Sledování (počítačová grafika)
Sledování je určení polohy pohybujícího se objektu (několika objektů) v čase pomocí kamery. Algoritmus analyzuje snímky videa a vydává polohu pohyblivých cílů vzhledem ke snímku.
Hlavním problémem při sledování je sladit pozice cílového objektu v posloupnosti snímků, zejména pokud se objekt pohybuje rychle vzhledem ke snímkové frekvenci . Sledovací systémy tedy obvykle používají pohybový model, který popisuje, jak se může obraz cílového objektu měnit nejrůznějšími pohyby.
Příklady takových jednoduchých pohybových vzorů jsou:
- sledování plochých objektů, pohybový model - 2D transformace ( afinní transformace nebo homografie) obrazu objektu (například původního snímku)
- když je cílem pevný 3D objekt, model pohybu určuje pohled na základě jeho polohy v prostoru a orientace
- pro kompresi videa jsou klíčové snímky (klíčové snímky) rozděleny na makrobloky (makrobloky). Pohybový model je zlom klíčového snímku, kde je každý makroblok transformován pomocí pohybového vektoru získaného z pohybových parametrů
- obraz deformovatelného předmětu lze překrýt sítí (síťkou), pohyb předmětu je dán polohou vrcholů této sítě.
Hlavním úkolem sledovacího algoritmu je sekvenční analýza video snímků za účelem odhadu parametrů pohybu. Tyto parametry charakterizují polohu cílového objektu.
Základní algoritmy [1]
Systém vizuálního pozorování (sledování) se skládá ze dvou hlavních částí:
- Reprezentace a lokalizace cílového objektu ( Target Representation and Localization )
- Filtrování a přidružení dat ( Filtrování a přidružení dat )
Reprezentace a lokalizace cílového objektu je většinou proces zdola nahoru, tzn. sekvenční a její následné kroky nemají vliv na předchozí. Typicky je výpočetní složitost těchto algoritmů poměrně malá. Zde jsou některé standardní algoritmy reprezentace a lokalizace cílového objektu :
- Sledování kuliček : Segmentace vnitřku objektu (například detekce blobu, korelace založená na blocích nebo optický tok)
- Sledování na základě jádra (sledování středního posunu): Iterativní lokalizační postup založený na maximalizaci kritéria podobnosti (koeficient Bhattacharyya).
- Sledování obrysu : Nalezení hranice objektu (např. aktivní obrysy nebo kondenzační algoritmus)
- Shoda vizuálních prvků : Registrace obrázku
- Sledování bodového znaku [2] : Problém je formulován následovně – je dán sekvencí snímků nějaké scény, získanými z pohyblivé nebo stacionární kamery. V každém snímku je nutné získat sadu co nejpřesnějších sekvencí souřadnic projekce některých bodů scény.
Filtrování a kombinování dat je většinou proces shora dolů, který zahrnuje kombinování apriorních informací o scéně nebo objektu souvisejících s dynamikou objektu a výpočet různých hypotéz. Výpočetní náročnost těchto algoritmů je obvykle mnohem vyšší. Zde jsou některé standardní filtrovací algoritmy [3] :
- Kalmanův filtr : optimální rekurzivní (Bayesovský filtr) pro lineární funkce podléhající Gaussovu šumu.
- Částicový filtr: užitečný pro vzorkování základního stavového prostoru distribuce nelineárních a negaussovských procesů.
Viz také
Poznámky
- ↑ Alper Yilmaz, Omar Javed a Mubarak Shah, "Object Tracking: A Survey", ACM Journal of Computing Surveys, prosinec 2006.
- ↑ Článek CGM „Point feature tracking“ (mrtvý odkaz) . Získáno 17. května 2010. Archivováno z originálu 23. května 2012. (neurčitý)
- ↑ M. Arulampalam, S. Maskell, N. Gordon a T. Clapp, "Výukový program o částicových filtrech pro online nelineární/negaussovské bayesovské sledování", IEEE Trans. o zpracování signálů, sv. 50, č. 2. února 2002.
Odkazy