📄Работа №132695

Тема: Детектирование движущихся объектов на видеоизображении с одиночной камеры

📝
Тип работы Бакалаврская работа
📚
Предмет информатика
📄
Объем: 24 листов
📅
Год: 2016
👁️
Просмотров: 46
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.

📋 Содержание

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

📖 Введение

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.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании

✅ Заключение

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.
Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ

📕 Список литературы

[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

🖼 Скриншоты

🛒 Оформить заказ

Работу высылаем в течении 5 минут после оплаты.

©2026 Cервис помощи студентам в выполнении работ