Содержание 2
Введение 3
Постановка задачи 5
Глава 1. Обзор метода 6
1.1. Вычисление действительного оптического потока 6
1.2. Вычисление искусственного оптического потока 8
1.3. Идентификация динамических точек и их фильтрация 9
Глава 2. Реализация 13
2.1. Выбор инструмента 13
2.2. Модификация алгоритма 14
2.3. Иллюстрация применения 19
Выводы 21
Заключение 22
Список литературы 23
Детектирование движущихся объектов стало важной частью решения множества прикладных задач в различных сферах. Примером может служить задача слежения за техническим состоянием и функционированием объектов, наблюдением за потоком движения транспорта. Беспилотные летательные аппараты вместе с методами детектирования движущихся объектов могут широко применять в военных целях. Причины очевидны - получение информации о противнике без риска человеческих потерь. Существует ещё большое количество задач и сфер применений летательных аппаратов и алгоритмов детектирования объектов.
В данной работе рассматривается метод определения движущихся объектов и направления их движения на видеоизображении с подвижной камеры. Существует несколько подходов для детектирования объектов: методы, исключающие фон, методы наблюдения за особыми точками, методы формирования фона, модели с автоматическим перемещением. Алгоритмы, использующие стационарные камеры для съёмки, используют подход отделения динамических объектов на кадре от фона кадра. На основе статических точек, не меняющих своего положения на изображении, можно определить движущиеся контуры.
Адаптивные фоновые модели применяются из-за их возможности распознавать изменения на кадрах, которые вызваны изменением освещения в сценах вне помещения или изменением фона из-за движения камеры. Однако эти методы не эффективны при быстром изменении сцены и обычно работают некорректно.
Рассмотрим алгоритм, который основан на алгоритме, предложенным в работе Rodriguez-Canosa G. R., Thomas S., Cerro J. и др. [1] и позволяет определить движущиеся объекты на видеоизображении в реальном режиме времени.
В работе произведен анализ алгоритма детектирования движущихся объектов с одиночной камеры [1] и осуществлена его реализация в среде MATLAB. Предложена модификация алгоритма, состоящая в использовании итеративного алгоритма Лукаса-Канаде вместо пирамидального и алгоритма MLESAC вместо алгоритма PTAM. Проведено сравнение результатов работы исходного и модифицированного алгоритмов.
[1] Rodriguez-Canosa G. R., Thomas S., Cerro J. et al. A real-time method to detect and track moving objects (DATMO) from unmanned aerial vehicles (UAVs) using a single camera // Remote Sensing. 2012. No 4. P. 1090-1111.
[2] Bouguet J.Y. Pyramidal implementation of the Lucas-Kanade feature tracker. Description of the algorithm; Technical report; Intel Corporation Microprocessor Research Lab: Santa Clara, CA, USA, 1999. http://robots. stanford.edu/cs223b04/algo_tracking.pdf
[3] Klein G., Murray D. Parallel tracking and mapping for small AR workspaces // Proceedings of 6th IEEE and ACM International Symposium on Mixed and Augmented Reality. 2007. P. 225-234.
[4] OpenCV Library http://opencv.org/
[5] Computer Vision System Toolbox http://www.mathworks.com/products/ computer-vision/
[6] Bay, H., A. Ess, T. Tuytelaars, and L. Van Gool. SURF:Speeded Up Robust Features. // Computer Vision and Image Understanding (CVIU). 2008. Vol 110. No 3. P. 346--359.
[7] Lowe, David G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. Vol 60. No 2. P. 91--110.
[8] Torr P. H. S., Zisserman A. MLESAC: a new robust estimator with application to estimating image geometry // Computer Vision and Image Understanding. 2000. No 78. P. 138-156.
[9] Vision Blobanalysis Class http://www.mathworks.com/help/vision/ref/vision.blobanalysis-class.html