Опубликован: 02.09.2013 | Доступ: свободный | Студентов: 429 / 54 | Длительность: 19:27:00

Лекция 4: Отслеживание движения и алгоритмы сопровождения ключевых точек

На основании такого правила формируется двумерная маска.

Чтобы обработать следующий кадр, необходимо обновить параметры распределений: математическое ожидание \mu^k_j и среднеквадратичное отклонение \sigma^k_j . В зависимости от того, нашлось ли соответствующее распределение для цвета текущего пикселя, обновление выполняется по-разному.

  1. Соответствие обнаружено. Тогда весовые коэффициенты, составляющие смесь Гауссовых распределений, которым соответствует X_{k+1} и параметры распределений пересчитываются согласно формулам (4.14) – (4.16).
    \omega^{k+1}_j=(1-\alpha)\omega^{k}_j+\alpha, ( 4.14)
    \mu^{k+1}_j=(1-\rho)\mu^{k}_j+\rho X_{k+1}, ( 4.15)
    (\sigma^{k+1}_j)^2=(1-\rho)(\sigma^{k}_j)^2+\rho(x_{k+1}-\mu^{k+1}_j)(x_{k+1}-\mu^{k+1}_j)^T, ( 4.16)
    где \alpha – заданная константа, \rho=\alpha N(x_k\lvert \mu^k_j,\Sigma^k_j).. Для всех распределений, которым X_{k+1} не соответствует, параметры не изменяются, только пересчитываются коэффициенты \omega^{k+1}_j согласно (4.17).
    \omega^{k+1}_j=(1-\alpha)\omega^{k}_j ( 4.17)
  2. Соответствие не найдено. В данном случае крайнее (в смысле введенного отношения порядка) распределение Гаусса замещается распределением с новыми параметрами. Математическое ожидание выбирается равным текущему значению цвета пикселя \mu^{k+1}_s=X_{k+1} дисперсия (\sigma^{k+1}_j)^2 максимально возможной, а вес \omega^{k+1}_s минимально допустимым.

В завершении отметим, что количество распределений определяется сложностью фона и имеющимися вычислительными мощностями (в [2] предлагается использовать значение в пределах от 3 до 5). Начальная инициализация параметров распределений может выполняться с использованием метода k-средних [2], либо EM-алгоритма (Expectation Maximization) [4, 32].

На рис.4.1 показан пример применения метода вычитания фона с представлением модели фона смесью Гауссовых распределений.

Пример применения метода вычитания фона   с использованием метода представления фона смесью  Гауссовых распределений

Рис. 4.1. Пример применения метода вычитания фона с использованием метода представления фона смесью Гауссовых распределений

Метод представления модели фона смесью Гауссовых распределений2Результат получен с помощью реализации BackgroundSubtractorMOG2 библиотеки OpenCV. обладает рядом недостатков. Во-первых, метод не приспособлен к резким изменениям освещения, что является естественным для некоторых видео. Во-вторых, начальная инициализация параметров распределений является достаточно трудоемкой процедурой. Относительно большое количество параметров требует организации подбора наиболее оптимальных значений для конкретных данных.

Метод извлечения визуального фона (Visual Background Extractor , ViBe) [12]. В соответствии с данным методом модель фона на кадре с номером  k представляется набором множеств M^k(p)=\lbrace v_1,v_2,...,v_N\rbrace для всех пикселей p=(x,y) где v_i – интенсивность/цвет пикселя (в общем случае вектор).

Для классификации пикселя в цветовом пространстве строится сфера S_R(v(x)) радиуса R и определяется количество векторов множества M(p) которые попадают вовнутрь построенной сферы, K=\lvert S_R(v(p)) \cap M(p) \rvert. Если K>T_{min} , где T_{min} – фиксированное пороговое значение, то принимается, что пиксель принадлежит фону, в противном случае, объекту.

На начальном этапе необходимо выполнить инициализацию множеств M^0(p) для всех пикселей следующим образом:

M^0(p)=\lbrace v^0(y),y \in N_G(p) \rbrace, ( 4.18)

где N_G(p) – окрестность пикселя размера 3x3 (9 клеток, включая текущий пиксель), y выбирается N раз случайным образом. Обновление модели фона для кадра I_k выполняется в два шага:

  1. Если p проклассифицирован как пиксель фона, то из множества M^k(p) случайно выбирается компонента, которая заменяется значением v(p).
  2. Случайным образом выбирается один соседний пиксель из окрестности N_G(p) , для которого выполняется предыдущий шаг.

Множество методов построения моделей фона не ограничивается набором методов, представленных в этом разделе. В данном направлении ведутся активные исследования до настоящего момента. Поэтому здесь представлены лишь принципиально разные подходы к решению задачи построения фоновых моделей.

Андрей Терёхин
Андрей Терёхин

Нахожу в тесте вопросы, которые в принципе не освещаются в лекции. Нужно гуглить на других ресурсах, чтобы решить тест, или же он всё же должен испытывать знания, полученные в ходе лекции?

Демянчик Иван
Демянчик Иван

В главе 14 мы видим понятие фильтра, но не могу разобраться, чем он является в теории и практике.

" Искомый объект можно описать с помощью фильтра F= \lbrace f_{x',y'},x' \in \lbrace0, ...,w_f \rbrace , y' \in \lbrace 0,...,h_f \rbrace \rbrace "