Кіріспе
Видео көрістің ізілдеуі – камераны пайдалану арқылы уақыт өте келе қозғалмалы нысанды (немесе бірнеше нысанды) табу процесі. Оның түрлі қолданыс салалары бар, мысалы: адам-компьютерлік өзара әрекеттесу, қауіпсіздік және бақылау, бейне байланыс және қысым, толықтырылған шындық, жол жүруді реттеу, медициналық бейнелеу және бейне монтаждау. Видео көрістің ізілдеуі видеодағы деректердің көптігіне байланысты уақытты көп алатын процесс болуы мүмкін. Бұл процестің күрделілігін арттыратын фактор – нысанды іздеу үшін нысанды тану техникаларын қолдану қажеттігі, ол өзі жеке қиын мәселе.
Алгоритмдер
Видеоны бақылау үшін алгоритм тізбектелген видео кадрларды талдайды және кадрлар арасындағы нысаналардың қозғалысын шығарады. Әрқайсысының артықшылықтары мен кемшіліктері бар әртүрлі алгоритмдер бар. Қандай алгоритмді қолдануды таңдағанда, оның күтілетін қолданылуын ескеру маңызды. Визуалды бақылау жүйесінің екі негізгі компоненті бар: нысананы бейнелеу және орналастыру, сондай-ақ сүзгілеу және деректерді байланыстыру. Нысананы бейнелеу және орналастыру көбінесе төменнен жоғарыға қарай жүзеге асырылатын процесс. Бұл әдістер қозғалатын нысанды анықтау үшін әртүрлі құралдар ұсынады. Нысаналық нысанды сәтті табу және бақылау алгоритмге байланысты. Мысалы, блоб бақылау адамның қозғалысын анықтау үшін пайдалы, себебі адамның силуэті динамикалық түрде өзгереді. Әдетте, осы алгоритмдердің есептеу күрделілігі төмен. Нысананы бейнелеу және орналастыру алгоритмдерінің кейбіреулері:
Kernel based tracking (mean shift tracking): an iterative localization procedure based on the maximization of a similarity measure (Bhattacharyya coefficient). Contour tracking: detection of object boundary (e. g. active contours or Condensation algorithm). Contour tracking methods iteratively evolve an initial contour initialized from the previous frame to its new position in the current frame. This approach to contour tracking directly evolves the contour by minimizing the contour energy using gradient descent. Filtering and data association is mostly a top down process, which involves incorporating prior information about the scene or object, dealing with object dynamics, and evaluation of different hypotheses. These methods allow the tracking of complex objects along with more complex object interaction like tracking objects moving behind obstructions. Additionally the complexity is increased if the video tracker (also named TV tracker or target tracker) is not mounted on rigid foundation (on shore) but on a moving ship (off shore), where typically an inertial measurement system is used to pre stabilize the video tracker to reduce the required dynamics and bandwidth of the camera system. The computational complexity for these algorithms is usually much higher. The following are some common filtering algorithms:
Kalman filter: an optimal recursive Bayesian filter for linear functions subjected to Gaussian noise. It is an algorithm that uses a series of measurements observed over time, containing noise (random variations) and other inaccuracies, and produces estimates of unknown variables that tend to be more precise than those based on a single measurement alone. Particle filter: useful for sampling the underlying state space distribution of nonlinear and non Gaussian processes.
Ядролық бақылау (орташа жылжу бақылауы): ұқсастық өлшемін (Бхаттачарья коэффициентін) барынша арттыруға негізделген итеративтік орналастыру процедурасы. Контур бақылауы: нысанның шекарасын анықтау (мысалы, белсенді контурлар немесе Конденсация алгоритмі). Контур бақылау әдістері алдыңғы кадрдан бастамаланған бастапқы контурды ағымдағы кадрдағы жаңа орнына итеративті түрде дамытады. Контур бақылауының бұл тәсілі градиенттік төмен түсуді қолдана отырып, контур энергиясын азайту арқылы контурды тікелей өзгертеді. Сүзгілеу және деректерді байланыстыру көбінесе жоғарыдан төменге қарай жүзеге асырылатын процесс, ол орта немесе нысан туралы алдыңғы ақпаратты қосуды, нысан динамикасымен жұмыс істеуді және әртүрлі гипотезаларды бағалауды қамтиды. Бұл әдістер күрделі нысандарды бақылауға мүмкіндік береді, сондай-ақ кедергілердің артында қозғалатын нысандарды бақылау сияқты нысандардың күрделірек өзара әрекеттесуін қамтиды. Сонымен қатар, егер бейне бақылаушы (телевизиялық бақылаушы немесе нысана бақылаушы деп те аталады) қатаң негізде (жағалауда) емес, жылжымалы кемеде (жағалаудан тыс) орнатылса, күрделілік артады. Әдетте, бейне бақылаушыны алдын ала тұрақтандыру үшін инерциялық өлшеу жүйесі қолданылады. Бұл алгоритмдердің есептеу күрделілігі әдетте әлдеқайда жоғары. Сүзгілеу алгоритмдерінің кейбіреулері:
Kernel based tracking (mean shift tracking): an iterative localization procedure based on the maximization of a similarity measure (Bhattacharyya coefficient). Contour tracking: detection of object boundary (e. g. active contours or Condensation algorithm). Contour tracking methods iteratively evolve an initial contour initialized from the previous frame to its new position in the current frame. This approach to contour tracking directly evolves the contour by minimizing the contour energy using gradient descent. Filtering and data association is mostly a top down process, which involves incorporating prior information about the scene or object, dealing with object dynamics, and evaluation of different hypotheses. These methods allow the tracking of complex objects along with more complex object interaction like tracking objects moving behind obstructions. Additionally the complexity is increased if the video tracker (also named TV tracker or target tracker) is not mounted on rigid foundation (on shore) but on a moving ship (off shore), where typically an inertial measurement system is used to pre stabilize the video tracker to reduce the required dynamics and bandwidth of the camera system. The computational complexity for these algorithms is usually much higher. The following are some common filtering algorithms:
Kalman filter: an optimal recursive Bayesian filter for linear functions subjected to Gaussian noise. It is an algorithm that uses a series of measurements observed over time, containing noise (random variations) and other inaccuracies, and produces estimates of unknown variables that tend to be more precise than those based on a single measurement alone. Particle filter: useful for sampling the underlying state space distribution of nonlinear and non Gaussian processes.
Калман сүзгісі: Гаусс шуына ұшыраған сызықтық функциялар үшін оңтайлы рекурсивті Байес сүзгісі. Бұл уақыт өте келе байқалатын, шу (рандомды өзгерістер) және басқа да қателіктер бар өлшемдер сериясын пайдаланатын және жалғыз өлшемге негізделгенге қарағанда дәлдігі жоғарырақ болатын белгісіз айнымалылардың бағалауын шығаратын алгоритм. Бөлшек сүзгісі: сызықтық емес және Гаусс емес процестердің негізгі күй кеңістігі таралуын үлгілеу үшін пайдалы.
Kernel based tracking (mean shift tracking): an iterative localization procedure based on the maximization of a similarity measure (Bhattacharyya coefficient). Contour tracking: detection of object boundary (e. g. active contours or Condensation algorithm). Contour tracking methods iteratively evolve an initial contour initialized from the previous frame to its new position in the current frame. This approach to contour tracking directly evolves the contour by minimizing the contour energy using gradient descent. Filtering and data association is mostly a top down process, which involves incorporating prior information about the scene or object, dealing with object dynamics, and evaluation of different hypotheses. These methods allow the tracking of complex objects along with more complex object interaction like tracking objects moving behind obstructions. Additionally the complexity is increased if the video tracker (also named TV tracker or target tracker) is not mounted on rigid foundation (on shore) but on a moving ship (off shore), where typically an inertial measurement system is used to pre stabilize the video tracker to reduce the required dynamics and bandwidth of the camera system. The computational complexity for these algorithms is usually much higher. The following are some common filtering algorithms:
Kalman filter: an optimal recursive Bayesian filter for linear functions subjected to Gaussian noise. It is an algorithm that uses a series of measurements observed over time, containing noise (random variations) and other inaccuracies, and produces estimates of unknown variables that tend to be more precise than those based on a single measurement alone. Particle filter: useful for sampling the underlying state space distribution of nonlinear and non Gaussian processes.