Video izleme - Video tracking

Kamera takibi ile karıştırılmamalıdır .

Video izleme , bir kamera kullanarak zaman içinde hareket eden bir nesneyi (veya birden çok nesneyi) bulma işlemidir . İnsan-bilgisayar etkileşimi, güvenlik ve gözetim, video iletişimi ve sıkıştırma , artırılmış gerçeklik , trafik kontrolü, tıbbi görüntüleme ve video düzenleme gibi çeşitli kullanımları vardır . Video izleme, videonun içerdiği veri miktarı nedeniyle zaman alıcı bir süreç olabilir. Karmaşıklığa ek olarak, kendi başına zorlu bir problem olan izleme için nesne tanıma tekniklerinin kullanılması olası ihtiyacıdır .

Amaç

Robot elinin, yüksek hızlı bir görüntü işleme sistemi tarafından işlenen görsel geri bildirimle nesne takibiyle bir topu yakalamasına yönelik görsel servo uygulamasına bir örnek

Video izlemenin amacı, hedef nesneleri ardışık video karelerinde ilişkilendirmektir. İlişkilendirme, nesneler kare hızına göre hızlı hareket ettiğinde özellikle zor olabilir . Sorunun karmaşıklığını artıran diğer bir durum, izlenen nesnenin zaman içinde yönünü değiştirmesidir. Bu durumlar için video izleme sistemleri genellikle nesnenin farklı olası hareketleri için hedefin görüntüsünün nasıl değişebileceğini açıklayan bir hareket modeli kullanır.

Basit hareket modellerine örnekler:

  • Düzlemsel nesneleri izlerken, hareket modeli, nesnenin bir görüntüsünün (örneğin, ilk çerçeve) 2D dönüştürmesidir ( afin dönüşümü veya homografi ).
  • Hedef katı bir 3B nesne olduğunda, hareket modeli 3B konumuna ve yönüne bağlı olarak açısını tanımlar.
  • İçin video sıkıştırma , anahtar kareler ayrılır macroblocks . Hareket modeli, her bir makro bloğun hareket parametreleri tarafından verilen bir hareket vektörü tarafından çevrildiği bir anahtar karenin bozulmasıdır.
  • Deforme olabilen nesnelerin görüntüsü bir ağ ile kaplanabilir, nesnenin hareketi ağın düğümlerinin konumu ile tanımlanır.

Algoritmalar

Video izleme gerçekleştirmek için bir algoritma, sıralı video karelerini analiz eder ve çerçeveler arasındaki hedeflerin hareketini çıkarır. Her biri güçlü ve zayıf yönlere sahip çeşitli algoritmalar vardır. Hangi algoritmanın kullanılacağını seçerken amaçlanan kullanımı dikkate almak önemlidir. Görsel izleme sisteminin iki ana bileşeni vardır: hedef gösterimi ve yerelleştirme ile filtreleme ve veri ilişkilendirme.

Hedef temsili ve yerelleştirme çoğunlukla aşağıdan yukarıya bir süreçtir. Bu yöntemler, hareketli nesneyi tanımlamak için çeşitli araçlar sağlar. Hedef nesneyi başarıyla bulmak ve izlemek, algoritmaya bağlıdır. Örneğin, blob izleme kullanmak, bir kişinin profili dinamik olarak değiştiği için insan hareketini tanımlamak için kullanışlıdır. Tipik olarak bu algoritmalar için hesaplama karmaşıklığı düşüktür. Aşağıda bazı yaygın hedef gösterimi ve yerelleştirme algoritmaları verilmiştir:

  • Çekirdek tabanlı izleme ( ortalama kayma izleme): benzerlik ölçüsünün ( Bhattacharyya katsayısı ) maksimizasyonuna dayalı yinelemeli bir yerelleştirme prosedürü .
  • Kontur izleme : nesne sınırının tespiti (örn. Aktif konturlar veya Yoğunlaştırma algoritması ). Kontur izleme yöntemleri, önceki çerçeveden başlatılan bir başlangıç ​​konturunu geçerli çerçevedeki yeni konumuna yinelemeli olarak geliştirir. Kontur izlemeye yönelik bu yaklaşım, gradyan inişini kullanarak kontur enerjisini en aza indirerek konturu doğrudan geliştirir.

Filtreleme ve veri ilişkilendirme çoğunlukla yukarıdan aşağıya bir süreçtir ve sahne veya nesne hakkında önceki bilgileri birleştirmeyi, nesne dinamikleriyle ilgilenmeyi ve farklı hipotezlerin değerlendirilmesini içerir. Bu yöntemler, karmaşık nesnelerin izlenmesine ve engellerin arkasında hareket eden nesneleri izleme gibi daha karmaşık nesne etkileşimine izin verir. Buna ek olarak, video izleyici (TV izleyici veya hedef izleyici olarak da adlandırılır) sert bir temel üzerine (karada) değil, hareket eden bir gemiye (açık denizde) monte edilirse karmaşıklık artar; - kamera sisteminin gerekli dinamiklerini ve bant genişliğini azaltmak için video izleyiciyi stabilize edin. Bu algoritmalar için hesaplama karmaşıklığı genellikle çok daha yüksektir. Aşağıda bazı yaygın filtreleme algoritmaları verilmiştir:

  • Kalman filtresi : Gauss gürültüsüne maruz kalan doğrusal fonksiyonlar için en uygun özyinelemeli Bayes filtresi. Zaman içinde gözlemlenen, gürültü (rastgele varyasyonlar) ve diğer yanlışlıkları içeren bir dizi ölçümü kullanan ve tek başına tek bir ölçüme dayalı olanlardan daha kesin olma eğiliminde olan bilinmeyen değişkenlerin tahminlerini üreten bir algoritmadır.
  • Parçacık filtresi : Doğrusal olmayan ve Gauss olmayan süreçlerin temeldeki durum uzayı dağılımını örneklemek için kullanışlıdır.

Ayrıca bakınız

Referanslar

Dış bağlantılar