课件Motiondetection.pptVIP

Boosting流程(loop3) 强学习机 弱学习机 原始训练集 加权后的训练集 加权后的假设 Z7?1:-1 弱假设 两个问题的答案 怎样处理样本？ 在AdaBoost中，每个样本都被赋予一个权重。如果某个样本没有被正确分类，它的权重就会被提高，反之则降低。这样， AdaBoost方法将注意力更多地放在“难分”的样本上。 怎样合并弱分类器？ 强分类器表示为若干弱分类器的线性加权和形式，准确率越高的弱学习机权重越高。 AdaBoost 课程小节 运动检测的难点： 受诸多外界因素以及背景物体内在因素的影响，图像中的背景常常是动态变化的。 运动检测的两种总体思路： 直接利用前景所特有的信息检测前景； 先得到背景图象，然后将输入图象减去背景前景得到前景图象。 课程小节 本节课介绍了几种常规的运动检测方法： 背景差法 人为给定背景：均值图象 背景未知：混合高斯模型 帧间差分 双帧差分 三帧差分 光流法 前景建模方法 课程小节 AdaBoost：根据已有的样本，融合多个弱分类器形成一个整体的强分类器。 近年来，很多学者还将以上集中方法加以合并和改进，以进一步地提高运动检测准确率。 值得注意的是：没有放之四海而皆准的法则，每种法则都有其自身的优缺点，不同的算法适合不同的环境。 参考文献 I. Haritaoglu, D. Harwood and L. Davis, “W4: Real-Time Surveillance of People and Their Activities,” PAMI, vol.22, no.8, 2000. C. Stauffer and W. Grimson, “Learning Patterns of Activity Using Real-Time Tracking,” PAMI, vol.22, no.8, pp. 747-757, 2000. B. Lucas and T. Kanade, An Iterative Image Registration Technique with an Application to Stereo Vision, Proceedings of the 7th International Joint Conference on Artificial Intelligence, pp. 674-679, 1981. P. Viola, M. Jones: Robust Real-Time Face Detection. International Journal of Computer Vision 57(2): 137-154, 2004. 帧间差分 原理： 在相邻两帧（也可以为多帧）间计算逐象素的灰度差，并通过设置阈值来确定对应运动前景的象素，进而得到运动前景区域。 双帧差分 数学表述： 如果 表示图像序列中任意相邻的两帧图像，则逐象素的差分图 可以定义为： 对上述差分图阈值化（假设预先设定的阈值为T），即可确定运动前景区域 ： 三帧差分 扩展——三帧差分：其原理与双帧差分的原理是一样的，只是在具体构造差分图上有些许不同。 n-1 n n+1 三帧差分方法 三帧差分方法的数学表述： 如果 表示图像序列中任意连续的三帧图像，则逐象素的差分图定义为： 对上述差分图阈值化（假设预先设定的阈值为T），即可确定运动前景区域 ： 对比效果图 帧间差分 优点： 适用于动态变化的背景环境。 不足： 较难准确检测运动速度过快的物体； 较难准确检测运动速度过慢的物体； 较难准确检测场景中同时存在的多个运动物体。 运动检测 常规的运动检测方法： 背景差法(background subtraction) 帧间差分(frame differencing) 光流(optical flow) 前景建模方法 光流法 当人的眼睛观察运动物体时，物体的景象在人眼的视网膜上形成一系列连续变化的图像，这一系列连续变化的信息不断“流过”视网膜（即图像平面），好像一种光的 “流”，故称之为光流（optical flow）。 光流是空间运动物体在观测成像面上的像素运动的瞬时速度。光流的研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动” 。 什么是光流？ 光流法 点的光流和点的实际运动有什么区别和联系呢？ 运动场(motion field)