490 likes | 582 Views
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
E N D
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 • 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
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。
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
CAMSHIFT的架構 • 1.轉換成HSV色彩空間
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。
CAMSHIFT的架構 • 2.Back Projection
CAMSHIFT的架構 • 3.Mean Shift • 計算中心點 • 旋轉的角度
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。
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
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。
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
提取邊緣特徵 • 邊緣範例 • 過於抽象
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
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)
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
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
提取邊緣特徵 • 3.將影像做分格處理 • 使它容易被匹配
提取邊緣特徵 • 4.零檢查 • 預先排除 可能性低的 地方
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。
提取邊緣特徵 • 為什麼要做PCA?
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)
提取邊緣特徵 • 5.PCA • DATA = • Cov(DATA) =
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)。
提取邊緣特徵 • 5.PCA
提取邊緣特徵 • 5.PCA
提取邊緣特徵 • PCA • Eigenvalue ,Eigenvector • 第一主成分約佔75.372%
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
加入邊緣特徵的新架構 • 先使用邊緣特徵對畫面搜索
加入邊緣特徵的新架構 • 再對部分的範圍做CAMSHIFT
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
實驗 • 實驗數據
實驗 • 實驗數據
實驗 • 影片 • 200907A0\good.mp4
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
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
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
未來研究 • 困難處 • 物體移動所取得的邊緣特徵效果不好