踪算法研究_称淑红 后做的摘记
运动目标跟踪的关键技术和前提条件是目标的分割。
目标检测技术的基本任务是将运动目标从视屏序列的背景中分割出来。
目前,在像素域分割领域常用的方法有:帧差发、背景差法、光流法等在压缩域分割常用的方法有:基于H.264和MPEG的视频对象分割方法。
1、光流包含了运动目标动态行为和表面结构信息,是运动目标像素运动产生的瞬时速度场。利用光流场进行运动目标分割的思想是从动态图像序列中近似计算运动场,再根据运动场的运动特征信息进行目标分割。
运动目标跟踪算法中常用过得数学工具有卡尔曼滤波及其改进算法、粒子滤波、动态贝叶斯网络算法、马尔科夫模型等。其中,卡尔曼滤波具有算法简单,易于实现等优点,但对于运动目标遮挡、背景复杂多变、光照变化等情况不能有效处理。
由于目标跟踪分类方法繁多,就跟踪视角而言,总体上可分为四类:基于特征的跟踪、基于模型的跟踪、基于轮廓的跟踪、基于区域的跟踪。
2、帧间差分法运算量小,速度快,方法简单易掌握,但对于背景复杂的视频序列不太适用,容易受到光照、纹理等因素的影响造成误判。对于背景简单,外在的实验条件基本保持不变的情况,能够快速、准确的提取出运动变化区域。
快速分割出视频目标的简便方法通常是差分法和自适应阈值算法相结合。
3、分水岭算法是一种常见的静止图像快速分割算法,但由于其对梯度噪声和量化误差非常敏感经常到时过分割的现象。
几种常用的跟踪算法
1、质心算法
是对动态图像序列中的二维图像进行处理、计算并明确运动对象的中心为之的一种方法。它需要对目标和背景进行有效地分割,并对其二值化以后进行。质心算法的计算简单,计算量较小,在短时间内就可以完成计算,输出目标的位置,在简单背景模式下,质心算法比较有效,在精度和速度方面都能同时达到要求,但在复杂背景下,由于运动目标的检测有一定的困难,所以跟踪的性能会有所下降,而且该跟踪方式,仅对背景不太复杂的运动目标有效,对于背景复杂的目标跟踪效果不够理想。
2、Mean Shift
基于核密度估计的自适应梯度算法。核密度估计又称为Parzen窗法,是一种强大的非参数估计方法。使用核密度估计,可a以从观测样本集中估计出未知随机变量的分布,并且不需要对分布的形式做任何假设。
该算法在物体具有一定色彩和外形特征时跟踪效果相当优良。
运动目标跟踪的关键技术和前提条件是目标的分割。
目标检测技术的基本任务是将运动目标从视屏序列的背景中分割出来。
目前,在像素域分割领域常用的方法有:帧差发、背景差法、光流法等在压缩域分割常用的方法有:基于H.264和MPEG的视频对象分割方法。
1、光流包含了运动目标动态行为和表面结构信息,是运动目标像素运动产生的瞬时速度场。利用光流场进行运动目标分割的思想是从动态图像序列中近似计算运动场,再根据运动场的运动特征信息进行目标分割。
运动目标跟踪算法中常用过得数学工具有卡尔曼滤波及其改进算法、粒子滤波、动态贝叶斯网络算法、马尔科夫模型等。其中,卡尔曼滤波具有算法简单,易于实现等优点,但对于运动目标遮挡、背景复杂多变、光照变化等情况不能有效处理。
由于目标跟踪分类方法繁多,就跟踪视角而言,总体上可分为四类:基于特征的跟踪、基于模型的跟踪、基于轮廓的跟踪、基于区域的跟踪。
2、帧间差分法运算量小,速度快,方法简单易掌握,但对于背景复杂的视频序列不太适用,容易受到光照、纹理等因素的影响造成误判。对于背景简单,外在的实验条件基本保持不变的情况,能够快速、准确的提取出运动变化区域。
快速分割出视频目标的简便方法通常是差分法和自适应阈值算法相结合。
3、分水岭算法是一种常见的静止图像快速分割算法,但由于其对梯度噪声和量化误差非常敏感经常到时过分割的现象。
几种常用的跟踪算法
1、质心算法
是对动态图像序列中的二维图像进行处理、计算并明确运动对象的中心为之的一种方法。它需要对目标和背景进行有效地分割,并对其二值化以后进行。质心算法的计算简单,计算量较小,在短时间内就可以完成计算,输出目标的位置,在简单背景模式下,质心算法比较有效,在精度和速度方面都能同时达到要求,但在复杂背景下,由于运动目标的检测有一定的困难,所以跟踪的性能会有所下降,而且该跟踪方式,仅对背景不太复杂的运动目标有效,对于背景复杂的目标跟踪效果不够理想。
2、Mean Shift
基于核密度估计的自适应梯度算法。核密度估计又称为Parzen窗法,是一种强大的非参数估计方法。使用核密度估计,可a以从观测样本集中估计出未知随机变量的分布,并且不需要对分布的形式做任何假设。
该算法在物体具有一定色彩和外形特征时跟踪效果相当优良。
相关文章推荐
- opencv学习-模板匹配算法(单图像模板匹配和基于模板匹配的目标跟踪)
- CamShift 目标跟踪算法研究(转)
- OpenCV学习笔记(十六)——CamShift研究 OpenCV学习笔记(十七)——运动分析和物体跟踪Video OpenCV学习笔记(十八)——图像的各种变换(cvtColor*+)imgproc
- 基于 MeanShift 算法的目标跟踪问题研究
- 图像处理之其他杂项(一)之MeanShift的目标跟踪算法opencv c++代码 VS2015+opencv3.2
- meanshift算法图解以及在图像聚类、目标跟踪中的应用
- 目标跟踪算法学习笔记之一:KCF
- Python OpenCV学习笔记之:Meanshift算法目标跟踪
- KCF目标跟踪算法笔记
- 图像目标检测与跟踪学习笔记(四)
- 图像跟踪与识别-TLD学习笔记,TLD跟踪算法详解
- 机器学习算法原理与实践(二)、meanshift算法图解以及在图像聚类、目标跟踪中的应用
- 图像目标检测与跟踪学习笔记(二)
- CamShift 目标跟踪算法研究(转)
- 图像分割算法及与目标检测、目标识别、目标跟踪的关系
- 基于DM642的图像边缘检测算法的研究
- 图像处理研究动态
- 动态业务工作流引擎Superflow研究概要之一--------背景及目标
- 根据数据动态变幻图像高矮的算法
- “共轭变换”图像处理算法在FPGA 上实现的研究