关键字 |
| 对象跟踪、多实例学习监督学习,在线提振。 |
介绍 |
| 对象在计算机视觉跟踪一直得到广泛的研究由于其重要性等应用程序的自动化监测、视频索引、交通监控、人机交互,等等。虽然众多算法已经提出了在过去几十年这仍然是一个挑战性的任务,要构建一个健壮的和有效的跟踪系统处理外观变化通常学习一个外观模型,用它来搜索图像区域以最小的重建误差跟踪结果。处理外观变化,自适应模型WSL跟踪和诊断方法等。utilizen几个片段设计外观模型处理构成变化和部分遮挡。最近,稀疏表示方法已经用于表示对象通过一组目标和琐碎的模板处理部分遮挡,照明变化和姿势变化然而,这些生成模型不考虑周围的视觉环境和丢弃的有用信息,可以利用更好的目标对象从背景中分离。歧视模型构成对象跟踪作为分类器的检测问题是学会了独立的目标对象从其周围的背景在一个局部区域。柯林斯恶魔状态,选择有识别力的特性以在线的方式改善跟踪性能提高方法已被用于对象跟踪的弱分类器与基于像素特征的目标和背景区域内的在中心off-surround原则。Grabner提出在线增加对象跟踪的特征选择方法。然而,上述区别的算法利用只有一个正样本(即。,the tracking result combing in the current frame and) multiple negative samples when updating the classifier. If the object location detected by the current classifier is not caused by abrupt motion, illumination variation, shape deformation, and occlusion (See Fig. 1). It has been demonstrated that an effective adaptive appearance model plays an important role for object tracking. In general, tracking can be categorized into two classes based on their representation schemes generative and discriminative models Generative algorithms precise, the positive sample noisy and result inupdate Consequently, errors will suboptimal be classifier accumulated be and cause tracking drift or failure [15]. To alleviate the drifting prob- lem, an online semi-supervised approach [10] is proposed to train the classifier by only labeling the samples in the first frame while considering the samples in the other frames as unlabeled. Recently, an efficient tracking algorithm [17] based on compressive sensing theories [19], [20] is proposed. It demonstrates that the low dimensional features randomly extracted from the high dimensional multiscale image fea-tures preserve the intrinsic discriminative capability, thereby facilitating object tracking. |
该方法 |
框图: |
 |
| 我们提出一个简单的和健壮的对象检测方法在动态纹理场景。我们的模型的基本原理是背景颜色的变化所产生的运动模糊的方式大大减弱。因此,使用本地内核与之前的方法相比,未来不需要任何参数估计方法(即,非参数)。这非常有利实现广泛的强大背景减法和时空动态场景。具体来说,我们提出的地方特色模糊颜色直方图(FCH)。然后,值得信任地构建背景模型通过计算当地FCH特征之间的相似性与在线更新程序。来验证该方法的优势,我们终于把我们与竞争背景减法模型提出在文献中使用各种动态纹理的场景。 |
模糊颜色直方图 |
| 摘要颜色直方图被视为一种颜色分布的概率的观点。给定一个空间包含颜色箱,包含像素的图像的颜色直方图表示为,在图像中的一个像素的概率是属于thcolor垃圾桶,并在thcolor本像素的总数。根据总概率理论,可以定义如下: |
 |
| Pj在哪一个像素的概率选择从图片我第j像素,也就是1 / N和π/ j的条件概率选择像素属于ithcolor本。的上下文中,在上下文的定义是,被定义为 |
 |
| 这个定义边界问题导致的,直方图可能发生突然变化,即使颜色变化实际上是小。这揭示了为什么CCH敏感噪声干扰等照明变化和量子化错误。拟议中的FCH实质上修改概率Pi | j如下。而不是使用概率Pi | j,我们认为每一个N像素在图像我被相关的所有颜色箱通过模糊集隶属函数,这样的“归属感”或“协会”的th像素第I个颜色本是由分布的会员价值j像素,μij第I个颜色本。 |
定义(模糊颜色直方图): |
| 模糊颜色直方图(FCH)的图像可以表示asF (I) = [f1, f2, f3,……fn), |
算法(模糊——): |
| 第1步:输入clustersc, wightingexponent,错误宽容 |
| 步骤2:vi Initialisze集群中心,1≤≤c |
| - 3步:输入数据X = {x1, x2, ....xn}第四步:计算c集群中心{vi (l)}, (6) |
| 第五步:更新U (l) (7) |
 |
| 在我们的工作中,我们需要分类好颜色为FCH集群。由于知觉CIELAB颜色空间的均匀性,可以简单地取代了内积,这是好颜色和集群之间的欧几里得距离中心。FCM算法的模糊聚类结果表示为矩阵,和被称为颜色的等级的会员对集群中心。因此,获得矩阵可以被视为理想的成员关系矩阵计算FCH,即。,。此外,加权指数在FCM算法控制程度或成员之间共享的“传播”的模糊集群。因此,我们可以使用参数来控制不同颜色之间的相似程度的共享在FCH垃圾箱。会员矩阵可以因此调整根据不同的图像检索的应用程序。一般来说,如果涉及到更高的噪声干扰,应该使用更大的价值。 |
模糊的会员制局部直方图特征 |
| 模糊的会员制局部直方图特征的概念以本地方式使用FCH获得可靠的背景模型在动态纹理的场景是出于观察背景运动不使严重的场景结构的改变虽然广泛分布或突然发生的时空领域,和颜色变化产生了这种无关紧要的动作从而可以有效减毒通过考虑当地集权ics定义模糊的方式,即。,对于每一个的效果。因此,认为模糊的会员制局部直方图为坚实的背景减法的方法在动态纹理场景。在本节中,我们总结FCH模型和分析相关的属性背景减法动态纹理的场景。 |
 |
| 首先,在一个概率看来,传统的颜色直方图(CCH)可以被视为概率密度函数。因此,图像中像素的概率属于第i个颜色本wi可以定义如下: |
 |
| 其中N表示像素的总数。P (Xj)的概率是ofcolour特性选择从一个给定的图像被j的像素,这是确定 |
| P (wi / Xj)。 |
| FCH垃圾箱。更具体地说,FCM算法发现至少一个启发式的全球成本函数定义如下 |
当地FCH特性 |
| 在本节中,我们描述背景减法的过程基于我们当地FCH特性。给定的像素分类为背景或移动对象在当前帧,我们首先比较观察FCH向量与模型FCH向量重新表达的在线更新(6): |
 |
| Bj (k) = 1表示的th像素th视频帧为背景而确定相应的像素属于运动物体。 |
| B (j, k) = 0。τ是阈值的值从0到1。(6)使用的相似性度量,采用归一化直方图交叉进行简单计算,定义如下: |
 |
| 表示背景模型的th th视频帧的像素位置,(8)中定义。注意,其他指标(如余弦相似性、卡方检验等),可以使用这种相似性测量没有显著的性能下降。为了保持可靠的背景模型在动态纹理的场景,我们需要更新它在每个像素位置以在线的方式如下: |
 |
| 在哪里学习速率。注意,大表示,当地FCH特性目前观察到的强烈影响构建背景模型。通过这样做,自适应背景模型更新。为了完整性,总结了该方法的主要步骤的算法 |
阈值 |
| 一个简单的场景分割技术是非常有用的固体对象放在一个对比的背景。上面所有像素(阈值)确定灰色水平被认为属于对象,和所有像素低于这一水平被认为是外部对象。阈值水平的选择是非常重要的,因为它会影响任何测量参数的对象(具体对象边界是非常敏感的灰色阈值水平选择)。阈值通常是进行图像与双峰分布。这是下面的解释。最佳阈值水平通常是作为最低的点在两座山峰之间的槽(如上所述)或者,可以选择两座山峰之间的中点。 |
| 下面的图4显示了应用程序的一个示例图像阈值算法。它清楚地识别图像中感兴趣的对象,并删除任何噪音。 |
形态学滤波 |
| 形态学图像处理是非线性的集合操作相关的形状或形态学特征的图像。形态学操作只依赖像素值的相对顺序,而不是他们的数值,因此尤其适合处理二进制图像。形态学操作也可以应用于灰度图像,这样他们的光传输函数是未知的,因此绝对像素值是没有或轻微的兴趣。 |
| 形态学技术探测图像与一个小的形状或模板称为结构化元素。结构元素是定位在图像中所有可能的位置 |
 |
| 并与相应的邻居像素。一些操作测试元素是否“适合”在附近,而另一些测试它是否“点击率”或相交 |
| 形态学操作在一个二进制图像创建一个新的二进制图像的像素有一个非零值只有在测试是成功的在这个位置输入图像。 |
| 结构元素是一个小的二进制图像,即一个小矩阵的像素,每一个都有0或1的价值: |
| 矩阵维度指定大小的结构元素。 |
| 1和0的模式指定结构元素的形状。一个结构化元素的来源通常是它的一个像素,虽然一般外的起源可以构建元素。 |
 |
| 一个常见的做法是奇怪的维度结构矩阵和原点定义为矩阵的中心。结构元素在moprphological图像处理相同的角色在线性图像滤波卷积核。 |
| 当一个结构元素是放置在一个二进制图像,每个像素与相应的像素附近的结构元素。结构元素是说适合图像,如果对每个像素设置为1时,相应的图像像素也是1。同样的,据说一个结构化元素冲击,或相交,至少一个图像,如果图像像素也是1。 |
MATLAB GUI软件细节 |
| 一个图形用户界面(GUI)与图形用户界面构建对象,如按钮、文本框、滚动条和菜单。一般来说,这些对象已经意义大多数计算机用户。例如,当您移动滑块,值改变时;当你按下OK按钮时,您的设置被应用和对话框。当然,利用内置的熟悉,你必须是一致的使用各种gui构建组件。 |
| 提供gui应用程序通常更容易学习和使用,因为人使用应用程序不需要知道什么命令可用或它们是如何工作的。行动结果可以明确表示从一个特定的用户操作界面的设计下一小节将描述如何创建与MATLAB的gui。这个includeslaying组件编程他们做具体的事情为了响应用户操作,并保存和发射GUI。 |
文献调查 |
| 背景减法计算愿景的过程中提取前景对象在一个特定的场景。前景对象可以被描述为一个对象的关注有助于减少需要处理的数据量,以及考虑到任务提供重要信息。通常,前景对象可以被认为是一个连贯地一个场景中的运动目标。 |
| 有许多挑战在发展中一个好的背景减法算法。首先,它必须健壮与照明的变化。第二,它应该避免检测非平稳背景对象和移动物体的阴影。 |
结论 |
| 在本文中,我们提出一个动态阈值优化方法,对象跟踪夫妇的分类器分明确性能相比,一些先进的重要性——算法。 |
引用 |
- m .黑人和a·杰普森,“EigenTracking:健壮的匹配和跟踪的对象使用一个基于视图表示,”Proc, Eur.Conf。第一版。粘度1996年4月,第329 - 342页。
- 杰普森,d .舰队,t . El-Maraghi“健壮的视觉跟踪在线外观模型,”IEEE反式。模式肛门。马赫。智能。陈俊玮,不。10日,第1311 - 1296页,2003年10月。
- s . Avidan“支持向量跟踪”,IEEE反式。模式肛门。马赫。智能。卷,29号2004年8月8日,页。1064 - 1072年。
- r·柯林斯,刘y和m . Leordeanu“在线选择有识别力的跟踪功能,”IEEE反式。模式肛门。马赫。智能。,27卷,不。10, pp. 1631–1643, Oct. 2005.
- m·杨和吴y“跟踪不稳定的表象和动态特征选择,”Proc。Soc设计。相依CVPR2005年6月,pp.1059 - 1066。
- 亚当,大肠Rivlin,即尼吉夫“健壮fragments-based跟踪使用积分直方图,”Proc。第一版。Soc。IEEE CVPR相依。,小君。2006年,页789 - 805。
|
菜单
