雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

基于活动轮廓的视觉跟踪使用水平集

Kiruthika.P1,Sathya Priya.J1,Mr.Prakash.S.P。2
  1. PG学者,部门的ECE Bannari安曼理工学院,Sathyamangalam,印度
  2. 助理教授(sr.gr),部门的ECE Bannari安曼理工学院,Sathyamangalam,印度
相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

视觉跟踪移动物体的主要过程发现现场使用相机。对象跟踪是具有挑战性的任务时,物体相对于帧速率快。活动轮廓算法用于跟踪对象在给定图像的帧序列。在视频可以追踪特定对象运动使用固定相机但在移动相机不能从背景中提取特定对象减法。提出了基于活动轮廓的视觉跟踪使用水平集不考虑摄像机是固定(或)移动,基于光流算法在第一帧初始化轮廓。邻近的像素值之间的相关性为后验概率估计是通过基于马尔可夫随机场理论色彩轮廓演化。独立分量分析(ICA)是用来处理噪声(或)部分闭塞获取更精确的基于轮廓形状的轮廓。处理突然运动粒子群优化用于跟踪对象第一帧和最后一帧是应用于当前帧产生一个初始轮廓下一帧。这种视觉跟踪可用于实时应用,比如车辆制导和控制、监测和识别、用户界面、视频处理和医疗应用程序。

关键字
突然运动,活跃contour-based跟踪、自适应形状模型,粒子群优化(PSO)

介绍
视觉物体跟踪是计算机视觉的活跃的研究课题。矩形或椭圆形是用于表示对象一般对象跟踪[1],在基于活动轮廓的跟踪提供更详细的对象形状信息[2],但总的来说它是更加困难比一般跟踪对象在现实世界的情况。这是因为轮廓跟踪的目标是恢复物体的细节和提取对象从背景干扰。许多不同的区域跟踪方法已经发展到目前为止,从早期的跟踪算法集中跟踪特征点和边缘部分。区域跟踪算法跟踪整个地区,不仅属性点在该地区,取决于该地区的形状和运动的点,以允许该地区恢复其特征点。在视频对象的运动区域中可以提取固定相机,但是在移动相机对象不能从背景中提取扰动。活跃contour-based对象跟踪不考虑摄像机静止或移动,
答:相关工作
描述对象轮廓两种通用的方式明确表示特征的参数化曲线如蛇和隐式表示,如水平集,它代表的是使用签署距离地图轮廓。水平集表示比显式表示更受欢迎,因为它有一个稳定的数值解,它能够处理拓扑变化。活动轮廓演化方法分为三类:edge-based prior-based提出,和形状。基于边缘的方法考虑轮廓周围的本地信息,如灰度级梯度。在古典蛇模型[3],[4]使用一个边缘检测器,根据图像的梯度停止进化的边界曲线所需的对象。[5]测地线模型提出了反映比蛇更基本的几何图像的措施,使用前面的知识,在一个像素梯度越大,概率越高像素属于对象的边缘。在[6]改善[5]中的测地线模型使用水平集来描述轮廓和使用梯度下降算法来优化轮廓。基于边缘的方法对图像噪声很敏感。提出方法将图像分为对象和背景区域使用统计数量,如[7],方差,或者柱状图的像素值在每个区域独立后验概率估计。在[8]近似图像通过平均图像区域的边界被视为对象边缘。在[9]提出一个统计和变分图像分割框架使用一个地区竞争算法。 In [10] adopt the features of both object and background regions in the level-set evolution model process. Color prior knowledge is usually represented using object appearance models such as color histograms, kernel density estimation, or Gaussian mixture models (GMMs). In [12] use color histograms to model appearances and perform contour-based tracking at frame rates. Region texture features [11], [13] are usually modeled using the Gabor filer, the co-occurrence matrix, or Markov random fields (MRF), etc.Shape prior-based methods are used to recover disturbed, occluded, or blurred contour sections.In [14] construct a pixel-wise shape model in which local shape variability can be accounted and [15] propose an active shape model for the different aspects of rigid objects in a shape prior formulation. In [16] propose a statistical method to learn object shape models which are used to recover occluded sections of a contour. Occlusion is dealt with by incorporating shape information into the weights of the particles. In [17] utilize the symmetry of rigid object shapes to deal with partial occlusions.
本文跟踪初始化,颜色轮廓演化为基础,基于形状的轮廓演化进行了讨论。新增量ICA技术用于更新形状模型。本文组织如下。第二节提出的工作提出了展望。第三章实验结果了。第六部分提供了结论。

提出工作
本文分析的主要限制轮廓跟踪,并提供一个框架,用于跟踪对象轮廓,无论摄像机静止或移动。基于活动轮廓的视觉跟踪使用水平集方法。
在第一帧,自我运动补偿是用来补偿摄像机运动然后在每个像素的光流估计的一个或多个运动区域检测到。这些运动区域的边界作为初始轮廓。这些初始轮廓然后使用颜色信息进化。基于形状的基于轮廓演化的结果,基于之前的ICA技术用于处理噪音或部分遮挡等来获得更准确的轮廓。突然运动与第一帧检查,当没有突然运动,进步导致当前帧作为对象的初始轮廓,在下一帧。如果有突然运动,使用随机仿射运动参数估计算法,并应用于当前帧获取的轮廓的初始轮廓下一帧。基于区域的水平集包括contour-based跟踪初始化。第一帧的基于轮廓进化,进化shape-based轮廓,和突然的动作处理。
一个。初始化跟踪:跟踪初始化轮廓初始化的由第一帧和建模的对象和背景区域,自动和快速跟踪基于光流的初始化算法检测使用。在第一帧,光学流大小和方向[18]是用来检测运动区域的边界作为初始轮廓。ego-motion补偿用于补偿摄像机运动。每个像素在光学流是由(u, v), u和v在哪里光流速度矢量的分量分别在x和y方向。为一个像素的大小是小于一个预定义的阈值,其光学流设置为(0,0),分配到后台。检测算法包括形状模型的大小是固定的和移动物体的中心地区的系列{Mi},各种组的像素。对象和背景区域都是模仿的对象基于活动轮廓的跟踪算法来争夺图像中的像素。模型对象和背景区域分层方法[19],它融合颜色和纹理特性使用高斯混合模型(GMM)。
B。基于颜色的轮廓演化:轮廓演化是用来调整初始轮廓等待分区优化图像的轮廓为前景区域和背景区域。根据贝叶斯规则对象区域中的像素值或背景区域是独立的后验概率和似然估计。独立的像素值为后验概率和似然估计太强烈,尤其是当有当地的像素之间的关联,比如纹理区域或地区重复模式。因此很容易识别错像素周围物体边界部分对象和背景之间的对比很低。克服一个问题的邻近像素值之间的相关性构造利用马尔可夫随机场理论,纳入估计后验概率的分割。是不敏感的背景干扰,达到紧和光滑的轮廓。
基于c形状轮廓演化:获得轮廓更接近真正的轮廓,全球形状信息和当地的颜色信息结合分层shape-based轮廓演化算法,基于形状的轮廓演化包括形状登记和建设子序列,和基于距离的标准。小说增量应用ICA[20]以更灵活的方式更新形状模型比在前面的形状模型更新算法。Paragios的变分法是用于实现形状登记。每个轮廓形状使用相应的水平集表示签署距离地图φ。形状登记从形状形状B包括缩放、旋转,翻译形状来获得一个新的形状形状最匹配的B。轮廓形状子空间是由训练序列,它获得一系列的训练样本对象的形状被跟踪测试序列。形状登记一致签署中的每个样本距离地图。水平集嵌入函数值在每个距离被夷为平地的映射到一个锥形每一列向量。Mahalanobis基于距离标准用来确定形状模型引入轮廓演化过程。如果它发生shape-based进化适应不同的轮廓位置是用来进一步发展轮廓。
C.1。独立分量分析:增量更新最近的使用获得的轮廓形状模型框架是必要的基于形状轮廓跟踪,随着近年来提供更准确的信息当前对象的形状。在信号处理中,独立分量分析(ICA)是一种计算方法,多元信号分离成添加剂子组件和自命不凡的子组件的非高斯信号,他们都互相统计独立。ICA是一个独特的盲源分离。当统计独立性声明是正确的,盲目的ICA分离混合信号给出了很好的结果。也不应该用于信号产生的混合进行分析的目的。独立的两个广泛定义ICA互信息最小化,最大化的同时。典型的ICA算法使用定心,美白和降维预处理步骤为了简化和减少复杂的实际问题的迭代算法。美白和可以实现降维主成分或分解。形状模型的更新是通过独立成分分析。 When the shape change is large the shape model update frequently as one frame, it is more flexible and rapid shape updating.
D。突然运动:当形状轮廓演化完成它检查前一帧和当前帧的突然的运动。如果突然发生运动粒子群优化用于估计运动参数和应用于轮廓在前一帧来获得当前帧的初始轮廓。之后,最初的轮廓是进化赋予对象的分割。
D.1。PSO算法:传统的轮廓跟踪方法不能处理突然运动或低帧率的视频。这是因为传统跟踪的基础在于假设连续帧之间的运动是平滑的,但突然运动破坏运动。as一个两层的层次水平的假设基于集合的跟踪框架中,粒子群优化(PSO)[21]和水平集演化是无缝融合。在第一层,采用PSO捕捉对象的全球运动。粗线是通过应用全球运动前一帧的轮廓。第二层,水平集演化基于粗轮廓跟踪当地进行变形,导致实际的轮廓。粒子群优化(PSO)到水平集演化可以成功地处理了轮廓跟踪的突然运动和低帧率(LFR)。该算法具有以下特点,区别于基于传统水平集的轮廓跟踪的方法:首先,参数优化(PSO)和非参数优化(水平集)结合在一个统一的框架下解决困难引起的突然运动。第二,学习运动模型的训练过程不需要将进化策略。该方法不需要先验知识的运动并不总是可用的。 Third, prior appearance model for the level set evolution fuses color and texture seamlessly to make our approach more tolerant to noisy environments. Finally, it shows theoretically that our approach is essentially a combination of the deterministic and heuristic stochastic search to cope with the abrupt motion.

实验结果
图2原始视频中是被作为输入单一对象移动。
在图3中给出的输入边缘被发现是对图像的帧数
在图4中与对象跟踪基于形状的轮廓图像。ICA技术是用于获取基于形状的轮廓形象,大大减少了噪音和精确的图像。
在图5中颜色基础轮廓演化对象从背景噪声中提取。它给准确的图像。
在图6的活动轮廓算法跟踪初始化跟踪行走的人。
在图7中PSO算法用于追踪对象第一帧和最后一帧。

结论
基于颜色的轮廓演化算法应用磁流变液理论来表示后验概率估计的像素值之间的相关性比提出背景扰动方法没有考虑相邻像素的值之间的相关性为后验概率估计。自适应shape-based轮廓演化算法,有效地融合了全球形状信息和当地的颜色信息,并使用一个灵活的形状模型更新算法,是健壮的部分遮挡,弱对比边界,和运动模糊,等。基于PSO算法能有效处理轮廓跟踪的视频突然动作,它优于粒子基于过滤器算法。未来工作完成基于多个运动目标的跟踪图形的方法。在这个形状,颜色以及这种结构的对象也被认为是。

数据乍一看


图 图 图 图
图1 图2 图3 图4
图 图 图
图5 图6 图7

引用