یکشنبه 1 مهر 1397 | Sunday 23 rd of September 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
3-11- اکتشاف شی براساس حرکت و پیگردی در توالی‌های تصویر رنگی

یک الگوریتم برای اکتشاف اشیاء در یک توالی از تصاویر رنگی ارائه می شود.گام اول از الگوریتم براورد حرکت در سطح تصویر است. در عوض محاسبه جریان نوری، پیگردی نقاط منحصر، لبه‌ها یا ناحیه‌هارا بر روی یک توالی از تصاویر، حرکت دسته‌ها، ایجاد شده توسط گروهی از پیکسل‌ها دریک فضای خصوصیات موقعیت/ رنگ براورد می کند.

گام دوم یک تقطیع مبنی بر حرکت است، در جایی که خوشه‌های مجاور با مسیر‌های یکسان برای ساختن فرضیه‌های اشیاءترکیب می شوند. الگوریتم به طور مؤفقیت امیز در صحنه‌های تردد شامل اشیایی مانند ماشین‌ها، موتور سیکلت‌ها و پیاده‌ها تست شده است[15].

یک رهیافت متداول برای استخراج اشیاء متحرک از زمینه، تقطیع بر اساس حرکت تصویر است.

تغییرات فضایی و زمانی در اطلاعات تصویر برای براورد حرکت تصویر استفاده می شوند، که طرح ریزی حرکت سه بعدی در سطح تصویر است. در یک تقطیع حرکت بعدی، هر تصویر به قطعاتی متناظر با اشیایی با خاصیت‌های حرکت متفاوت تقسیم می شود. دو نیاز مهم برای این رهیافت وجود دارد: باید بر اورد‌های حرکت متراکم محاسبه شود و ناپیوستگی حرکت حفظ شود.

الگوریتم‌های بسیاری جریان نوری و بصری را براورد می کنند (فیلد سرعت در سطح تصویر) با محاسبه شیب فضایی و زمانی توزیع تراکم محلی. مسئله اصلی این است که جریان نوری نمی‌تواند به قابلیت اطمینان براورد شده در قسمت‌های تصویر با فزونی تقریباً یکنواخت باشند. برای غلبه بر این مسئله، یک اجبار همواری برای تصویر کامل معرفی می شود. اگر چه، خطاهای براورد بزرگ در ناپیوستگی‌ها در فیلد سرعت صحیح اتفاق می افتند. برای حفظ ناپیوستگی‌های حرکت، محدودیت‌ها می‌توانند برای ناحیه‌های تصویر به کار برده شوند، در جایی که یک فیلد سرعت پیوسته می تواند فرض شود.

دسته‌های دیگر تکنیک‌های براورد حرکت مبنی بر پیگردی خصوصیات تصویر بر روی یک توالی از تصاویر است. اگر چه، تراکم نقاط پیگرد شده یا لبه‌ها اغلب برای تقطیع مبنی بر حرکت مناسب نیست. علاوه بر این، ناپیوستگی در حرکت تصویر، که محتمل برای انطباق با خطوط لبه قطعات رنگی هستند، حفظ می شوند.

 هر تصویر در یک فضای خصوصیات دسته بندی می شود، با رنگ‌های(R,G,B) و موقعیت (x,y)‌ یک پیکسل. جزء بندی پایانی به طور کامل توصیف می شود، این طور که نمونه اصلی نامیده می شود، که مراکز خوشه‌ها در فضای خصوصیات رنگ / موقعیت هستند.

نخستین تصویر یک توالی با یک الگوریتم خوشه بندی تقسیم کننده قطعه قطعه می شود، که فقط نیاز دارد با عدد خوشه‌ها اغاز شود. در فریم‌های متوالی، نمونه‌های اصلی فریم قبلی در فضای خصوصیات با دسته بندی k-meansموازی برای تناسب اطلاعات تصویر جدید تغییر مکان داده می شوند. علاوه بر این، هیچ تطبیق اشکارخوشه‌های متناظر نیاز نمی باشد.در این همکاری و کمک، رهیافت را با افزایش یک فیلتر Kalman‌ توسعه می دهیم، که موقعیت هر نمونه اصلی را پیش بینی می کند.

یک بار حرکت تصویر تخمین زده می شود، در حالی که بیشترین رهیافت‌های تقطیع بر اساس حرکت تصویر انی هستند، متد پیشنهاد شده اطلاعات حرکت انبوه بر روی چندین فریم را استفاده می کند.

ان خوشه‌های مجاور را با مسیر‌های مشابه به فرضیه‌های اشیاء ترکیب می‌کند. از انجایی که به طور عمده اشیایی که به مشاهده کننده نزدیک هستند و نسبی به دوربین نزدیک می شوند، فقط ان خوشه‌هایی در نظر گرفته می شوند که یک تغیر مکان مهم در سطح تصویر را نشان می‌دهند.

  

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26