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

数的复杂性以及实际场景的要求,采用了仿射模型的一种六参数的简化形式。它既能准确地描述背景运动状况,又降低了运算的复杂度。

六参数的仿射模型如下:

f

动摄像机下基于SIFT特征匹配和MHI的目标检测

xft=

11

a0ft-+a1ft-+

动摄像机下基于SIFT特征匹配和MHI的目标检测

a2xy11

a3ft-+a4ft-+axy

(1)

其中,ftx表示在t时刻的图像帧的x坐标,fty表示在t时

刻的图像帧的y坐标;(a0,a1,a3,a4)表示图像的旋转和缩放,(a2,a5)表示图像的平移。

在前面的特征提取中,提取的特征点一部分在目标上,另一部分在背景上。相对于背景,目标比较小,提取的特征点相对也比较少,但仿射模型是模拟背景的运动,所以不能用目标上的匹配特征点,即使这些点是少量的也会影响到仿射模型参数求解的准确性。因此,在求仿射模型参数过程中需要用RANSAC的方法剔除异常点(目标上的匹配特征点)逼近理想的仿射模型参数。

帧差掩模M(x,y)计算如下:

M(x,y)=

0,|ft(x,y)-f′t(x,y)|<Th1,|ft(x,y)-f′t(x,y)|≥Th

(2)

(x,y)=F(ft-(x,y)),F( )表示仿射变换;Th其中,ft′

为检测前景目标的帧差阈值。

2.3 运动历史图(MHI)生成及目标检测

帧差中,选择帧间的时间间隔是一个棘手的问题。它依赖动目标的大小和速度。而且,背景差、只告诉我们运动在哪里,,MHI,x)=1

MHIδ(x,y)=MHδ(x,y),ifMHIδ(x,y)<τ-δ

0,otherswise

(3)

τ是当前系统时间,δ表示运动历史图所能表示的时其中,间片段。

运动历史图的梯度Orient(x,y)的计算如下:

(4)Orient(x,y)=arctan(Dy(x,y)/Dx(x,y))

其中,Dx(x,y)表示x方向的差分,Dy(x,y)表示y方向的差分。

对历史图的梯度图进行运动分割,计算每个分割区域的运动方向,在选择的区域内计算整个运动方向,并且返回0到360之间的角度值。首先创建运动直方图,寻找基本方向作为直方图最大值的坐标。然后计算与基本方向的相对偏移量,作为所有方向向量的加权和,越靠近当前系统时间,权重越大。得到的角度是偏移量之和。

在SIFT特征提取中,生成关键点描述子时,以关键点为中心取16×16的窗口,在4×4的小块上计算8个方向的梯度方向直方图,绘制梯度方向的累加值,形成一个种子点。这样每个关键点就有4×4共16个种子点,每个种子点有8个方向的信息,每个特征点的特征矢量也就是128维的。生成运动掩模的阈值Th为15。生成运动历史图时,运动历史图所能表示的最大持续时间δ是由处理每一帧所需要的时间和在运动历史图上显示的最近若干帧的运动信息的帧数确定。鉴于基于SIFT特征匹配算法的运算时间和在运动历史图上显示十几帧动目标的运动信息,设定δ为10s。

本文提出的基于SIFT特征匹配的算法和具有代表性的ThakoorN[8]等人提出的基于光流法目标检测进行对比。ThakoorN算法在四个角上距离边缘为10pixel的区域选择了20×20区域共1600个点用来求解仿射变换模型参数,采用Lucas2Kanade算法求解光流。

实验图2、图3和图4显示了两种算法在室内、室外环境下人和车辆的比较结果,其中基于SIFT特征匹配的MHI中的箭头表示动目标的运动方向。结果表明,Thak2oorN

动摄像机下基于SIFT特征匹配和MHI的目标检测

。这是因为光流法受限制比较多,,还受灰度等级的、颜色均匀一致区域。,得出的仿射模,在室内箱柜隔板等杂物比较多,室外高楼、,棱角比较多,实验的结果噪声必然会很大。而我们采用的SIFT算法非常适应复杂环境,在复杂环境下,提取环境中的不变特征点就会更多,目标上的特征点相对就越少,用RANSAC算法剔除异常点,获得的仿射模型参数就更准确,在实验中出现的噪声就更少。基于光流的简单帧差法只给出了运动区域,而基于SIFT特征匹配的运动历史图不但给出了运动区域,而且还给出了运动方向的信息。

3 实验结果及分析

本文采用运动摄像机拍摄的分辨率为576×720的室内和室外场景中人和车辆的视频来检验算法的效果。为了减小每帧处理时间,实际处理时将图像转化为240×320来处理。在VC2003.NET下,利用IntelOpenCv在Pe2tium4IV2.8G,内存为512MB的PC机上实现实验算法。

图2 室内环境下行人检测结果

在处理耗时方面,基于SIFT特征点匹配的算法耗时

比较大,平均耗时约为0.55s;基于光流的算法耗时比较小,约为0.2s。这是因为基于SIFT特征匹配的算法提取稳定的特征点过程复杂,费时比较大。本算法的优点在于利用稳定的SIFT特征点进行匹配,并且用RANSAC方法

69

上一页第3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