Download presentation
Presentation is loading. Please wait.
1
使用邊緣特徵改善CAMSHIFT的物件追蹤方法
指導教授：洪 國 寶 研 究 生：林 易 增
2
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
3
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
4
前言 物件追蹤的應用非常的實際而且廣泛。 從基本的圖形比對、安全監控，到行車輔助系統，甚至是更進階的無人駕駛載具或機器人應用。
5
前言 簡單的電腦視覺運作流程示意圖
6
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗
7
CAMSHIFT的架構 CAMSHIFT是Mean Shift的改良。 Mean Shift每次搜索的範圍是固定的。
8
CAMSHIFT的架構 CAMSHIFT的幾個主要步驟 ： 1.轉換成HSV色彩空間 2.Back Projection
3.Mean Shift 4.CAMSHIFT
9
CAMSHIFT的架構 1.轉換成HSV色彩空間
10
CAMSHIFT的架構 1.轉換成HSV色彩空間 取得色彩直方圖 左邊為選定的物件，右邊為左邊物件的色彩直方圖。
11
CAMSHIFT的架構 2.Back Projection
12
CAMSHIFT的架構 3.Mean Shift 計算中心點 旋轉的角度
13
CAMSHIFT的架構 4.CAMSHIFT 將新得到的搜尋視窗，當作第三步驟的初始搜尋視窗。如此重複的執行，就可以達到連續追蹤物件的效果。
14
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
15
CAMSHIFT的缺點 一、 背景過度複雜或是有類似顏色的時候效果會降低。 二、 物體本身就很複雜，導致辨識困難或誤判。
一、 背景過度複雜或是有類似顏色的時候效果會降低。 二、 物體本身就很複雜，導致辨識困難或誤判。 三、 一但物體因為某些原因脫離搜尋視窗，就沒有辦法再正確找到物體。
16
CAMSHIFT的缺點
17
CAMSHIFT的缺點
18
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
19
提取邊緣特徵 邊緣範例 過於抽象
20
提取邊緣特徵 一個優秀的特徵： 獨特性高 容易被匹配 對各種破壞（旋轉、縮放）具不變性
21
提取邊緣特徵 1.取邊緣 2.對邊緣圖做膨脹運算 3.將影像做分格處理 4.零檢查
5.PCA(Principal component analysis)
22
提取邊緣特徵 1.取邊緣特徵 2.對邊緣圖做膨脹運算 使用Canny邊緣檢測
在矩陣中若是外圍的P2到P9有一個像素的值是1，則將P1設為1。 使它獨特性高
23
提取邊緣特徵 左圖為Canny邊緣偵測所得的結果，右圖為左圖經過膨脹與侵蝕運算後得到的結果
24
提取邊緣特徵 3.將影像做分格處理 使它容易被匹配
25
提取邊緣特徵 4.零檢查 預先排除 可能性低的 地方
26
提取邊緣特徵 5.PCA 藉由主要的成分投影過後得到的資料，用來做比對的資料。 優點：降低資料的維度，保持資料的解釋度。
缺點：失去部分資料特性。
27
提取邊緣特徵 為什麼要做PCA?
28
提取邊緣特徵 簡單的降維方法 資料的解釋度不足 失去部分資料 特性 (2,3.5) (1,3) (1,0) (2,0)
29
提取邊緣特徵 5.PCA DATA = Cov(DATA) =
30
提取邊緣特徵 5.PCA Cov(DATA) (方陣) Eigenvalue ,Eigenvector
越大的Eigenvalue所對應的Eigenvector，表示是越能夠在新特徵空間中代表DATA組成的一組Eigenvector （主成份）。
31
提取邊緣特徵 5.PCA
32
提取邊緣特徵 5.PCA
33
提取邊緣特徵 PCA Eigenvalue ,Eigenvector 第一主成分約佔75.372％
34
Proj(DATA) =
35
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
36
加入邊緣特徵的新架構 先使用邊緣特徵對畫面搜索
37
加入邊緣特徵的新架構 再對部分的範圍做CAMSHIFT
38
加入邊緣特徵的新架構
39
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
40
實驗
41
實驗
42
實驗 實驗數據 方法 辨認Frame數 平均每張所需時間 未加入零檢查 20張 110.15ms 加入零檢查 96.85ms 方法
未使用PCA減少比對資料 20張 131.75ms 使用PCA減少比對資料 119.04ms
43
實驗 實驗數據 方法 Frame數 辨識成功 成功率 速度 CAMSHIFT 346張 296張 85.5% 17FPS
335張 96.8% 7.5FPS
44
實驗 影片 200907A0\good.mp4
45
大綱 前言 CAMSHIFT的架構 CAMSHIFT的缺點 提取邊緣特徵 加入邊緣特徵的新架構 實驗 未來研究
46
未來研究 一個優秀的特徵： 獨特性高 容易被匹配 對各種破壞具不變性 我們選進來的樣本是固定的
47
未來研究 更新樣本的方法 取得新的樣本 考慮大小 考慮角度
48
未來研究 困難處 物體移動所取得的邊緣特徵效果不好
49
Thanks for your attention!
Similar presentations
