注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

dp: 生活的脚步,进步的点滴...

Cam、DSP、FPGA、PM、Life、More ...

 
 
 

日志

 
 

视频跟踪处理流程  

2014-05-14 23:41:48|  分类: 专业 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

梳理一下目前对视频跟踪的些许了解。

视频跟踪一般的方法是:在第一帧中用矩形框圈定目标 object,比如一个行人。在第二帧中,在不同的位置选择大小不同的矩形框,跟第一帧中框内的 object 比较,如果第二帧中哪个框中的内容跟第一帧框中的内容最相似,那么就选这个框中的内容为第二帧中跟踪到的 object。然后开始第三帧,以此类推。

这里面涉及两个问题:

  1. 第二帧中怎么选择框?由于框的大小和位置都可以遍,如果用穷举法,那么几乎是无穷多个,这样效率就太低了。一般的做法是,在上一帧得到的 object附近洒粒子(如用高斯分布采样),以每个粒子为中心画框,大小可以不变,也可以根据高斯分布采样确定。这样就比穷举法要有效的多。这里的概念就是 proposal,提议分布。
  2. 怎么确定某一帧中的某一框与第一帧中object 的相似度?这就是要确定要使用的外观模型了。一般可以用颜色的 HSV 直方图,然后通过巴氏距离确定相似度。

视频跟踪,本质上可以建模为 HMM。State 为 object 在某一帧中的位置;Observation 为颜色直方图;状态转移矩阵为上一帧中的 object 位置到这一帧中各位置的概率,即 proposal;发射概率即该位置产生这个颜色直方图的概率,即 likelihood。

在 HMM 上应用贝叶斯框架,视频跟踪问题就可以表示为:

这里编辑公式不方便,简单介绍一下上述公式的四项:

x 为 state,即这一帧(t+1时刻)中 object 在这个位置 x;y 为 observation,即观察到的这个 x 对应的框中的颜色直方图;第一项就是贝叶斯框架中的后验概率。

第二项是 HMM 中的发射概率,在贝叶斯中叫做 likelihood。

第三项是 HMM 中的转移概率矩阵,在贝叶斯中叫做 prior,先验概率。

第四项是上一帧(t时刻)的后验概率。

学过 HMM 的同学应该对这样的式子很熟悉。

注意到,这里面有积分,实际在用时是很难 analytically work out 的(当满足某些条件时,可以用卡尔曼滤波解决)。所以,视频跟踪领域中,基本上都是采用采样的方法来做。

关于采样,这是一个很大的话题,我前面作文介绍过。一般都是采用基于粒子滤波的方法,比较新的是使用基于粒子滤波的 MCMC 方法。粒子滤波和 MCMC 耗费了不少精力才弄懂,以后应该会专门作文介绍。

视频跟踪大概就是这么回事,具体的方法和例子,以后再介绍。

近年这个领域发表的论文,主要是解决视频跟踪中目标的运动和外观突变的问题。

这个领域值得关注的有K.M.Lee,M.H.Yang等。比较新的方法有incremental learning, sparse representation,patch,grid 等。

  评论这张
 
阅读(369)| 评论(0)
推荐

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2016