Spårning (datorgrafik)
Spårning är bestämning av platsen för ett rörligt objekt (flera objekt) i tiden med hjälp av en kamera. Algoritmen analyserar videobilder och matar ut positionen för rörliga mål i förhållande till bilden.
Huvudproblemet vid spårning är att matcha positionerna för målobjektet i en sekvens av bildrutor, särskilt om objektet rör sig snabbt i förhållande till bildhastigheten . Således använder spårningssystem vanligtvis en rörelsemodell som beskriver hur bilden av målobjektet kan förändras med alla möjliga olika rörelser.
Exempel på sådana enkla rörelsemönster är:
- spårning av platta objekt, rörelsemodell - 2D-transformation ( affin transformation eller homografi) av en bild av ett objekt (till exempel den ursprungliga ramen)
- när målet är ett stelt 3D-objekt, bestämmer rörelsemodellen vyn baserat på dess position i rymden och orientering
- för videokomprimering är nyckelbilder (nyckelbilder) uppdelade i makroblock (makroblock). Rörelsemodellen är en nyckelbildsbrytning, där varje makroblock transformeras med hjälp av en rörelsevektor som erhålls från rörelseparametrarna
- bilden av ett deformerbart föremål kan täckas med ett nät (mesh), objektets rörelse ges av positionen för detta näts hörn
Huvuduppgiften för spårningsalgoritmen är en sekventiell analys av videoramar för att uppskatta rörelseparametrar. Dessa parametrar karakteriserar målobjektets position.
Grundläggande algoritmer [1]
Systemet för visuell observation (spårning) består av två huvuddelar:
- Representation och lokalisering av målobjektet ( Målrepresentation och lokalisering )
- Filtering and Data Association ( Filtering and Data Association )
Att representera och lokalisera ett målobjekt är för det mesta en nedifrån-och-upp-process, d.v.s. sekventiellt och dess efterföljande steg påverkar inte de föregående. Vanligtvis är beräkningskomplexiteten för dessa algoritmer ganska liten. Här är några standardalgoritmer för målobjektrepresentation och lokalisering :
- Blob-spårning : Segmentering av det inre av ett objekt (till exempel blobbdetektering, blockbaserad korrelation eller optiskt flöde)
- Kärnbaserad spårning (Mean-shift tracking): En iterativ lokaliseringsprocedur baserad på maximering av likhetskriteriet (Bhattacharyya-koefficient).
- Konturspårning : Hitta gränsen för ett objekt (t.ex. aktiva konturer eller kondensationsalgoritm)
- Visuell funktionsmatchning : Bildregistrering
- Punktfunktionsspårning [2] : Problemet är formulerat enligt följande - givet en sekvens av bilder av någon scen, erhållna från en rörlig eller stillastående kamera. Det är nödvändigt att erhålla en uppsättning så exakta som möjligt sekvenser av projektionskoordinater för vissa punkter i scenen i varje bildruta.
Filtrering och kombination av data är mestadels en uppifrån-och-ned-process som innebär att man kombinerar a priori information om scenen eller objektet, relaterad till objektets dynamik, och beräknar olika hypoteser. Beräkningskomplexiteten för dessa algoritmer är vanligtvis mycket högre. Här är några standardfiltreringsalgoritmer [ 3] :
- Kalman-filter : optimalt rekursivt (bayesiskt filter) för linjära funktioner utsatta för gaussiskt brus.
- Partikelfilter : användbart för provtagning av det underliggande tillståndsutrymmet för fördelningen av icke-linjära och icke-Gaussiska processer.
Se även
Anteckningar
- ↑ Alper Yilmaz, Omar Javed och Mubarak Shah, "Object Tracking: A Survey", ACM Journal of Computing Surveys, dec 2006.
- ↑ CGM-artikel "Spårning av punktfunktioner" (död länk) . Hämtad 17 maj 2010. Arkiverad från originalet 23 maj 2012. (obestämd)
- ↑ M. Arulampalam, S. Maskell, N. Gordon och T. Clapp, "En handledning om partikelfilter för online-linjär/icke-Gaussian Bayesian Tracking", IEEE Trans. på Signal Processing, Vol. 50, nej. 2 februari 2002.
Länkar