Chương 1 trình bày tổng quan về một số kỹ thuật giúp phát hiện và theo vết đối tượng chuyển động, là bước đầu tiên cho việc xác định vận tốc của đối tượng. Chương này cũng giới thiệu cách thức tính vận tốc của đối tượng chuyển động trong một video hoặc hình ảnh thu về từ một camera. Phát hiện và theo vết đối tượng 1. Phát hiện đối tượng chuyển động trong Video Việc phát hiện các đối tượng chuyển động trong video là bước đầu tiên trong hệ thống xác định vận tốc của các đối tượng.
Khi tìm kiếm thấy các đối tượng chuyển động mới bắt đầu chuyển sang bước xử lý khác. Thực tế thì các Video thu được từ camera có rất nhiều nhiễu, chẳng hạn như sự thay đổi của ánh sáng, sự thay đổi của thời tiết, lá rung… Việc phát hiện đối tượng chuyển động gặp vấn đề khó khăn để xử lý một cách chính xác.Các công nghệ thường xuyên được sử dụng để phát hiện đối tượng chuyển động là phép trừ nền, các phương pháp tĩnh, sự khác biệt về thời gian và optical flow.1: Lược đồ chung cho các thuật toán xử lý đối tượng chuyển động 4 luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep 1. Phép trừ nền Để có thể theo dõi được các đối tượng, những mô tả đặc điểm của đối tượng là rất quan trọng. Những đặc điểm của đối tượng sẽ được mô tả thông qua các thống kê phân bố của vùng quan sát được chia thành foreground (FG) hoặc background (BG).
Mô hình trộn Gaussian được sử dụng rộng rãi để mô tả vùng quan sát và là một phần không thể thiếu của các thuật toán nhận dạng, theo dõi trong CV. Mô hình trộn Gaussian với m thành phần được mô tả như là tổng của m phân bố xác suất Gaussian: (1.1) Trong đó, µi và δi lần lượt là kỳ vọng và phương sai của thành phần thứ i, I là ma trận đơn vị và πi là trọng số của thành phần thứ i sao cho =1 Bằng cách sử dụng thuật toán Estimation-Maximization (EM) ta có thể ước lượng được tham số cho mô hình. Việc tách foregound ra khỏi background là bước đầu tiên, đóng vai trò quyết định đến độ chính xác của hầu hết các hệ thống CV hiện nay. FG có thể hiểu là miền chuyển động, còn BG có thể hiểu là miền tĩnh trong vùng quan sát.
Thuật toán Adaptive background mixture models for real-time tracking được sử dụng rất phổ biến để tách FG vì có độ chính xác và tốc độ cao. Thuật toán có khả năng thích nghi cao với sự thay đổi của môi trường. Phần này viết dựa trên bài báo “Adaptive background mixture models for real-time tracking” của Chris Stauffer và W. Phương pháp truyền thống để tách FG là lấy trung bình các bức ảnh trong một khoảng thời gian để xấp xỉ BG.
Phương pháp này khá hiệu quả nếu các đối tượng chuyển động liên tục và BG xuất hiện trong một khoảng thời gian đáng kể. Nó sẽ không còn hiệu quả nếu có nhiều đối tượng chuyển động và đặc biệt là khi chúng chuyển động chậm. Sự thay đổi ánh sáng của môi trường cũng gây ra rất nhiều vấn đề cho các phương pháp tách FG. Thay vì chỉ ra mô hình cụ thể cho tất cả các giá trị của các điểm ảnh đều có một phân bố xác xuất xác định, chúng ta xây dụng mô hình 5 luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep mô tả các giá trị của các điểm ảnh như là một mô hình trộn Gaussian.
Dựa trên sự ổn định và sự biến đổi của mỗi thành phần (Gaussian) của mô hình trộn, chúng ta sẽ chỉ ra thành phần nào tương ứng với màu sắc của BG. Giá trị của điểm ảnh nào không phù hợp với phân bố của BG sẽ được coi là FG. Hệ thống này rất hiệu quả trong điều kiện ánh sáng thay đổi, các chuyển động lặp lại, các đối tượng chuyển động chậm, và việc đưa vào hay loại đi các đối tượng trong vùng quan sát. Phương pháp này có hai tham số quan trọng là: α - hằng số học (learning constant) và T- xác suất nhỏ nhất mà BG xuất hiện trong miền quan sát.
Không cần thay đổi các tham số này hệ thống làm việc hiệu quả cả trong nhà lẫn ngoài trời. Trong phương pháp này ta coi giá trị của một điểm ảnh cụ thể biến đổi theo thời gian như là một quy trình điểm ảnh. Một quy trình điểm ảnh là một chuỗi thời gian của các giá trị điểm ảnh, ví dụ giá trị thực cho ảnh xám và vector cho ảnh màu. Các giá trị của một điểm ảnh cụ thể cho đến thời điểm t bất kỳ được biểu diễn như sau: {X1, X2, …, Xt} = {I (x0, y0, i) : 1 ≤ i ≤ t} (1.2) Trong đó I là một chuỗi các ảnh.
{X1, X2, …, Xt} - recent history của mỗi điểm ảnh được mô tả bởi K phân bốGaussian Mixture. Xác suất của quan sát giá trị điểm ảnh hiện tại là: p(Xt) = ∑ i = 1 i , t ω η( X t , μ i , t , ∑ i , t ) K (1.3) Trong đó, K là số phân bố, ωi,t là trọng số của thành phần Gaussian thứ I trong mô hình tại thời điểm t ( hay nói cách khác nó là xác suất để Xt có phân bố η( X t , μ i , t , ∑ i , t ) , µi,t là giá trị trung bình của thành phần Gaussian thứ I trong mô hình tại thời điểm t, ∑ i , t là ma trận hiệp phương sai của thành phần Gaussian thứ I trong mô hình tại thời điểm t, và η là hàm mật độ xác suất Gaussian: = (1.4) K được xác định tùy thuộc vào dung lượng bộ nhớ hiện có và sức mạnh tính 6 luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep do an to nghiep docx 123docz luan van hay luan van tot nghiep toán của hệ thống, thông thường K từ 3 cho đến 5. Cũng vì lý do tính toán, ma trận hiệp phương sai ∑ i , t giả thiết có dạng: ∑ i , t = σ2 I (1.5) k Với giả thiết này thì các giá trị điểm ảnh red, green, và blue điểm ảnh được coi là độc lập và có cùng phương sai. Mặc dù trong thực tế điều này không chính xác lắm nhưng để tránh phức tạp trong việc tính ma trận nghịch đảo ta chấp nhận giả thiết này.
Bởi vì mọi điểm ảnh trong ảnh đều được mô tả bởi một mô hình trộn Gaussian, nên việc cài đặt thuật toán Expectation-Maximization (EM) trên một vùng dữ liệu gần đây sẽ có độ phức tạp tính toán cao. Thay vào đó, ta sẽ cài đặt thuật toán on-line K means approximation. Mỗi giá trị điểm ảnh mới sẽ được kiểm tra lại với K phân bố Gaussian, cho đến khi tìm được phân bố phù hợp. Một giá trị điểm ảnh được gọi là phù hợp với một phân bố Gaussian nếu giá trị đó không vượt quá 2.5 lần độ lệch tiêu chuẩn của phân bố đó.
Nếu giá trị điểm ảnh không phù hợp với bất kỳ phân bố nào của mô hình mixture thì phân bố kém phù hợp nhất được thay thế bằng một phân bố mới, trong đó giá trị điểm ảnh hiện tại là giá trị trung bình của của phân bố mới, phương sai của phân bố được khởi tạo với một giá trị đủ lớn, trọng số của phân bố được gán một giá trị nhỏ. Các trọng số của K phân bố tại thời điểm t sẽ được hiệu chỉnh như sau: ωk,t= (1-α)ωk,t-1 + α(Mk,t ) (1.