::مقاله دات نت:: پایگاه مقالات ایرانیان
 
  
نام کاربری:   رمزعبور:
منوی اصلی
پیامهای کوتاه

فقط کاربران عضو میتوانند پیام بفرستند خواهشمندیم وارد شوید یا عضو شوید.
ارتباط آنلاين با مديران
سردبیر

مدیر فنی
ردیابی
ارسال شده در مورخه : پنجشنبه، 28 فروردین، 1393 توسط admin88
فني و مهندسيميهمان می نویسد " مقدمه
 ردیابی یک هدف در یک ویدئو به¬ معنای شناسایی پیوسته ی موقعیت هدف و به¬روز رسانی حرکت هدف در زمانیست که هر یک از هدف یا دوربین حرکت می¬کند.معمولا ردیابی برای استخراج یک نتیجه از حرکات یک هدف در ترتیبی از تصاویر است.

 

کل سیستم های دوربینی و بینایی ماشین در دو نوع کلی خلاصه می شوند:
    استفاده از تنها یک دوربین که حول صحنه آزادانه حرکت کرده و تصاویری از نقاط مختلف می گیرد.
استفاده از دو دوربین یا بیشتر که بصورت آزادانه در محیط در حال حرکت هستند و یا بصورت ثابت حول صحنه ای که قرار است بازسازی شوند نصب می شوند.




.   کاربردها
 استفاده از ردیابی ویدئویی در بسیاری از کاربردها مانند مانیتورینگ ترافیک، آشکارسازی و شناسایی رفتار غیرعادی در صحنه ، ناوبری ، ارتباط انسان و کامپیوتر مانند شناسایی اشارات و ... کاربرد دارد.
1.2.   مشکلات ردیابی اشیاء
دنبال کردن شیئ در حالت کلی مسئله ای دشوار است.مشکلات موجود در این زمینه می تواند ناشی از موارد زیر باشد :
- از دست دادن اطلاعات در اثر تصویر کردن دنیای سه بعدی در یک تصویر دو بعدی
- نویز در تصویر
- حرکت پیچیده ی شیئ
- ماهیت مفصلی اشیاء
- استتار شیئ بصورت کلی یا جزئی
- پیچیدگی شکل شیئ
- تغییرات در شدت نور صحنه
- نیاز به پردازش بلادرنگ

.    کلیات سیستم
اطلاعات یا تصویر ورودی توسط یک دوربین آنالوگ یا دیجیتال گرفته می شود.تصویر گرفته شده وارد بخش پردازشگر می شود و در آنجا فرایندهای پیش پردازش،نمایش شیئ ، آشکارسازی هدف و در صورت نیاز شناسایی آن(برای تعیین نوع کلی هدف)انجام می پذیرد.
پیش پردازش :
برای کاهش نویز و حصول کنتراست بهتر و حذف حرکات زائد انجام می گیرد.

    نمایش شیئ :
در یک سناریوی ردیابی ، در ابتدا باید شیئ را معرفی کرد.اشیاء را می توان با شکل و ظاهر آنها بیان کرد.نمایشهای شکل شیئ که استفاده از آنها در الگوریتمهای ردیابی متداول هستند عبارتند از :
نقطه ها: شکل را می توان با یک نقطه یا مجموعه ای از نقاط نمایش داد.
اشکال هندسی اولیه (Primitive geometric shapes): شکل شیئ با یکی از اشکال هندسی پایه مانند مستطیل یا بیضی قابل نمایش است.
کانتور و سایه نمای شیئ (Object silhouette and contour): نمایش کانتور ، مرز شیئ را تعریف می کند.ناحیه ی درون مرز ، سایه نمای شیئ نامیده می شود.نمایش کانتور و سایه نما برای ردیابی اشیاء پیچیده ی مفصلی مناسب هستند.
مدلهای شکل بندبند (Articulated shape models) : اشیاء بندبند از قسمت هایی تشکیل شده اند که با اتصالاتی به هم متصل می شوند. برای مثال بدن انسان یک شکل بندبند است
مدلهای اسکلتی (Skeletal models) : اسکلت شیئ را میتوان با اعمال تبدیل medal axis بر روی سایه نمای شیئ ، استخراج کرد.
    قطعه بندی و آشکارسازی هدف
قطعه بندی حرکت بمنظور استخراج اشیاء موجود در پیش زمینه از پس زمینه است. این عمل می تواند بوسیله ی روشهای مختلفی همچون اختلاف فریم ها ، تفریق پس زمینه ، ترکیبی از این دو و یا روشجریان نوری انجام پذیرد.

اختلاف فریم ها (Frame Difference)
روش کلاسیک برای آشکارسازی هدف در حال حرکت در مجموعه¬ای از تصاویر، توسط اختلاف تصاویر مجاور به¬دست می¬آید.
|It-It-1|>Tth
تفریق پس زمینه (background subtraction)
برای مشخص کردن شیئ پیش زمینه (foreground object) در این حالت می¬توان از تفریق پس زمینه در هر فریم استفاده کرد.
Bt-It|>Tth|
Bt پس زمینه ی مرجع در زمان t است، It فریم جاری و Tth آستانه است
جریان نوری (Optical Flow)
در این روش، در یک سلسله تصاویر، برای هر نقطه از تصویر یک بردار حرکت تعیین می کند،بنابراین برای هدف بردار حرکتی قائل می شود و محل هدف را تعیین می کند.
ردیابی
ردیابی اهداف متحرک به دو روش کلی ردیابی بر مبنای تشخیص و ردیابی بر مبنای حرکت صورت می گیرد.
 

ردیابی بر مبنای تشخیص

تمام تلاش اين شاخه این است كه در ابتدا يك سري المان ( ویژگی هاي خاص) از تصوير استخراج کند؛ بعد آنهارا در يک سطح بالاتر طبقه بندی ميکند و در انتها اين ویژگی هارا بين تصاویر مختلف مقايسه ميکند.
ردیابی بر مبنای حرکت
تخمین حالات سیستم غیر خطی بطور کلی بسیار مشکل است.جواب بهینه برای این تخمین احتیاج به دانستن گستردگی (انتشار) تابع توزیع احتمالی (PDF) کامل حالت ها در هر زمان به روز رسانی می باشد.
5.2.1. فیلتر کالمن(KF)
فیلتر کالمن یک برآورد کننده بازگشتی خطی است که وضعیت بعد را برطبق مدل دینامیکی پیش بینی می¬کند و این نتیجه را در موافقت با اندازه¬گیری به¬دست آمده به روز می¬کند.
این فیلتر یک مدل شناخته شده است که تخمینی از حالت دینامیکی یک سیستم برای پیش بینی ناحیه مورد جستجو برای فریم بعدی را می¬دهد. در واقع در این¬حالت، حرکت هدف را مدل کرده و از یک مدل برای پیش¬بینی موقعیت در هر فریم جدید استفاده می¬کنیم. با موقعیت جدید هدف تخمین زده شده، می¬توان به¬آسانی محیط جستجو را محدود کرد، تا همسایگی موقعیت تخمین زده شده در فریم¬های متوالی باشد. این فیلتر همچنین برای تخمین عمق از مجموعه¬ای از تصاویر استفاده می¬شود. فیلتر کالمن بر پایه توزیع گوسی قرار گرفته است و فقط یک پیک را حمایت می¬کند. به¬عبارت دیگر تنها یک هدف می¬تواند ردیابی شود.
طرز عملکرد فیلتر کالمن:
بردار حالت به¬صورت زیر تعریف می¬شود:[4]
X=(Δx,Δy,xs,ys)
Δx,Δy موقعیت هدف و xs,ys سایز هدف است. xs,ys می¬تواند به-عنوان طول و ارتفاع کوچکترین مستطیلی که کل هدف را شامل می-شود اندازه گیری شود.
فیلتر کالمن مدل حرکتی سیستم را به¬صورت زیر مدل می¬کند:
X(t)=ф(Δt)x(t-Δt)+w(t-Δt)
W نویز سیستم را بیان می¬کند. Ф ماتریس گذار حالت در طی یک پریود از زمان فریم است و می¬تواند به¬صورت زیر نوشته شود:
∅(∆t)=[█(1  0  ∆t  0@0  1  0  ∆t@0  0  1  0@0  0  0  1)]
tΔ پریود زمانی بین دو فریم است. سپس فیلتر کالمن، بردار حالت را بر پایه مجموعه¬ای از اندازه گیری¬ها به¬روز می¬کند.

که با پردازش تصویر فریم کنونی به¬دست می¬آید. وقتی مدل سیستم به¬دست آمد فیلتر کالمن تخمین حالت و تخمین کوواریانسی خطا را مطابق با معادلات زیر آپدیت می¬کند.
 
.5.2.2 فیلتر ذره ای(PF)
ایده ی اصلی استفاده ار نظریه ی فیلترهای ذره ای، بدست آوردن تابع چگالی احتمال مشروط بردار حالت با توجه به بردار اندازه گیری ها و استفاده از تئوری بیزین بدون هرگونه خطی سازی و صرفا با استفاده از مدل دینامیکی سیستم می باشد.این روش جزء روشهای آماری مونت کارلو بوده و بر پایه ی استفاده از قانون اعداد بزرگ است و تابع توزیع احتمال شرطی را به صورت مجموع وزن یافته تعدادی تابع گسسته تقریب می زند.با بکارگیری این روش میتوان تخمین بهینه ای از لحاظ حداقل بودن واریانس خطا از هر تابع دلخواه از عناصر بردار حالت را بدست آورد.از مزایای این روش می توان به توانایی دنبال کردن چند فرض ، توانایی کار کردن با مدلهای غیرخطی و امکان پیاده سازی آسان و کارآمد اشاره کرد.
.6الگوریتم¬های دیگر ردیابی
در زیر یک پروسه ردیابی بیان شده است:[3]
    تقسیم سکانسهای ویدئو به فریم¬ها
    استفاده از تفریق پس زمینه(background subtraction)برای مشخص کردن شیئ پیش زمینه در هر فریم
    ردیابی مرکز جرم هدف مورد نظر برای آپدیت کردن موقعیت هدف از هر فریم به دیگری
    استفاده از اختلاف فریم ها در ردیابی :
    در این روش شیئ توسط روش اختلاف فریم ها که در بخش 3.1 شرح داده شد(بصورت اختلاف فریم جاری از فریم قبلی) آشکارسازی می شود.سپس پروسه ی ردیابی را با محاسبه ی ویژگی های ناحیه ای تصویر آغاز می کنیم.این الگوریتم به آسانی اختلاف بین فریم های متوالی را پیدا می کند و ناحیه های متصل را برچسب می گذارد.مساحت و مرکز هر ناحیه محاسبه شده و بعنوان نشانه ای از موقعیت و مرکزیت هدف استفاده می شود.خروجی ردیابی بر روی مانیتور بعنوان جعبه ی مرزدار(bounding box) نشان داده می شود.مرکز جعبه مرکز ثقل شیئ را نشان می دهد . موقعیتی که بیشترین مساحت را به خود اختصاص دهد بعنوان موقعیت جاری شیئ شناخته می شود.اگر ردیابی موفقیت آمیز باشد ، جعبه ی مرزدار باید حرکت دقیق هدف را دنبال کند.
    کد متلب:
    clc
    close all
    rows=270;
    cols=480;
    cx=zeros(90,1);
    cy=zeros(90,1);
    bgsave=uint8(zeros(rows,cols,3,90));
    bgdiff=zeros(270,480,3,89);
    
    for i = 1 : 90
      % load image
     if i < 10
        currentimagergb = imread(['10',int2str(i),'.jpg'],'jpg');
        bgsave(:,:,:,i)=currentimagergb;
          elseif i==10
        currentimagergb = imread(['1',int2str(i),'.jpg'],'jpg');
        bgsave(:,:,:,i)=currentimagergb;
         elseif i<100
        currentimagergb = imread(['1',int2str(i),'.jpg'],'jpg');
        bgsave(:,:,:,i)=currentimagergb;
     end
      
    %  frame difference
    
          if i>1
        bgdiff(:,:,i) = (abs(bgsave(:,:,1,i) - bgsave(:,:,1,i-1))>5)...
         | (abs(bgsave(:,:,2,i) - bgsave(:,:,2,i-1)) > 5) ...
         | (abs(bgsave(:,:,3,i) - bgsave(:,:,3,i-1)) > 5);
          end
          
      A = bgdiff(:,:,i);
      
    % begin the tracking process by calculating the feature of regions
    % 1) Then label the connected component
    % 2) calculate the Area of each region
    % 3) find the largest Area of regions
      
    % 1)  
    labeled = bwlabel(A,4);
    % 2)  
    stats = regionprops(labeled,['basic']);
      [N,W] = size(stats);
      if N > 1  
           id = zeros(N);
      for i = 1 : N
        id(i) = i;
      end
    % 3)
      for i = 1 : N-1
        for j = i+1 : N
          if stats(i).Area < stats(j).Area
            tmp = stats(i);
            stats(i) = stats(j);
            stats(j) = tmp;
            tmp = id(i);
            id(i) = id(j);
            id(j) = tmp;
          end
        end
      end
    
      % center and radius of largest region(object)
      centroid = stats(1).Centroid;
      radius = sqrt(stats(1).Area/pi);
      cx(i) = centroid(1);
      cy(i) = centroid(2);
      end
      
        imshow(currentimagergb)
      Imwork = double(currentimagergb);
    
      hold on
        for x=-25:25:25
            for y=-25: 25:25
                
          plot(cx(i)+x,cy(i)+y,'g*')
          plot(cx(i)+x,cy(i)-y,'g*')
            end
        end
          
       pause(.1)
    
    end
    
    
    9.Refrences
    
    [1]  M. M¨uhlich. Particle Filters an overview. Filter-Workshop Bucuresti 2003
    [2]  D. Davies1, P. Palmer1, & M. Mirmehdi. Detection and tracking of Very Small
    Low Contrast Objects.
    [3]  Altahir A. Abdalla1, Vijanth S. Asirvadam and Patrick Sebastian. Mining Moving Object Attributes Based on Pixel Location for Fixed Camera. International Conference on Intelligent and Advanced Systems 2007
    [4]  Wei-gi Ho and Zheng Lou. Real-Time Moving Object tracking. December 2004
    [5]Daniel Rowe. Reviewing Detections and tracking Approaches.February 2008
    [6]  Vincent Lepetit and Pascal Fua. Monocular Model-Based 3D tracking of Rigid Objects: A Survey. 2005
    [7]  M.Isard and A.Blake. Condensation – Conditional density propagation for visual tracking. International Journal of Computer Vision,1998
    [8]  Md. Zahidul Islam*, Chi-min Oh*, Chil-Woo Lee. Real Time Moving Object tracking by particle filter. 2008 IEEE
    [9]  L.Gui,C.Garboni,P.Horvath and P.Covacs. Motion Tracking. SSIP 2003
    [10].  Ristic, B., Arulampalam, S., and Gordon, N.,"Beyond the Kalman Filter: Particle Filters for Tracking Applications", Artech House, London,2004.
    [11]   Karlsson, R., "Particle Filtering for Positioning and Tracking Applications", Linkoping Studies in Science and Tech., Linkoping Univ., Linkoping, Sweden, Dissertations No. 924, 2005.
    [12] C.R. Wren, A. Azarbayejani, T.Darrell, and A. Pentland . Pfinder: Real-Time Tracking of the Human Body. IEEE 1997



















"
 
پیوندهای مرتبط
· مطالب بیشتر در مورد فني و مهندسي
· سایر مطالب نوشته شده توسط admin88


پربازدیدترین مطلب در زمینه فني و مهندسي:
ارگونومی در رنگ

امتیاز دهی به مطلب
امتیاز متوسط : 2
تعداد آراء: 2


لطفا رای مورد نظرتان را در مورد این مطلب ارائه نمائید :

عالی
خیلی خوب
خوب
متوسط
بد

انتخاب ها

 چاپ این مطلب چاپ این مطلب

برای انتشار مقالات خود در د نیای وب می توانید مقالات خود را به ایمیل آدرس maghaleh.net@gmail.com ارسال نمایید.

Copyright © 2005-2015 Computer Center Of MAGHALEH[DAT]NET All rights reserved.
| Please send your comments to:webmaster@maghaleh.net |




مدت زمان ایجاد صفحه : 0.04 ثانیه

::Persian articles by maghaleh[dat]net ::