1 / 49

使用邊緣特徵改善 CAMSHIFT 的物件追蹤方法

使用邊緣特徵改善 CAMSHIFT 的物件追蹤方法. 指導教授：洪 國 寶　 研 究 生：林 易 增　. 大綱. 前言 CAMSHIFT 的架構 CAMSHIFT 的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究. 大綱. 前言 CAMSHIFT 的架構 CAMSHIFT 的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究. 前言. 物件追蹤 的應用非常的實際而且廣泛。 從基本的圖形比對、安全監控，到行車輔助系統，甚至是更進階的無人駕駛載具或機器人應用。. 前言. 簡單的電腦視覺運作流程示意圖. 大綱. 前言

rooney-carpenter
Download Presentation

使用邊緣特徵改善 CAMSHIFT 的物件追蹤方法

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 使用邊緣特徵改善CAMSHIFT的物件追蹤方法 指導教授：洪 國 寶　 研究生：林 易 增　

  2. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  3. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  4. 前言 • 物件追蹤的應用非常的實際而且廣泛。 • 從基本的圖形比對、安全監控，到行車輔助系統，甚至是更進階的無人駕駛載具或機器人應用。

  5. 前言 • 簡單的電腦視覺運作流程示意圖

  6. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗

  7. CAMSHIFT的架構 • CAMSHIFT是Mean Shift的改良。 • Mean Shift每次搜索的範圍是固定的。 • CAMSHIFT會更新每次搜索的範圍，更適合在連續的影像中做物件追蹤。

  8. CAMSHIFT的架構 • CAMSHIFT的幾個主要步驟 ： • 1.轉換成HSV色彩空間 • 2.Back Projection • 3.Mean Shift • 4.CAMSHIFT

  9. CAMSHIFT的架構 • 1.轉換成HSV色彩空間

  10. CAMSHIFT的架構 • 1.轉換成HSV色彩空間 • 取得色彩直方圖 左邊為選定的物件，右邊為左邊物件的色彩直方圖。

  11. CAMSHIFT的架構 • 2.Back Projection

  12. CAMSHIFT的架構 • 3.Mean Shift • 計算中心點 • 旋轉的角度

  13. CAMSHIFT的架構 • 4.CAMSHIFT • 將新得到的搜尋視窗，當作第三步驟的初始搜尋視窗。如此重複的執行，就可以達到連續追蹤物件的效果。

  14. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  15. CAMSHIFT的缺點 一、 背景過度複雜或是有類似顏色的時候效果會降低。 二、 物體本身就很複雜，導致辨識困難或誤判。 三、 一但物體因為某些原因脫離搜尋視窗，就沒有辦法再正確找到物體。

  16. CAMSHIFT的缺點

  17. CAMSHIFT的缺點

  18. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  19. 提取邊緣特徵 • 邊緣範例 • 過於抽象

  20. 提取邊緣特徵 • 一個優秀的特徵： • 獨特性高 • 容易被匹配 • 對各種破壞（旋轉、縮放）具不變性

  21. 提取邊緣特徵 • 1.取邊緣 • 2.對邊緣圖做膨脹運算 • 3.將影像做分格處理 • 4.零檢查 • 5.PCA(Principal component analysis)

  22. 提取邊緣特徵 • 1.取邊緣特徵 • 使用Canny邊緣檢測 • 2.對邊緣圖做膨脹運算 • 在矩陣中若是外圍的P2到P9有一個像素的值是1，則將P1設為1。 • 使它獨特性高

  23. 提取邊緣特徵 左圖為Canny邊緣偵測所得的結果，右圖為左圖經過膨脹與侵蝕運算後得到的結果

  24. 提取邊緣特徵 • 3.將影像做分格處理 • 使它容易被匹配

  25. 提取邊緣特徵 • 4.零檢查 • 預先排除 可能性低的 地方

  26. 提取邊緣特徵 • 5.PCA • 藉由主要的成分投影過後得到的資料，用來做比對的資料。 • 優點：降低資料的維度，保持資料的解釋度。 • 缺點：失去部分資料特性。

  27. 提取邊緣特徵 • 為什麼要做PCA?

  28. 提取邊緣特徵 • 簡單的降維方法 • 資料的解釋度不足 • 失去部分資料特性 (2,3.5) (1,3) (1,0) (2,0)

  29. 提取邊緣特徵 • 5.PCA • DATA = • Cov(DATA) =

  30. 提取邊緣特徵 • 5.PCA • Cov(DATA) (方陣) • Eigenvalue ,Eigenvector 越大的Eigenvalue所對應的Eigenvector，表示是越能夠在新特徵空間中代表DATA組成的一組Eigenvector （主成份）。

  31. 提取邊緣特徵 • 5.PCA

  32. 提取邊緣特徵 • 5.PCA

  33. 提取邊緣特徵 • PCA • Eigenvalue ,Eigenvector • 第一主成分約佔75.372％

  34. Proj(DATA) =

  35. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  36. 加入邊緣特徵的新架構 • 先使用邊緣特徵對畫面搜索

  37. 加入邊緣特徵的新架構 • 再對部分的範圍做CAMSHIFT

  38. 加入邊緣特徵的新架構

  39. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  40. 實驗

  41. 實驗

  42. 實驗 • 實驗數據

  43. 實驗 • 實驗數據

  44. 實驗 • 影片 • 200907A0\good.mp4

  45. 大綱 • 前言 • CAMSHIFT的架構 • CAMSHIFT的缺點 • 提取邊緣特徵 • 加入邊緣特徵的新架構 • 實驗 • 未來研究

  46. 未來研究 • 一個優秀的特徵： • 獨特性高 • 容易被匹配 • 對各種破壞具不變性 • 我們選進來的樣本是固定的

  47. 未來研究 • 更新樣本的方法 • 取得新的樣本 • 考慮大小 • 考慮角度

  48. 未來研究 • 困難處 • 物體移動所取得的邊緣特徵效果不好

  49. Thanks for your attention!

More Related