Государственное образовательное учреждение высшего профессионального образования

«Московский государственный технический университет имени Н.Э. Баумана» (МГТУ им. Н.Э. Баумана)

ФАКУЛЬТЕТ	Информатика и системы управления (ИУ)
КАФЕДРА	Информационные системы и телекоммуникации (ИУ-3)

Расчётно-пояснительная записка

к курсовому проекту на тему:

Реализация основных примеров видео-трекинга в системе MATLAB

Студент: Чистяков И.Ю.

Руководитель курсового проекта: Алфимцев А.Н.

Москва

2013

Оглавление

1.Введение 3

2.Теоретическая часть 4

2.1Определение трекинга 4

3. Исследовательская часть 6

3.2 Алгоритм Виолы-Джонса 6

3.3 Оптический поток (Optical Flow) 13

3.4 Алгоритм сравнения с шаблоном (Template Matching) 20

4. Заключение 22

5. Список литературы 22

1. Введение

Теория распознавания образов является сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях — от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов. Она основана на методах классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций, объектов, которые характеризуются конечным набором некоторых свойств и признаков.

Классическая постановка задачи распознавания образов: Дано множество объектов. Относительно них необходимо провести классификацию. Множество представлено подмножествами, которые называются классами. Заданы: информация о классах, описание всего множества и описание информации об объекте, принадлежность которого к определенному классу неизвестна. Требуется по имеющейся информации о классах и описании объекта установить - к какому классу относится этот объект.

В данной работе описан такой аспект цифровой обработки изображений и распознавания образов, как видео-трекинг (video-tracking). Применение у технологий трекинга весьма обширное: начиная от видео-презентаций, заканчивая распознаванием и отслеживанием подозрительных лиц или вражеских ракет.

2. Теоретическая часть

   1. Определение трекинга

Трекингом называется определение местоположения движущегося объекта (нескольких объектов) во времени с помощью камеры. Алгоритм анализирует кадры видео и выдает положение движущихся целевых объектов относительно кадра.

Основная проблема в трекинге состоит в сопоставлении положений целевого объекта на последовательности кадров, особенно если объект движется быстро относительно частоты кадров. Таким образом, системы трекинга обычно используют модель движения, которая описывает, как может изменяться изображение целевого объекта при всевозможных различных его движениях.

Примерами таких простых моделей движения являются:

- трекинг плоских объектов, модель движения – 2D преобразование (аффинное преобразование или гомография) изображения объекта (например, исходного кадра)

- когда целевым является жесткий 3D объект, модель движения определяет вид в зависимости от его положении в пространстве и ориентации

- для сжатия видео, ключевые кадры (key frames) разделяются на макроблоки (macroblocks). Модель движения представляет собой разрыв ключевых кадров, где каждый макроблок преобразуется при помощи вектора движения полученного из параметров движения

- изображение деформируемого объекта может быть покрыто сеткой (mesh), движение объекта задается положением вершин этой сетки

Основная задача алгоритма трекинга – это последовательный анализ кадров видео для оценки параметров движения. Эти параметры характеризуют положение целевого объекта.

Система визуального наблюдения (трекинга) состоит из двух основных частей:

1. Представление и Локализация Целевого Объекта (Target Representation and Localization)

2. Фильтрация и Объединение Данных (Filtering and Data Association)

Представление и Локализация Целевого Объекта представляет собой по большей части восходящий процесс (bottom-up process), т.е. последовательный и его последующие шаги не затрагивают предыдущие. Обычно вычислительная сложность этих алгоритмов достаточно мала. Вот некоторые стандартные алгоритмы Представления и Локализации Целевого Объекта:

Blob tracking: Сегментация интерьера объекта (например blob detection, block-based correlation или оптический поток (optical flow))

Kernel-based tracking (Mean-shift tracking): Итеративная процедура локализации, основанная на максимизации критерия подобия (Bhattacharyya coefficient).

Contour tracking (трекинг контуров): Поиск границы объекта (например активные контуры или Condensation algorithm)

Визуальное согласование особенностей (feature matching): Регистрация (Image registration)

Point feature tracking (Слежение за точечными особенностями сцены): Задача формулируется так - дана последовательность изображений некоторой сцены, полученная с движущейся или неподвижной камеры. Необходимо получить набор как можно более точных последовательностей координат проекции некоторых точек сцены в каждом кадре.

Фильтрация и Объединение Данных представляет собой по большей части нисходящий процесс (top-down process), который включает в себя объединение априорной информации о сцене или объекте, соотносящейся с динамикой объекта и вычислением различных гипотез. Вычислительная сложность этих алгоритмов обычно намного выше. Вот некоторые стандартные алгоритмы фильтрации:

Фильтр Калмана: оптимальный рекурсивный (Bayesian filter) для линейных функций, подверженных шуму по Гаусу.

Фильтр частиц (Particle filter): полезно для семплинга базового пространства состояний распределения нелинейных и негауссовых(non-Gaussian) процессов.

Существует несколько методов реализации трекинга. В данной работе рассмотрены различные методы трекинга:

1. алгоритм Виолы-Джонса (каскады Хаара)

2. алгоритм с использованием оптического потока (Optical Flow)

3. алгоритм с использованием коэффициентов корреляции