پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک

word
102
18 MB
32242
1392
کارشناسی ارشد
قیمت: ۱۰,۲۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک

    پایان­نامه کارشناسی ارشد در رشته مهندسی برق (مخابرات-سیستم)

    چکیده

    ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک

     

     

    موضوع ردیابی اهداف یکی از مهمترین مسائل موجود در علم بینایی ماشین می باشد. مساله ردیابی اهداف چندگانه در تصاویر به دست آمده از دوربین متحرک در این پایان نامه مورد ارزیابی قرار گرفته است. برای حل کردن این مساله دو روش کلی در این پایان نامه ارائه شده است. روش اول عمدتا بر پایه الگوریتم های تطبیق بلوکی می باشد. در این روش با استفاده از جبران سازی حرکتی و دسته بندی حرکت های مختلف موجود در تصویر، نواحی مربوط به اهدف و پس زمینه مشخص خواهند شد. سپس عملیات ردیابی با استفاده از فیلتر کالمن صورت گرفته است. با توجه به نتایج به دست آمده، این روش توانایی ردیابی اهداف با دقت بسیار زیاد را در بیش تر شرایط دارا می باشد. دومین روش پیشنهادی اساسا بر گرفته از الگوریتم تطبیق نقطه ای شناخته شده ای به نام SIFT می باشد. در این روش با ایجاد تطبیق میان نقاط کلیدی ناحیه هدف و نقاط متناظر در فریم بعدی، سعی در یافتن ناحیه هدف در فریم های متوالی می شود. مساله ردیابی نواحی هدف در دنباله فریم به وسیله فیلتر کالمن صورت می پذیرد. با توجه به این که هدف در این روش به صورت محلی بررسی می شود، این روش در موقعیت های مختلف ردیابی از قبیل محو شدگی دارای توانایی زیادی می باشد. با توجه به نمودارها و جدول های می توان نتیجه گرفت که این روش از نظر دقت در بسیاری از موارد ردیابی عملکرد به مراتب قوی تری نسبت به اکثر روش های موجود دارد.

    1-1-مقدمه

    امروزه پیشرفت های علمی زندگی بشر را تحت تاثیرعمیقی قرار داده است. هم زمان با ورود تکنولوژی به زندگی شخصی افراد جامعه ، وجود وسایل و ابزارآلاتی که نقش رابط میان انسان و ماشین را بازی کنند، روز به روز بیش تر احساس می شود. یک نمونه از این وسایل دوربین[1] های فیلم برداری هستند. کاربرد وسیع این ادوات در جوامع امروزی ، به خصوص در کشورهای صنعتی تر غیرقابل انکار است. لذا امروزه بهبود کیفیت و امکانات دوربین ها  به عنوان عامل مهمی در جهت افزایش کارایی آن ها در نظر گرفته می شود. یکی از مهم ترین شاخه های علمی که به بررسی این موارد می پردازد، علم بینایی ماشین[2] نام دارد.

    یکی از اصلی ترین اهداف بینایی ماشین ، هوشمند سازی دوربین ها به منظور استفاده از آن ها در سیستم های نظارتی[3]، تجاری، نظامی و سایر کاربرد ها می باشد. به همین منظور مطالعات گسترده ای در راستای ایجاد روش های جدید هوشمند سازی و همچنین بهبود روش های موجود شده است. غالب این مطالعات بر روی آشکارسازی[4] و ردیابی[5] اهداف[6] متمرکز شده است. هدف کلی از انجام مطالعات این چنینی، کاهش حجم محاسبات و افزایش دقت در مراحل آشکارسازی و ردیابی می باشد. به طور کلی آشکارسازی هدف به معنی تشخیص ناحیه ای از تصویر است که بتواند به عنوان کاندیدایی[7] برای ناحیه هدف در نظر گرفته شود. به عنوان مثال : مشخص کردن مناطقی از تصویر که مربوط به پلاک خودرو می باشد و یا همچنین آشکارسازی نواحی از تصویر که می تواند به عنوان ناحیه ای مربوط به چهره انسان تلقی شود. همچنین منظور از ردیابی هدف آن است که ناحیه مورد نظر را در مجموعه فریم های متوالی نیز مشخص کنیم. به این ترتیب مسیر سیر کلی هدف در یک دنباله زمانی در طول فریم های متوالی تعیین خواهد شد.

    در ادامه ضمن بحث، به معرفی اجمالی در مورد سیستم های ردیابی مختلف و اجزا تشکیل دهنده آن ها و همچنین نحوه عملکردشان خواهیم پرداخت.

     

    1-1-1-ساختار سیستم های ردیابی

    سیستم های ردیابی مختلف بر اساس موارد کاربرد آن ها به دسته های مختلفی تقسیم می شوند. دوربین ها و اهداف از اجزا اصلی تشکیل دهنده این گونه سیستم ها می باشند. بنابراین همان گونه که این اجزا نقش تعیین کننده در نوع سیستم های ردیابی دارند، در تعیین نوع روش های مورد استفاده در این سیستم ها نیز از اهمیت بسیار بالایی برخوردار می باشند. سیستم ها بر اساس تعداد، نوع و همچنین دیگر شرایط دوربین ها و اهداف، دارای تفاوت های چشم گیری می باشند. به همین ترتیب این تفاوت ها در روش های ردیابی مورد استفاده در آن ها نیز به چشم می خورد. در ادامه به عواملی که در ایجاد این تغیرات موثر هستند خواهیم پرداخت.

     

    1-1-1-1-دوربین

    دوربین به عنوان اصلی ترین جز سیستم ردیابی وظیفه به وجود آوردن دنباله ای از فریم ها در طول زمان را دارد. نوع دوربین های به کار رفته شده ، تعداد و همچنین نحوه قرار گرفتن آن ها نقش بسیار زیادی در تعیین ظاهر فریم ها بر عهده خواهد داشت. این تاثیر گاهی به حدی می باشد که باعث ایجاد روش هایی با پایه و اساس متفاوت می گردد.

     به عنوان نمونه روش های ردیابی در سیستم های با دوربین مرئی[8] کاملا متفاوت با روش های مورد استفاده در سیستم های با دوربین مادون قرمز[9] می باشد. این مساله از این حقیقت ناشی می شود که در دوربین های مادون قرمز به نوعی اطلاعات قبلی[10] از اهداف در اختیار است. به این معنی که در تصاویر به دست آمده از این دوربین ها، اهداف دارای شدت رنگ[11] قوی تری نسبت به محیط اطراف خود می باشند. در نتیجه از قابلیت تشخیص بیشتری برخوردار می باشند. هر چند که برخی الگوریتم های ارائه شده، قابل اعمال در تصاویر به دست آمده از هر دو نوع دوربین مرئی و مادون قرمز می باشند، کارایی این الگوریتم ها دراین تصاویر به طور چشم گیری متفاوت است.

    به علاوه تعداد دوربین های مورد استفاده نیز یکی از عوامل بسیار مهم در تعیین روش مورد استفاده در ردیابی می باشد. وجود اختلاف در زاویه دید دوربین ها باعث ایجاد تصاویر مختلفی از زوایای مختلف از یک صحنه خاص می شود. در این شرایط یافتن نقاط متناظر در فریم های به دست آمده از تمام دوربین ها و همچنین کالیبره کردن [12]دوربین ها، امری ضروری می باشد. مشاهده می شود که این روش ها به طور کلی با روش های ردیابی بر اساس یک دوربین متفاوت است.

    علاوه بر موارد ذکر شده در بالا، حرکت دوربین[13] نیز در برخی موارد باید در نظر گرفته شود. به این معنی که گاهی علاوه بر اهداف ، دوربین نیز دارای حرکت می باشد. در این موارد اجزا موجود در فریم های متوالی، نسبت به هم دارای حرکت می باشند. این در حالی است که پاره ای از این حرکات به واسطه متحرک بودن دوربین صورت گرفته و همچنین برخی نیز به واسطه وجود حرکت در اجسام می باشند. بنابراین هدف نهایی آن است که  میان حرکاتی که به واسطه دوربین می باشد و حرکاتی که حقیقی هستند ایجاد تمایز کنیم. لزوم انجام این عمل از موارد اصلی می باشد که در ردیابی اهداف در سیستم های با دوربین ثابت در نظر گرفته نمی شود.

    MOVING OBJECTS TRACKING IN IMAGE SEQUENCES CAPTURED OF A MOVING CAMERA

    BY

     

     

     

    Visual object tracking is perceived as one of the most important subject in Computer Vision. The problem of the multi-object tracking in image sequences captured from a moving camera is evaluated in this thesis. To address the problem, two distinct methods are proposed. The first method is mainly based on Block Matching Algorithm (BMA) in which the target region and background are distinguish using classified motion vectors obtained from Motion Compensation. At the end, tracking is done by using Kalman Filter. According to the results, this approach can obtain a high level of accuracy for object detection in many situations. The second proposed method is particularly based on a well-known points matching algorithm which called SIFT. In this approach, finding target regions in consecutive frames is accomplished by applying match between the key-points of target region and target candidate region in the next frame. The Kalman Filter plays significant role in determining the target candidate region in the next frame. Since the target is evaluated locally, this approach can effectively handle a wide variety of situations such as occlusion. Figures and tables illustrate that mentioned method can outperform existing tracking techniques in terms of accuracy.

  • فهرست و منابع پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک

    فهرست:

    فصل 1      مقدمه------------------------------------------------------------------  1

      مقدمه -------------------------------------------------------------------  2ساختار سیستم های ردیابی --------------------------------------------------- 3

    دوربین -----------------------------------------------------------------------   3

    هدف -------------------------------------------------------------------------  5 

    نحوه عملکرد سیستم های ردیابی -------------------------------------------- 6

    الگوریتم های فاقد خاصیت پیش بینی-----------------------------------------------   6

    الگوریتم های دارای خاصیت پیش بینی----------------------------------------------- 7

    تعریف مساله و مشکلات پیش رو ------------------------------------------------ 8

    نحوه حل مساله ------------------------------------------------------------ 10

    سر فصل ها --------------------------------------------------------------- 11

     

    فصل 2      مروری بر تحقیقات صورت گرفته ------------------------------------------- 14

    مقدمه ------------------------------------------------------------------- 15

    روش های مختص دوربین ثابت ----------------------------------------------- 15

    روش تفریق پس زمینه ----------------------------------------------------- 15

    روش های قابل استفاده در دوربین متحرک ------------------------------------- 17

    روش Mean Shift ------------------------------------------------------------ 17

    روش CAM Shift ------------------------------------------------------------ 20

    روش جریان بصری ------------------------------------------------------------- 21

     

     

    صفحه

    عنوان

    فصل 3      الگوریتم های ارائه شده به منظور آشکار سازی -------------------------------- 24

    مقدمه ------------------------------------------------------------------- 25

    الگوریتم پیشنهادی اول ----------------------------------------------------- 26جبران سازی حرکتی به وسیله الگوریتم های تطبیق بلوکی ------------------------- 26

    مفهوم الگوریتم تطبیق بلوکی ----------------------------------------------------- 27

    الگوریتم های جستجوی بلوک متناظر ---------------------------------------------- 29

    به دست آوردن ناحیه متحرک تصویر ----------------------------------------------- 33

    قطعه بندی تصویر به وسیله الگوریتم K-Means --------------------------------- 34

    نمودار جریان الگوریتم پیشنهادی اول ------------------------------------------ 37

    الگوریتم پیشنهادی دوم ----------------------------------------------------- 39

    ساختن فضای مقیاس ------------------------------------------------------ 41

    استفاده از تقریب LoG ------------------------------------------------- 44

    یافتن نقاط کلیدی در تصویر ------------------------------------------------- 46

    حذف نقاط کلیدی غیر موثر ------------------------------------------------- 47

    آشکارساز گوشه Harris ------------------------------------------------ 47

    حذف نقاط با تفکیک پذیری کم با استفاده از بسط تیلور ----------------------------- 51

    جهت دهی به نقاط کلیدی انتخاب شده ---------------------------------------- 53

    ایجاد خصیصه های SIFT --------------------------------------------------- 54

     

    فصل 4      ردیابی توسط فیلتر کالمن ------------------------------------------------ 56

    مقدمه ------------------------------------------------------------------- 57

    فیلتر کالمن -------------------------------------------------------------- 57

    نوع حرکت اهداف ---------------------------------------------------------- 61

    استفاده عملی از فیلتر کالمن ------------------------------------------------- 62

     

     

    صفحه

    عنوان

    فصل 5     شبیه سازی و مقایسه ----------------------------------------------------- 66

    مقدمه ------------------------------------------------------------------- 67

    دنباله فریم های مورد استفاده ------------------------------------------------ 68

    دنباله فریم اول --------------------------------------------------------------- 69

    دنباله فریم دوم --------------------------------------------------------------- 71

    دنباله فریم سوم --------------------------------------------------------------- 73

    دنباله فریم چهارم ------------------------------------------------------------- 75

    دنباله فریم پنجم -------------------------------------------------------------- 78

     

    فصل 6      نتایج و پیشنهادات ------------------------------------------------------ 82

    مقدمه ------------------------------------------------------------------- 83

    نتیجه گیری -------------------------------------------------------------- 83

    پیشنهادات --------------------------------------------------------------- 84

    فهرست منابع -------------------------------------------------------------------- 86

     

    منبع:

     

    Wang, P. (2010, December). Moving Object Segmentation Algorithm Based on Edge Detection. In Computational Intelligence and Software Engineering (CiSE), 2010 International Conference on (pp. 1-4). IEEE.

    Saravanakumar, S., Vadivel, A., & Saneem Ahmed, C. G. (2010, December). Multiple human object tracking using background subtraction and shadow removal techniques. In Signal and Image Processing (ICSIP), 2010 International Conference on (pp. 79-84). IEEE.

    Zhao, C., & Reid, I. (2010). Mean-Shift Visual Tracking with NP-Windows Density Estimates. In proc. British Machine Vision Conference (BMVC).

    Chen, J., An, G., Zhang, S., & Wu, Z. (2010, March). A mean shift algorithm based on modified Parzen window for small target tracking. In Acoustics Speech and Signal Processing (ICASSP), 2010 IEEE International Conference on (pp. 1166-1169). IEEE.

    Zhao, J., Qiao, W., & Men, G. Z. (2009, July). An approach based on mean shift and kalman filter for target tracking under occlusion. In Machine Learning and Cybernetics, 2009 International Conference on (Vol. 4, pp. 2058-2062). IEEE.

    Chu, H., Ye, S., Guo, Q., & Liu, X. (2007, August). Object tracking algorithm based on camshift algorithm combinating with difference in frame. InAutomation and Logistics, 2007 IEEE International Conference on (pp. 51-55). IEEE.

    Wang, A., Li, J., & Lu, Z. Improved Camshift with adaptive searching window.International Journal of Soft Computing, 2012

    Li, D., Li, H., & Wei, X. (2010, October). Kalman filtering-based modified Cam-Shift vehicle tracking algorithm for highway traffic conditions. In Computer Application and System Modeling (ICCASM), 2010 International Conference on(Vol. 14, pp. V14-271). IEEE.

    Horn, B. K., & Schunck, B. G. (1981). Determining optical flow. Artificial intelligence, 17(1), 185-203.

    Lucas, B. D., & Kanade, T. (1981, August). An iterative image registration technique with an application to stereo vision. In IJCAI (Vol. 81, pp. 674-679).

    dos Santos Pinheiro, M. A. (2010). Multi-Object Tracking in Video Sequences(Doctoral dissertation, Universidade do Porto).

    Kesrarat, D., & Patanavijit, V. Tutorial of Motion Estimation Based on Horn-Schunk Optical Flow Algorithm in MATLAB®.

    Jung, Y. K., & Ho, Y. S. (2003, June). Active camera tracking system using affine motion compensation. In Visual Communications and Image Processing 2003 (pp. 1966-1973). International Society for Optics and Photonics.

    Chan, M. H., Yu, Y. B., & Constantinides, A. G. (1990, August). Variable size block matching motion compensation with applications to video coding. InCommunications, Speech and Vision, IEE Proceedings I (Vol. 137, No. 4, pp. 205-212). IET.

    Atrianfar, H., Atrianfar, M., & Atrianfar, H. (2008). Temporal Resolution Enhancement of Video Sequences Using Transform Domain. In IPCV (pp. 185-190).

    Ratnottar, J., Joshi, R., & Shrivastav, M. (2012, May). Review towards the Fast Block Matching Algorithms for Video Motion Estimation. In Communication Systems and Network Technologies (CSNT), 2012 International Conference on(pp. 153-156). IEEE.

    Lu, J., & Liou, M. L. (1997). A simple and efficient search algorithm for block-matching motion estimation. Circuits and Systems for Video Technology, IEEE Transactions on, 7(2), 429-433.

    Luo, Y., & Celenk, M. (2008, June). A hybrid block-matching approach to motion estimation with adaptive search area. In Systems, Signals and Image Processing, 2008. IWSSIP 2008. 15th International Conference on (pp. 85-88). IEEE.

    Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2009). Digital image processing using MATLAB (Vol. 2). Knoxville: Gatesmark Publishing.

    Adams, R., & Bischof, L. (1994). Seeded region growing. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 16(6), 641-647.

    Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints.International journal of computer vision, 60(2), 91-110.

    Vinukonda, P. (2011). A Study of the Scale-Invariant Feature Transform on a Parallel Pipeline (Doctoral dissertation, Louisiana State University).

    Babaryka, A. (2012). Recognition from collections of local features (Doctoral dissertation, KTH).

    Seo, N., & Schug, D. A. (2007). Image matching using scale invariant feature transform (SIFT). Final project report. University of Maryland, College Park, Maryland.

    Lee, H., Heo, P. G., Suk, J. Y., Yeou, B. Y., & Park, H. (2009). Scale-invariant object tracking method using strong corners in the scale domain. Optical Engineering, 48(1), 017204-017204.

    Matas, J., Chum, O., Urban, M., & Pajdla, T. (2004). Robust wide-baseline stereo from maximally stable extremal regions. Image and vision computing,22(10), 761-767.

    Harris, C., & Stephens, M. (1988, August). A combined corner and edge detector. In Alvey vision conference (Vol. 15, p. 50).

    Matthews, J. (2002). An introduction to edge detection: The sobel edge detector. Generation5: January, 27.

    Brown, M., & Lowe, D. G. (2002, September). Invariant Features from Interest Point Groups. In BMVC (No. s 1).

    Brown, M., Szeliski, R., & Winder, S. (2005, June). Multi-image matching using multi-scale oriented patches. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on (Vol. 1, pp. 510-517). IEEE.

    Cui, Y., Hasler, N., Thormählen, T., & Seidel, H. P. (2009). Scale invariant feature transform with irregular orientation histogram binning. In Image Analysis and Recognition (pp. 258-267). Springer Berlin Heidelberg.

    Mahler, R. P. (2007). Statistical multisource-multitarget information fusion (Vol. 685). Boston: Artech House.

    Li, X., Wang, K., Wang, W., & Li, Y. (2010, June). A multiple object tracking method using kalman filter. In Information and Automation (ICIA), 2010 IEEE International Conference on (pp. 1862-1866). IEEE.

    Cuevas, E. V., Zaldivar, D., & Rojas, R. (2005). Kalman filter for vision tracking. Freie Univ., Fachbereich Mathematik und Informatik.

    Wang, F. (2011). Particle Filters for Visual Tracking. In Advanced Research on Computer Science and Information Engineering (pp. 107-112). Springer Berlin Heidelberg.

    Wang, D., Zhang, Q., & Morris, J. (2012). Distributed Markov Chain Monte Carlo kernel based particle filtering for object tracking. Multimedia Tools and Applications, 56(2), 303-314.



تحقیق در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , مقاله در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , پروژه دانشجویی در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , پروپوزال در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , تز دکترا در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , تحقیقات دانشجویی درباره پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , مقالات دانشجویی درباره پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , پروژه درباره پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , گزارش سمینار در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , پروژه دانشجویی در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , تحقیق دانش آموزی در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , مقاله دانش آموزی در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک , رساله دکترا در مورد پایان نامه ردیابی اشیاء متحرک چندگانه در تصاویر دوربین متحرک

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس