文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 动摄像机下基于SIFT特征匹配和MHI的目标检测
侵权投诉

动摄像机下基于SIFT特征匹配和MHI的目标检测

懂的人一看便知

检测的目标也在运动,整幅图像的前景运动和摄像机产生的背景运动混合在一起,只有很好地把这两种运动分开,才能够检测出动目标,这给背景的补偿问题提出了很大的挑战。由于摄像机运动产生了背景运动,动目标检测任务变得更有挑战性[4]。静态摄像机情况下的目标检测跟踪技术已经比较成熟,运动摄像机情况下的目标检测和跟踪还在发展中,但它在诸如机器人导航、航空拍摄的图像的目标检测跟踪、视频压缩等方面有着重要的应用。

在国外,1992年就有人开始研究运动摄像机情况下的动目标检测,而国内的研究还处于起步阶段。下面介绍一下国内外的研究现状:LeeJin2Sung[5]等人提出了基于运动矢量置信测量度目标跟踪的算法,通过置信水平度选择正确的运动矢量计算全局运动,再剔除噪声矢量,迭代进行,最终得到运动补偿图,用图像差分检测动目标。该算法由于引进了置信水平测量,达到了更精确的全局估计,减小了变化检测的背景补偿误差。但是,此算法在求运动矢量时用的是块匹配法,准确性不能保证,而且用帧差检测动目标,检测的结果缺少完整性。

顾樑[6]等提出的基于稀疏采样的局部补偿误差函数泰勒展开算法,它能快速寻找出背景运动的仿射模型参数,在寻找相邻两帧之间的对应点时,采用的是图像匹配算法。由于这个算法是通过对不同邻域内的运动矢量做聚类运算得到的最终目标定位,故对于不同的邻域或同一邻域内运动矢量差异较大的块,都将被视为不同的动目标。此方法易受光照、噪声、赖作镁[7],,然后,得到目标轮廓的初始分割,最后通过聚类和搜索填充算法分割出完整的目标。该算法能有效消除摄像机运动引起的背景运动,在摄像机运动的情况下得到完整的目标。此算法是在补偿后的前一帧和当前帧之间做光流,用光流的大小判定前景和背景,而光流易受光照和灰度等级变化的影响,在判断前景背景上容易出现问题,而且该算法计算复杂、运算时间长。

[8]

ThakoorN等人提出的动摄像机的自动目标识别与分类方法是用Lucas2Kanade[9]方法估计相邻两帧之间的光流,假设目标没有覆盖图像的每个角落,在这样的情况下,图像角上显著的运动就是摄像机的运动。模型的参数可以通过线性最小二乘解来估计。如果出现异常(孤立点),线性最小二乘估计的性能就会变坏,像丢失特征,缺少背景纹理或者目标占据了一个角,都将成为异常(孤立点)。为了处理异常(孤立点),通过迭代权重最小二乘就可以得到仿射运动模型的鲁棒估计。结合两个连续的偏移帧差,并假定偏移帧差是零均值高斯分布,用显著水平为5%的统计假设检验提取前景。该算法用的也是易受影响的光流法,在选取点的问题上,选取的是四个角上不容易出现目标的点区域来求解仿射模型参数。如果目标出现在角上,就会使参数不准确,运动补偿失败。

针对运动摄像机情况下运动补偿和目标检测中出现的难点,如对应点选取的准确性、异常点剔除以及帧差检测目标不完整等,本文提出了基于SIFT[10](ScaleInvariantFea2

tureTransform,简称SIFT)特征提取的运动补偿技术,利用SIFT算法提取出稳定特征点(每个特征点用一个特征

矢量表示)对图像的旋转、尺幅缩放、亮度变换等都保持不变。建立KD2TREE用欧氏距离作为相似度判决准则快速寻找相邻两幅图像中的匹配点。用RANSAC[11](RandomSampleConsensus,简称RANSAC)算法剔除选在目标上的特征对应点,然后利用运动历史图的方法检测出动目标。

2 基于SIFT特征匹配和运动历史图

的动目标检测

  整个检测算法主要包括SIFT特征点的提取与匹配、运动补偿及运动历史图(MotionHistoryImage)的动目标检测。首先提取输入帧图像的特征点,用欧氏距离作为相似度准则确定当前帧图像和前一帧图像中特征点的匹配点。采用RANSAC方法剔除计算仿射模型参数时选在目标上的点,以精确求得仿射模型的参数。然后,对前一帧图像作仿射变换,补偿摄像机运动产生的全局运动,用当前帧和补偿后的前一帧作差,求出动目标的帧差图。最后,再将帧差图作为输入,。检测算法的流程如图1所示。

图1 SIFT特征匹配算法的流程图

2.1 SIFT特征点提取与匹配

SIFT全称为尺度不变特征变换,其特征点的特征矢量

具有很强的鲁棒性。它是一种提取局部特征的算法,可以

把图像数据转化成尺度不变坐标的局部特征。

SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定的稳定性;独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;多量性,即使少数的几个物体也可以产生大量SIFT特征向量;高速性,经优化的SIFT匹配算法甚至可以达到实时的要求;可扩展性,可以很方便地与其他形式的特征向量进行联合。

SIFT主要算法步骤:检测尺度空间极值点;精确定位极值点;为每个关键点指定方向参数;关键点描述子的生成。

求出SIFT特征矢量后,采用欧氏距离判断两幅图像中关键点的相似性,在寻找两幅图像中最相似的两个对应点时,我们采用了KD2TREE的方式寻找。

2.2 全局运动补偿与目标检测

仿射模型是描述全局背景运动的最佳模型之一,它能够准确地描述运动摄像机背景运动的所有情况,包括平移、旋转和缩放等。仿射模型有诸多形式,考虑到计算模型参

68

上一页第2页

你可能喜欢

  • 运动目标检测
  • sift算法
  • 匹配算法
  • 高二英语目标检测
  • 遥感目标检测

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email