搜档网
当前位置:搜档网 › 改进的高效Camshift跟踪算法

改进的高效Camshift跟踪算法

改进的高效Camshift跟踪算法
改进的高效Camshift跟踪算法

CamShift算法

o Camshift 算法 引言 大多数特征跟踪算法的执行都遵循下图所示的目标预测——特征检测——模板匹配——更新四个步骤的闭环结构。首先,以前一帧目标位置和一些运动模型为基础,预测当前帧中目标的可能位置。接着,候选区域的特征和初始特征相匹配,通过优化匹配准则来选择最好的匹配对象,其相应的目标区域即为目标在本帧的位置。算法设计的不同常常由于选择什么特征、预测如何进行、如何选择匹配准则等的不同而不同。许多对目标跟踪算法的完善也是从这三个方面寻找改善措施的 。 除了位置更新步骤,其余三个步骤一般在一个迭代中完成。目标预测步骤主要基于目标的运动模型,运动模型可以是很简单的等速平移运动,也可以是很复 杂的曲线运动。特征检测步骤是在目标区域通过相应的图像处理技术获得特征值,组合成待匹配模板。

d h 模板匹配步骤是选择最匹配的待匹配模板,它的所在区域即是目标在当前帧的位置区域。一般以对目标表象的变化所作的一些合理的假设为基础,—个常用的方法是候选特征与初始特征的互相关系数最小。 三个步骤不断往复。更新步骤常常有两种,一是指对初始模板(特征)的更新,这是因为在目标的运动中,它的姿态、环境的照度等会发生变化,因此模板更新有利于跟踪的继续进行;二是指位置的更新,当在当前帧中找到与目标模板最匹配的模板后,常把该模板的中心位置作为目标在当前帧中的位置,并用该位置对目标的初始位置进行更新,作为下一帧处理时的目标初始位置。 1,Camshift原理 CamShift利用目标的颜色直方图模型将图像转换为颜色概率分布图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,从而定位出当前图像中目标的中心位置。 2,目标表示(颜色概率分布图) (1) RGB颜色空间对光照亮度变化较为敏感,为了减少此变化对跟踪效果的影响,首先将图像从RGB空间转换到HSV空间。

全过程跟踪控制方案

全过程跟踪控制方案 第一章绪言部分 第一节项目造价咨询的难点要点分析 第二节投资控制方案编制依据 第二章造价咨询服务工作计划 第一节投资控制的目标计划 第二节预算编制的工作计划 第三节施工过程控制的工作计划 第四节结算审核的工作计划 第三章招标阶段造价咨询工作方案 第一节造价咨询的工作内容 第二节预算编制基本要求 第三节预算编制工作流程 第四节预算编制主要方法 第五节预算编制要点及注意事项 第四章施工阶段全过程投资跟踪控制方案 第一节造价咨询的工作内容 第二节施工阶段全过程投资控制流程 第三节施工阶段全过程投资控制内容 第四节投资跟踪控制总目标及主要节点目标 第五节全过程投资跟踪控制方案 第六节造价控制偏差分析方法及纠偏措施 第五章竣工结算审核工作方案 第一节造价咨询的工作内容 第二节结算审核工作要点 第三节结算审核工作流程 第四节结算审核主要方法

第五节结算审核风险与防范措施 第一章绪言部分 第一节项目造价咨询的难点要点分析建设项目工程造价全过程投资跟踪控制是在新形势下产生的一项新的投资管理方式,也是工程造价由事后控制向事前、事中、事后的全过程控制的转变。投资跟踪控制作为现代投资管理一种重要方式,已经在大中型建设项目实施过程中被普遍实用,并且取得了明显的社会效益和经济效益。 1.预算阶段难点、要点分析概预算编制有时时间紧、任务急、工程数量繁杂,难免多算、漏算、重复计算,这就要加强审核力度,提高概预算编制的准确性。 ①审核工程量、审核采用的定额单价、指标是否合适 a)根据设计图纸、设计说明、施工组织设计的要求审核工程量。 b)定额具有科学性、权威性、法令性,它的形式、内容任何人都必须严格执行。审核采用的定额名称、规格、计量单位、内容是否满足施工方法要求,套用定额不同,单价则不同。 c)定额包含内容是否与设计相符。如定额含筋率、混凝土标号等。 d)补充定额是否符合要求,计算是否正确。 ②审核材料价格对材料价格、运杂费进行审核,材料价格是否包括运杂费,材料运输 方法、 措施是否符合实际,做到既要满足工程要求,又要努力降低费用。 ③其他费用 a)取费标准是否符合工程性质; b)费率计算是否正确; c)计算基数是否符合规定; d)价差调整是否符合规定。 2.结算阶段难点、要点分析 ①工程合同的不完全性决定了工程价款的不确定性 与一般货物购销合同不同, 工程合同是一种典型的不完全性合约。由于工程 本身的专业性、复杂性以及建设工程的契约商品性质, 工程合同不可能对所有事件及其对策做出详尽可行的规定, 不可能对违约造成的损失事先就规定补偿和解决办法, 合同履行结果对于相关第三方是难以证实和无法直观地确定的。为弥补 合同的不完全性, 合同各方需要在初始合同中考虑合同再协商谈判、修正对策的 设计问题,即在合同中建立一种机制来弥补缺口。因此, 工程合同的两个主要特 征是合同规划上缺口的存在和一系列的程序和技术的出现。以GF1999-0201《建 设工程施工合同》和FIDIC 施工合同条件为例, 两者在合同机制设计上均对初始合同以及再谈判程序进行恰当的安排。主要表现为: a)合同价款体现为初始造价和追加造价,是不确定的或待定的。工程合同价款一般由清单费用、工程变更费用、价格调整和索赔费用四个部分组成, 其中只有清单费用是相对确定的, 而变更费用、价格调整和索赔费用在合同签订时是不确定的, 而在实施过程中通过再协商谈判而不断调整。 b)对合同实施过程中的现协商谈判的程序和规则进行了详尽规定,例如:对计量与支付、工程变更费用、价格调整和索赔费用等方面双方的权利义务、程序、期限的规定。 c)在合同履行机制上,引入第三方合同机制:工程监理制度,重视过程管理。 ②工程管理的现实矛盾蕴含着无序和混乱, 制约着工程结算 a)工程合同的不完全性要求规范化管理,价款的不确定性要求加强过程管理但由于长期计划经济体制下形成的管理方式、管理手段的制约, 当前我国的合同管理极不规

混合群智能优化算法研究及应用

混合群智能优化算法研究及应用 优化问题广泛地存在于科学研究和工程实践中。群智能优化算法是优化算法中最新的一个分支,也是最热门的发展方向。群智能优化算法是通过模拟自然界中生物间相互合作、共享信息等群体行为而建立起来的随机搜索算法,相较于经典优化算法具有结构简单、易于实现等优点。不同的群智能优化算法是模拟不同生物行为形成的,所以它们各具特点和适用场景。然而,单一的群智能优化算法均有其局限性,如搜索精度不够高、收敛速度慢、性能受参数影响较大和容易陷入局部最优等。将不同群智能优化算法有机结合,设计混合群智能优化算法是一种提高算法性能的有效方法,具有重要的研究意义。本文的主要研究内容及创新点包括以下几个方面:(1)针对单目标数值优 化问题提出了一种基于跟随蜂搜索的自适应粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在经典粒子群算法粒子飞行轨迹分析的基础上提出了一种自适 应的粒子群算法(Adapitve Particle Swarm Optimization,APSO), 提高了算法在求解单峰问题时的性能。然后提出了一种针对自适应粒子群算法的稳定性分析方法,基于该方法对APSO进行了稳定性分析,给出了能够保证算法稳定的参数取值条件。接着通过引入人工蜂群算法中的跟随蜂搜索,提高了算法的开拓性,并将APSO的稳定性条件拓展到了 F-APSO中。仿真实验表明F-APSO在求解单目标数值优化问题时在解的质量和时间消耗上都具有良好表现。将F-APSO用于解决矿山生产排程优化问题,与原有生产方案相比优化后的方案在不同铁

Camshift算法原理

Camshift原理 camshift利用目标的颜色直方图模型将图像转换为颜色概率分布图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,从而定位出当前图像中目标的中心位置。 分为三个部分: 1--色彩投影图(反向投影): (1).RGB颜色空间对光照亮度变化较为敏感,为了减少此变化对跟踪效果的影响,首先将图像从RGB空间转换到HSV空间。(2).然后对其中的H分量作直方图,在直方图中代表了不同H分量值出现的概率或者像素个数,就是说可以查找出H分量大小为h的概率或者像素个数,即得到了颜色概率查找表。(3).将图像中每个像素的值用其颜色出现的概率对替换,就得到了颜色概率分布图。这个过程就叫反向投影,颜色概率分布图是一个灰度图像。 2--meanshift meanshift算法是一种密度函数梯度估计的非参数方法,通过迭代寻优找到概率分布的极值来定位目标。 算法过程为: (1).在颜色概率分布图中选取搜索窗W (2).计算零阶距: 计算一阶距: 计算搜索窗的质心: (3).调整搜索窗大小 宽度为;长度为1.2s; (4).移动搜索窗的中心到质心,如果移动距离大于预设的固定阈值,则重复2)3)4),直到搜 索窗的中心与质心间的移动距离小于预设的固定阈值,或者循环运算的次数达到某一最大值,停止计算。关于meanshift的收敛性证明可以google相关文献。 3--camshift 将meanshift算法扩展到连续图像序列,就是camshift算法。它将视频的所有帧做meanshift 运算,并将上一帧的结果,即搜索窗的大小和中心,作为下一帧meanshift算法搜索窗的初始值。如此迭代下去,就可以实现对目标的跟踪。 算法过程为: (1).初始化搜索窗 (2).计算搜索窗的颜色概率分布(反向投影) (3).运行meanshift算法,获得搜索窗新的大小和位置。

近两年跟踪速度较快的算法

近两年跟踪速度较快的算法小结 近两年跟踪速度较快的算法有CN [1],KCF [2],STC [3],ODFS [4]等等,均足以满足现实场景中实时跟踪的应用。 各算法执行速度: 各算法的主要思想: CN 跟踪器是CSK [5]跟踪器的改进算法。它联合颜色特征(ColorName )和灰度特征来描述目标,在文献[1]作者通过大量的实验证明了Color Name 在视觉跟踪中的卓越性能,并且对ColorName 进行了PCA 降维,去除了ColorName 中的冗余信息,使得对目标的外观描述更加精确和鲁棒。在分类器的训练中,在CSK 算法的代价函数的基础上引入一个固定的权值β,使得分类器的训练和更新更加准确和鲁棒。CN 跟踪器对很多复杂的视频序列都有很好的跟踪结果,比如:光照变化,遮挡,非刚性形变,运动模糊,平面内旋转,出平面旋转和背景杂乱。CN 跟踪器也有不足的地方,比如:尺度变化,快速运动,出视角和低分辨率,等视频的跟踪效果不佳。 KCF 跟踪器是原CSK 跟踪器的作者对CSK 跟踪器的完善,这里简单介绍一下CSK 跟踪器的主要思想。CSK 跟踪器最大亮点就是提出了利用循环移位的方法进行稠密采样并结合FFT 快速的进行分类器的训练。稠密采样的采样方式能提取目标的所有信息,这对目标的跟踪至关重要。虽然CSK 的速度很快,但是CSK 只是简单的使用了灰度特征,对目标的外观描述能力显然不足。对此作者改进了CSK 提出了KCF ,从原来的单通道灰度特征换成了多通道Hog 特征。KCF 算法通过核函数对多通道的Hog 特征进行了融合,使得训练所得的分类器对待检测目标的解释力更强。KCF 跟踪器对光照变化,遮挡,非刚性形变,运动模糊,背景杂乱和旋转等视频均能跟踪良好,但对尺度变化,快速运动,刚性形变等视频跟踪效果不佳。 STC 跟踪器是一个简单快速而且鲁棒的算法,它利用稠密的空时场景模型来进行跟踪。在贝叶斯框架下,它利用目标和目标局部的稠密信息的空时关系来建模。置信图在被计算时考虑了上一帧目标的位置的先验信息,这有效的减轻了目标位置的模糊。STC 跟踪器使用了最简单的灰度特征,但是灰度并不能很好对外观进行描述。这里可以改进为其他比较好的特征(Colorname 或者Hog ),但是就会遇到多通道特征融合的问题。一般的Tracking-by-Detection 跟踪算法基本都不能实现尺度的变化,而STC 跟踪器就提出了一种有效的尺度变化方案,也是文章[3]中最大的亮点。这里简单介绍一下,通过连续两帧的目标最 佳位置t x *处的置信值()t m x *的比值来计算当前帧中目标的估计尺度 ()()()12' 1t t t s m x m x ** -=,为了不引入噪声和避免过度敏感的自适应引入连续n 帧的平均估 计尺度'1 1n t t i i s s n -==∑,最后通过滤波获得最终的目标估计尺度()11t t t s s s λλ+=-+。STC

mean shift及其改进算法图像跟踪原理和应用

mean shift及其改进算法图像跟踪原理和应用Mean Shift 简介 Mean Shift 这个概念最早是由Fukunaga等人[1]于1975年在一篇关于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束. 然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean Shift的重要文献才发表.在这篇重要的文献中,Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广,首先Yizong Cheng定义了一族核函数,使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同,其次Yizong Cheng还设定了一个权重系数,使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用范围.另外Yizong Cheng 指出了Mean Shift可能应用的领域,并给出了具体的例子. Comaniciu等人把Mean Shift成功的运用的特征空间的分析,在图

像平滑和图像分割中Mean Shift 都得到了很好的应用. Comaniciu 等在文章中证明了,Mean Shift 算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此Mean Shift 算法可以用来检测概率密度函数中存在的模态. Comaniciu 等人还把非刚体的跟踪问题近似为一个Mean Shift 最优化问题,使得跟踪可以实时的进行. 在后面的几节,本文将详细的说明Mean Shift 的基本思想及其扩展,其背后的物理含义,以及算法步骤,并给出理论证明.最后本文还将给出Mean Shift 在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应用. Mean Shift 的基本思想及其扩展 基本Mean Shift 给定d 维空间d R 中的n 个样本点i x ,i=1,…,n,在x 点的Mean Shift 向量的基本形式定义为: ()()1 i h h i x S M x x x k ∈≡ -∑ (1) 其中,h S 是一个半径为h 的高维球区域,满足以下关系的y 点的集合, ()() (){ } 2:T h S x y y x y x h ≡--≤ (2) k 表示在这n 个样本点i x 中,有k 个点落入h S 区域中.

在MFC对话框的控件中显示Opencv摄像头视频+Camshift跟踪算法实现

在MFC对话框的控件中显示Opencv摄像头视频+Camshift跟踪算法实现 2010-05-07 16:31 一般用opencv显示视频,都用cvNamedWindow新建窗口,并且在while循环中更新每一帧视频,由于窗口是opencv自己创建的,所以在VC中很难对其进行控制,出于这个目的,希望能将视频显示在VC能够控制的部件中。这里给出一个实例说明如何在MFC对话框的picture控件中显示摄像头视频。 主要步骤为: 1.建立对话框工程并设置对话框布局 注意对话框中间的是picture控件用于显示视频。 2.和console的程序一样,设置opencv库环境,加入opencv头文件,并定义所需要的变量。 3.关键的是这一步,定义CvvImage类型的变量m_CvvImage,这个类型的变量里有函数DrawToHDC能在MFC的控件中显示视频。 还有一个关键的一步是设置定时器timer,MFC中不用while循序来更新每帧视频,取而代之的是在定时器timer的响应函数中实现视频的更新,在本程序中每100毫秒进入一次定时器,定时器响应时间可以更改。 这里给出“打开摄像头”和定时器timer的响应函数。 01void COpencvUIDlgDlg::OnOpencamera() //打开摄像头按钮的响应函数

02{ 03// TODO: Add your control notification handler code here 04m_Video=cvCreateCameraCapture(-1);//打开摄像头 05 06if (!m_Video) 07return; 08 09SetTimer(1,100,NULL);//设置定时器 10} 11 12void COpencvUIDlgDlg::OnTimer(UINT nIDEvent) //定时器的响应函数 13{ 14// TODO: Add your message handler code here and/or call default 15// KillTimer(nIDEvent); 16m_Frame=cvQueryFrame(m_Video);//m_Frame是IplImage指针类型 17m_CvvImage.CopyOf(m_Frame,1);//m_CvvImage是CvvImage类型 18m_CvvImage.DrawToHDC(hDC,&rect); 19//将CvvImage显示在picture控件中,hDC是picture控件的句柄.rect是picture的区域. 20b_flagProcess=1; 21 22CDialog::OnTimer(nIDEvent); 23} 4.加入截图和保存视频功能。 本程序下载地址:https://www.sodocs.net/doc/3612024317.html,/source/1617588 --------------------------------------------------------------------------------------------------------------------------------- 可以对本程序进行二次开发,下面实现在上述程序的基础上实现Camshift跟踪算法。 Opencv中自带Camshift跟踪算法的实现(OpenCV\samples\c\camshiftdemo.c),不过是基于console的,在MFC中实现则不能用其本来的鼠标回调函数来定位目标,而要改用MFC的鼠标消息响应函数。 运行结果为:

轮式移动机器人航向跟踪预估控制算法

轮式移动机器人航向跟踪预估控制算法 龚建伟 黄文宇 陆际联 (北京理工大学机器人中心,北京 100081) 摘 要:本文提出了一种轮式移动机器人航向跟踪预估控制算法,航向预估量根据机器人前轮偏角和纵向速度实时得出,预估量与机器人实际航向之和作为控制反馈航向.仿真和实验时用PID 控制器和航向预估算法结合进行航向跟踪,结果表明该算法与常规PID 算法相比,对机器人纵向速度适应范围较宽,能有效地改善控制器的动态特性,表现出了较好的自适应能力. 关键词:轮式移动机器人;自主车;侧向控制;航向跟踪;预估控制 1 引言 Introduction 轮式移动机器人是一个具有大延迟、高度非线性的复杂系统,建立精确的数学模型十分困难,在进行航向跟踪控制时,参数的变化对系统模型影响较大,其中纵向速度的变化影响最为明显.轮式移动机器人航向跟踪一般控制方法是把期望航向与机器人实测航向之差作为控制器输入偏差,控制器输出控制量为机器人的前轮偏角.轮式移动机器人的航向与其纵向速度、横向速度、前轮偏角、机器人绕其重心的转动惯量、重心位置、前后轮侧偏系数以及实际道路情况等诸多因素有关,在常规控制方法中,只考虑了期望航向与实际航向的偏差,而未能包含其它因素的影响,因此难以达到满意的控制效果,当系统参数特别是某些敏感参数发生变化时,就必须重新设定控制器参数.例如,我们用常规PID 控制器进行航向跟踪实验,在某一纵向速度下整定好PID 控制参数,当纵向速度发生很小变化时,必须重新整定PID 参数,否则控制性能变坏,超调较大,甚至出现振荡.表现在路径跟踪实验中,则是在该速度下能较好地完成弯道或急弯等路径跟踪任务,而速度变化后,跟踪误差变大或出现大幅度振荡.因此,在轮式机器人航向跟踪控制中,控制方法应该能对纵向速度等影响因素有一定的自适应能力,航向跟踪预估控制方法就是在这一背景下提出的. 2 二自由度轮式移动机器人动力学模型 T wo Degrees of Freedom Dynamic Model for Wheeled Mobile Robot 当横向加速度和横摆角速度较小时,常采用经简化的二自由度轮式移动机器人动力学模型1,2,其微分方程如下: r f r f r f zz C aC v U bC aC r U C b C a r I 2) (2)(222=-+++ (1) f f r f r f s s C v U C C r U bC aC U M v M δ2)(2)(2=++??????-++ (2) 其中:I zz :轮式机器人绕重心的转动惯量(kgm 2); M s :轮式机器人质量(kg);C f 、C r :分别为前、后轮侧偏系数(N/rad);U :轮式机器人纵向速度(m/s);v :轮式机器人横向速度(m/s);a 、b :前后车轴到重心的距离(m);r :轮式移动机器人横摆角速度. 将轮式移动机器人转向机构视为一个惯性环节,则有: d f f δδδτ=+ (3) 其中:τ:惯性时间常数;δd :期望前轮偏角. 在航向跟踪控制过程中,可以令道路曲率为零,即不计实际路径的影响,航向变化率即为机器人的横摆角速度3,即: r =? (4) 其中:?为轮式移动机器人航向与期望航向的偏差角. (1)、(2)、(3)、(4)式联立即可得出以横摆角速度、横向速度、航向偏差角、前轮偏角即X=(r ,v ,?,δf )为状态变量的系统状态空间表达式. 3 航向预估算法原理 Heading Prediction Algorithm 在实际的航向控制过程中,控制器根据期望航向与采样航向得到航向偏差,再计算控制量,而当执行机构执行这一控制量时,要经过一个采样周期,这时机器人的实际航向已经改

图像处理算法5_目标跟踪及遮挡处理算法

基于粒子滤波算法的目标跟踪及遮挡处理算法 1.1引言 对运动目标物的跟踪也是视觉监控系统中的基础算法之一。目标跟踪的任务是通过对图像序列的处理,准确估计出感兴趣目标物在每个时刻的运动参数,包括位置、大小、速度、加速度以及运动轨迹等,为行为理解等更高层的任务打下基础。本章首先概述目标跟踪算法的基本步骤和难点,并对现有算法作分类简介;然后对实现鲁棒跟踪所必需的工具——在线贝叶斯估计算法作详细介绍;在此基础上详细论述本文使用的跟踪方法,该方法将已有的多种先进算法有机结合,使计算量显著降低,鲁棒性增强;最后对提出的算法进行总结和分析。 1.2 目标跟踪算法概述 目标跟踪算法主要由两个部分组成:(1)目标物表示;(2)运动状态估计。下面对它们分别介绍。 1.2.1目标物表示 目标物表示的核心在于特征的选择和提取,即用什么特征来描述和表示感兴趣目标物。一个好的目标物表示方法应该能够将被跟踪的目标物和背景中的物体以及其它物体区别开来,这正是目标物表示的难点所在。运动目标物所在的环境通常是很杂乱的,其中存在许多与目标物有相似特征的物体。例如:房间内的窗帘、家具等往往与人的皮肤颜色相近;当监控视野中存在多个行人的时候,跟踪器容易将目标行人与其他行人相混淆。下面介绍几种常用的特征。 1.2.1.1颜色特征 颜色是人类辨识物体的重要特征,也是视觉跟踪中最常用的特征之一。颜色特征通常是在一块区域中提取出来的,因此它具有对目标平面旋转、非刚性形变、远离或靠近镜头的尺度变化以及部分遮挡等情形较为鲁棒的优点。另外,由于图像直接由一个个像素的颜色值所表示,因此颜色特征还具有容易提取、计算简单的优点。 最常用的颜色特征是颜色直方图。Comaniciu等人提出了基于颜色直方图的跟踪算法[1][2]。在他们的方法中,颜色直方图受到了核函数的空间加权。这样区域内中心附近的像素对颜色直方图有更大的贡献,使跟踪更加精确,因为区域边

S T A P L E 目 标 跟 踪 算 法

计算机视觉中,究竟有哪些好用的目标跟踪算法(下) 在介绍SRDCF之前,先来分析下相关滤波有什么缺点。总体来说,相关滤波类方法对快速变形和快速运动情况的跟踪效果不好。 快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解,前面分析了相关滤波是模板类方法,如果目标快速变形,那基于HOG的梯度模板肯定就跟不上了,如果快速变色,那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关,固定学习率的线性加权更新,如果学习率太大,部分或短暂遮挡和任何检测不准确,模型就会学习到背景信息,积累到一定程度模型跟着背景私奔了,一去不复返。如果学习率太小,目标已经变形了而模板还是那个模板,就会变得不认识目标。(举个例子,多年不见的同学,你很可能就认不出了,而经常见面的同学,即使变化很大你也认识,因为常见的同学在你大脑里面的模型在持续更新,而多年不见就是很久不更新) 快速运动主要是边界效应(Boundary Effets),而且边界效应产生的错误样本会造成分类器判别力不够强,下面分训练阶段和检测阶段分别讨论。 训练阶段,合成样本降低了判别能力。如果不加余弦窗,那么移位样本是长这样的: 除了那个最原始样本,其他样本都是“合成”的,100*100的图像块,只有1-10000的样本是真实的,这样的样本集根本不能拿来训练。如果加了余弦窗,由于图像边缘像素值都是0,循环移位过程中只要目标保持完

整那这个样本就是合理的,只有目标中心接近边缘时,目标跨越边界的那些样本是错误的,这样虽不真实但合理的样本数量增加到了大约2-3(padding= 1),即使这样仍然有1-3(3000-10000)的样本是不合理的,这些样本会降低分类器的判别能力。再者,加余弦窗也不是“免费的”,余弦窗将图像块的边缘区域像素全部变成0,大量过滤掉分类器本来非常需要学习的背景信息,原本训练时判别器能看到的背景信息就非常有限,我们还加了个余弦窗挡住了背景,这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。不是上帝,是余弦窗)。 检测阶段,相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的,这就是说你训练了一个100*100的滤波器,那你也只能检测100*100的区域,如果打算通过加更大的padding来扩展检测区域,那样除了扩展了复杂度,并不会有什么好处。目标运动可能是目标自身移动,或摄像机移动,按照目标在检测区域的位置分四种情况来看: 1、如果目标在中心附近,检测准确且成功。 2、如果目标移动到了边界附近但还没有出边界,加了余弦窗以后,部分目标像素会被过滤掉,这时候就没法保证这里的响应是全局最大的,而且,这时候的检测样本和训练过程中的那些不合理样本很像,所以很可能会失败。 3、如果目标的一部分已经移出了这个区域,而我们还要加余弦窗,很可能就过滤掉了仅存的目标像素,检测失败。 4、如果整个目标已经位移出了这个区域,那肯定就检测失败了。

全过程跟踪控制方案

全过程跟踪控制方案目录 第一章绪言部分 第一节项目造价咨询的难点要点分析 第二节投资控制方案编制依据 第二章造价咨询服务工作计划 第一节投资控制的目标计划 第二节预算编制的工作计划 第三节施工过程控制的工作计划 第四节结算审核的工作计划 第三章招标阶段造价咨询工作方案 第一节造价咨询的工作内容 第二节预算编制基本要求 第三节预算编制工作流程 第四节预算编制主要方法 第五节预算编制要点及注意事项 第四章施工阶段全过程投资跟踪控制方案 第一节造价咨询的工作内容 第二节施工阶段全过程投资控制流程 第三节施工阶段全过程投资控制内容 第四节投资跟踪控制总目标及主要节点目标 第五节全过程投资跟踪控制方案 第六节造价控制偏差分析方法及纠偏措施 第五章竣工结算审核工作方案 第一节造价咨询的工作内容 第二节结算审核工作要点 第三节结算审核工作流程 第四节结算审核主要方法

第五节结算审核风险与防范措施 第一章绪言部分 第一节项目造价咨询的难点要点分析 建设项目工程造价全过程投资跟踪控制是在新形势下产生的一项新的投资管理方式,也是工程造价由事后控制向事前、事中、事后的全过程控制的转变。投资跟踪控制作为现代投资管理一种重要方式,已经在大中型建设项目实施过程中被普遍实用,并且取得了明显的社会效益和经济效益。 1.预算阶段难点、要点分析 概预算编制有时时间紧、任务急、工程数量繁杂,难免多算、漏算、重复计算,这就要加强审核力度,提高概预算编制的准确性。 ①审核工程量、审核采用的定额单价、指标是否合适 a)根据设计图纸、设计说明、施工组织设计的要求审核工程量。 b)定额具有科学性、权威性、法令性,它的形式、内容任何人都必须严格执行。审核采用的定额名称、规格、计量单位、内容是否满足施工方法要求,套用定额不同,单价则不同。 c)定额包含内容是否与设计相符。如定额含筋率、混凝土标号等。 d)补充定额是否符合要求,计算是否正确。 ②审核材料价格 对材料价格、运杂费进行审核,材料价格是否包括运杂费,材料运输方法、措施是否符合实际,做到既要满足工程要求,又要努力降低费用。 ③其他费用 a)取费标准是否符合工程性质; b)费率计算是否正确; c)计算基数是否符合规定; d)价差调整是否符合规定。 2.结算阶段难点、要点分析 ①工程合同的不完全性决定了工程价款的不确定性 与一般货物购销合同不同,工程合同是一种典型的不完全性合约。由于工程本身的专业性、复杂性以及建设工程的契约商品性质,工程合同不可能对所有事

基于光流的运动目标检测跟踪快速算法

邮局订阅号:82-946120元/年技术创新 软件时空 《PLC 技术应用200例》 您的论文得到两院院士关注 基于光流的运动目标检测跟踪快速算法 The Fast Algorithm Based on Optical Flow for Tracking Moving Targets (装甲兵工程学院) 关兴来谢晓竹 GUAN Xing-lai XIE Xiao-zhu 摘要:采用光流算法对运动目标进行识别跟踪,其优点是能够适应复杂的背景条件,并且能保证目标分割的完整性,但现有的按照光流矢量对目标进行跟踪的算法有明显的局限性:运算量过大,并且不适用与运动特征复杂的目标。对现有算法进行改进,采用均值平滑算法和基于光流绝对值的区域分割算法,可以有效解决这两个问题。关键词:光流;运动目标;图像分割中图分类号:TP391.4文献标识码:A Abstract:Using optical flow algorithm for identification and tracking moving targets,the advantage is the ability to adapt to the com -plex background conditions,and can ensure the integrity of the target partition,but the existing target tracking algorithm based on op -tical flow vector has obvious limitations:excessive operation,and does not apply and movement characteristics of complex targets.Im -provements to existing algorithms,using the pyramid optical flow-based smoothing algorithm and the absolute value of the region seg -mentation algorithm can effectively solve these two problems.Key word:Optical flow;Kinetic target;Image segmentation 文章编号:1008-0570(2012)10-0421-03 图像序列中的运动目标检测跟踪是指在图像序列中将前景运动区域从背景中提取出来。图像序列中检测运动目标,主要有图像差分法(帧间差分和背景差分)、光流场的方法、统计模型的方法、运动能量的方法、小波变换的方法等。其中,光流场的方法是利用运动物体随时间变化在图像中表现为速度场的特性,根据一定的约束条件估算出运动所对应的光流,然后根据光流矢量对图像中的目标进行检测,将目标从背景中分割出来。与其它方法相比它的优点是可以避免分割目标不完整的情况,因此得到越来越广泛的应用。 但现有的基于光流算法同样存在以下缺陷: 一是求稠密光流算法过于复杂。图像金字塔法的计算过程过于复杂,求出图像的金字塔的计算量非常大,而且对金字塔的每层图像均需要重新求其光流值。因此,这种经典的求稠密光流的方法运算时间过长,实时性较差。 二是不能适用于特征复杂的运动目标。例如:一个人在走路时,其身体各个部位的光流矢量值是不同的。对此类目标,如果仅仅根据光流矢量判断分割目标,很容易出现错误分割的情况。 1基于光流的运动目标跟踪原理 基于光流的运动目标的检测跟踪流程包括求取稀疏光流,求取稠密光流和目标的分割标识等几个步骤。 目前,最常用的计算运动目标稀疏光流的算法是H-S 算法,此理论的前提是:运动目标的灰度在很短的间隔时间内保持不变;给定邻域内的速度向量场变化是缓慢的。算法具体原理如下: 首先是建立基本的光流约束方程,求稀疏光流。令 为时刻t 图像点(x,y)的灰度,u(x,y)和v(x,y)表示图像点(x,y)的水平和垂直移动速度,则可建立光流方程: (1) 其中,Jx 、Jy 和Jt 分别表示图像中像素灰度沿X,Y,T 方向的梯度。 由于给定邻域内的速度向量场变化是缓慢的,可利用这个条件来建立下面两个光流约束方程,即: (2)(3) HS 算法是将这两个方程与光流方程结合,通过解最小化问题得出下面两个迭代公式: (4)(5) 上面公式(4)(5),就是H-S 法求光流的迭代公式,一般情况下,需要迭代20次以上,才能求出精度较高的光流值。 通过H-S 算法计算的光流仅仅是稀疏光流,为了将整个目标的完整轮廓描绘出来,需要计算出目标的稠密光流。求稠密光流可采用图像金字塔法:图像金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合。先使用金字塔上较低的分辨率图像来求其光流值,然后再逐步求较高分辨率的光流。在计算出稠密光流后,就可以将目标从背景中分割出来,实现对目标的检测和跟踪。 2对基于光流的目标跟踪算法的改 进 上面的算法存在计算复杂和无法跟踪复杂运动状态目标这两个缺陷,可通过对算法进行改进解决这两个问题。改进的思想是,不再将光流矢量做为分割目标的特征,而是将光流取绝对值,根据光流绝对值值的大小,按照基于区域分割的原理,设置相应的阈值,对运动目标进行分割,然后使用均值平滑算法,求出运 关兴来:工程师硕士研究生 421--

目标跟踪算法的分类

运动目标跟踪就是在一段序列图像中的每幅图像中实时地找到所感兴趣的运动目标(包括位置、速度及加速度等运动参数)。在运动目标跟踪问题的研究上,总体来说有两种思路: a)不依赖于先验知识,直接从图像序列中检测到运动目标,并进行目标识别,最终跟踪感兴趣的运动目标; b)依赖于目标的先验知识,首先为运动目标建模,然后在图像序列中实时找到相匹配的运动目标。 一、运动目标检测 对于不依赖先验知识的目标跟踪来讲,运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。 静态背景下运动检测就是摄像机在整个监视过程中不发生移动,只有被监视目标在摄像机视场内运动,这个过程只有目标相对于摄像机的运动;动态背景下运动检测就是摄像机在整个监视过程中发生了移动(如平动、旋转或多自由度运动),被监视目标在摄像机视场内也发生了运动,这个过程就产生了目标与摄像机之间复杂的相对运动。 1、静态背景 背景差分法 背景差分法是利用当前图像与背景图像的差分来检测运动区域的一种技术。它一般能够提供最完全的特征数据,但对于动态场景的变化,如天气、光照、背景扰动及背景物移入移出等特别敏感,运动目标的阴影也会影响检测结果的准确性及跟踪的精确性。其基本思想就是首先获得一个背景模型,然后将当前帧与背景模型相减,如果像素差值大于某一阈值,则判断此像素属于运动目标,否则属于背景图像。背景模型的建立与更新、阴影的去除等对跟踪结果的好坏至关重要。 帧间差分法 相邻帧间差分法是通过相邻两帧图像的差值计算,获得运动物体位置和形状等信息的运动目标检测方法。其对环境的适应性较强,特别是对于光照的变化适应性强,但由于运动目标上像素的纹理、灰度等信息比较相近,不能检测出完整的目标,只能得到运动目标的部分信息且对运动缓慢的物体不敏感,存在一定的局限性。贺贵明等人在相邻帧间差分法的基础上提出了对称差分法,通过对图像序列中每连续三帧图像进行对称差分,检测出目标的运动范围,同时利用上一帧分割出来的模板对检测出来的目标运动范围进行修正,能较好地检测出中间帧运动目标的形状轮廓。 光流法 在空间中,运动可以用运动场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。光流场反映了图像上每一点灰度的变化趋势,可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场,也是一种对真实运动场的近似估计。在比较理想的情况下,它能够检测独立运动的对象,不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可用于动态场景的情况。但是大多数光流方法的计算相当复杂,对硬件要求比较高,不适于实时处理,而且对噪声比较敏感,抗噪性差。 2、动态背景 由于存在着目标与摄像机之间复杂的相对运动,动态背景下运动目标检测要比静态背景下的运动目标检测复杂得多。通常情况下,摄像机的运动形式可以分为两种:a)摄像机的支架固定,但摄像机可以偏转、俯仰以及缩放; b)将摄像机装在某个移动的载体上。由于以上两种情况下的背景及前景图像都在做全局运动,要准确检测运动目标的首要任务是进行图像

基于改进Camshift算法的多目标自适应跟踪

70 第31卷 第12期 湖南科技学院学报 V ol.31 No.12 2010年12月 Journal of Hunan University of Science and Engineering Dec.2010 基于改进Camshift 算法的多目标自适应跟踪 曲巨宝 (武夷学院 数学与计算机系,福建 武夷山 354300) 摘 要:针对多目标跟踪中常因目标间遮挡、融合、分离等导致跟踪失败,提出了用动态背景建模技术和RGB 三通道色差法获取目标群组,然后利用Kalman 滤波器预测运动目标初始参量,再用改进的Camshift 算法逐步迭代逼近各个目标精确位置,实现了对多目标的自适应跟踪。经大量实验证明,本算法目标识别能力强,抗噪声性能好,跟踪速度快。 关键词:Camshift ;多目标跟踪;自适应;kalman 中图分类号:TP393 文献标识码:A 文章编号:1673-2219(2010)12-0070-03 运动目标的检测、跟踪是计算机视觉研究的重要内容,被广泛用于智能视觉监控、视频检索等领域。由于运动视频受光线、目标动态变化影响使目标检测和跟踪变得非常困难,尤其对多个运动目标进行同时跟踪,目标间发生遮挡、融合、分离导致跟踪变得异常艰难。文献 [1]提出了基于MeanShift 的多目标粒子滤波跟踪算法设计,但MeanShift 算法不但对抗遮挡能力比较差,而且不具有搜索窗自适应功能;文献[2] 提出用水平集法对多运动目标进行分割;文献[3] 提出用多个摄像机构建系统来处理多个运动目标相互遮挡的问题,但这种系统造价较高且算法复杂,实时性差;本文在研究了多运动目标的颜色特征、运动规律后,使用背景差分法建立动态背景模型,将当前帧同背景帧做差分获得运动目标,通过Kalman 滤波方法对各目标在下一帧的初始位置进行预测后,再调用Camshift 逐次逼近各个目标的精确位置,经实际应用取得了较好的效果。 1 动态背景模型 利用背景差分法建立动态背景模型,以帧间差分法为基础,通过当前帧帧差分的二值图像找到运动区域,对运动区域内的背景保持不变,而非运动区域的背景则用当前帧进行更新,经过一定次数的迭代便可提取出背景。其步骤如下: (1)将序列图像的第一帧图像I 0作为初始背景图像。 (2)计算当前帧k 的帧间差分二值图像BW k : ???? ?≤?=?otherwise I I BW k k k k 1 ||01τ (1) 其中,I k , I k-1分别为当前帧和上一帧图像,k τ是判断第k 帧是否有变化的阀值(实验中取25) (3)利用二值图像BW k 更新背景B k : ???????+?==?otherwise B I BW if B B k k k k k 1)1(1αα (2) 其中α为更新系数,取0.2 (4)k=k+1返回到步骤(3),进行迭代,经过一定次数的迭代后停止迭代,并将此时的Bk 作为背景图像B0 收稿日期:2010-09-20 资助项目:福建省教育厅科技项目(JA09240)、武夷学院智能计算网格科研团队(2009) 作者简介:曲巨宝(1963-),男,吉林乾安人,副教授,硕士,研究方向为计算机视觉、图形图像、人工智能。

焊缝跟踪的实时跟踪控制算法

焊缝跟踪的控制算法 (一)理论模型 虚线 Y( t )为焊炬的跟踪调节曲线, 可视作系统执行机构的输出量,即 : ()()t Y t S t dt =? 传感器在焊缝坡口 B 点的偏移量e1(t )实际上是 R ( t )曲线上B 点相对于 Y( t )上 A 点的偏差量,即 1()()()()()t e t R t Y t R t S t dt τ τ-=--=-? 设焊接速度V ( mm/ s),则焊接点 A 滞后检测点B 时间为:V λ τ= (s ) 再设()S τ是焊炬从t τ-时刻到t 时刻的调节量,即: ()()t t S S t dt τ τ-=? 则焊炬行走 时间后与坡口中心的实际误差应为: ()1()()1()()t t e t e t S e t S t dt τ τ-=-=-? 理论上 ,只要知道机械系统的传递函数, ()S τS 便可 知道 ,但实际系统 的传输 函数 往往很难准确得到,因此△S 直接求解比较困难 焊接起始点 实际焊缝的坡口中心曲线 焊枪的跟踪曲线

(二)由模型得出的简易控制算法 实际的焊缝跟踪过程中,视觉系统提供的位置偏差是经过传感器经过一帧一帧的图像采 集后,再经过一系列的图像处理,最终得出位置偏差信息提供给控制器。因此,需做以下设定: (1) 位置请求指令发送时间间隔和执行机构调整时间间隔同步; (2) 在每次位置请求时,在上一调整周期内焊枪已完成所需的调整量; (3) λ为采样间隔点的整数倍。 设O 点为初始参考点,O 0为焊枪开始纠正起始点,从O 点到O 0点,视觉传感器只做图像采集,焊枪并不进行跟踪,这一段距离属于“盲区”。i e 为每次识别的坡口中心点与初始参考点之间的差值,i m 为每一步的焊枪实际跟踪量。 系统焊枪实时跟踪量m i 的算法为: 1 () i i i a i i a m e m ---=-∑ ( i=a ,a+1, ···,n ) 焊接方向

相关主题