Download presentation
Presentation is loading. Please wait.
1
静止背景における動物体の検出と追跡 陳 謙 2004年10月19日
2
問題の定義 関心のある物体を除いて移動物体は存在しない。 カメラの位置、方向は固定、焦点距離などの内部パラメータも固定
この場合、移動物体は存在しない場合、カメラが撮影していた画像は不変（静止）である この前提のもとで、画像の中の画素を ① 背景 ② 移動物体 の2種類に分類して、移動物体の抽出と追跡を行う。
3
処理の手順 背景のモデリング（背景画像の構築） 入力画像と背景画像との画素間の差を計算して、移動物体の画素を抽出する
フィルタリング処理によりノイズを除去 隣接している画素をグルーピングする フレーム間における物体の追跡を行い、物体の軌跡を求める
4
入力画像（背景モデリング）
5
背景のモデル（背景画像）
6
抽出した移動物体
7
実画像の例 入力画像 抽出した移動物体の領域 背景画像
8
Segmentation Results Foreground extraction of first target at 20mph
Foreground extraction of second target at 20mph
9
Results
12
背景のモデリング 画像内に移動物体が存在しない瞬間があれば、その瞬間の画像を背景画像とすることができる。
しかし、一般的に、移動物体の存在の判断が難しくて、しかも、背景像が変化することが多い。
13
背景が変化している 光源の位置が変化する（太陽！！） 外部照明条件が変化する。（雲、影、反射など）
内部照明条件が変化する（扉、窓の開閉、照明灯のOn/Off) 移動物体が絶えることはない。（交差点など） 背景物体の変動（木の揺れ、水面の波 カメラの露出の変化（自動露出など）
14
背景のモデリング 画像系列から静止画像を構築すること 背景画像の動的更新 拡張した背景モデリング 複数の画素値
画素値モデリング（分布、変動など）
15
動物体の対処 一般的に、静止環境に設定しているカメラから撮影された画像には、次の特徴がある： 画像全体の中に、移動物体が示す面積が少ない
移動物体が停止しないし、静止している時間はきわめて短い このことから、動画像の中の画素には、背景が写っている時間（回数、頻度、確率）が圧倒的に長い ことが言える
16
移動物体の存在する環境における背景の獲得
数秒間から数分間の動画像を撮影する 画像の各画素に対して、出現頻度（確率）について分析を行う 出現頻度が最も高い明るさ・色をその画素の背景の明るさ・色とする 具体的に、ヒストグラムに基く方法 と 確率モデリングに基く方法がある。
17
背景のモデリング４ （Gaussian分布による背景のモデリング）
画像の各画素に現れる画素値が 正規分布に従うと仮定する 各画素に対して、ひとつのGaussian分布を割当て、 入力画素値により、そのGaussian分布のパラメータ（平均・分散）を調整する 分散が基準値を超えた画素は、モデリング不能の画素とする（画素値が常に変動しているか、変動しない時間が短すぎる） Gaussian分布の平均値を背景の画素値とする。
18
Gaussian分布 式: 可視化: (2-Dimensional)
19
背景のモデリング５ （ヒストグラムによる背景モデリング）
各画素に現れる画素値のヒストグラムを構築する 出現頻度の最も高い画素値（あるいは上位N個の画素値の平均）をその画素の背景の画素値とする
20
色空間 RGB色空間を用いると、背景モデリングの処理は、影の影響に敏感に影響される
明るさ情報と色情報が分離している色空間を用いれば、陰の影響を軽減することが可能である たとえば、YUV色空間
21
色空間 背景画像と入力画像: 各成分（Y, U, V)の差分画像:
22
Track objects Objects are tracked from frame to frame using: Location
Direction of motion Size Colour
23
Gaussian Mixture Model
Stauffer & Grimson (2000) 各画素のにおけるK 個 gaussian分布を管理する 平均値 µ, 標準偏差 と 重み 入力画素はどれかのgaussian分布にマッチしていれば、背景と判別する
24
中間値モデル（Median Value Model）
Cucchiara, Grana, Piccardi & Prati (2003) 各画素について、N フレーム前までの履歴を管理する 背景画素値は中間値である 入力画素の画素値と背景画素値との差が閾値以下であれば、背景と判別する |I(p), B(p)| < T
25
適応（Adaptation） GM と MV はともに照明の変動に適応する GM モデルの適応は遅いが、複数の背景値に対応できる
しかし、適応の途中、誤検出が多く発生する 従って、画像中の多くの領域は、“動物体”として抽出されてしまう GM モデルの適応は遅いが、複数の背景値に対応できる
26
静止背景における移動物体の検出の応用 監視 セキュリティ（保安、警備）監視カメラ 交通状況の監視 人数の統計 など 形状計測 視体積交差法
人数の統計 など 形状計測 視体積交差法 ユーザインタフェース 目の検出、指の検出など
Similar presentations
