А.Н. Алфимцев, Н.А. Демин
2
ровом изображении
I
t
(
h
,
w
) в момент времени
t
.
Отслеживанием
называется захват
Ob
t
(
X
,
Y
) на последовательности цифровых изоб-
ражений. Под захватом объекта
в реальном времени
понимается об-
работка видеопотока с частотой не менее 10 кадров в секунду.
Обу-
чением
называется предварительная настройка и задание параметров
алгоритма захвата и отслеживания для обнаружения интересующего
объекта. Обучение может выполняться на основе обучающей выбор-
ки, состоящей из одного или нескольких обучающих изображений.
Под обучающим цифровым изображением понимается изображение
I
t
(
h
,
w
) с дополнительной информацией о наличии или отсутствии на
нем искомого объекта.
Для решения задач захвата и отслеживания создано множество
алгоритмов, позволяющих проектировать актуальное программное
обеспечение для различных сфер применения. В данной работе про-
веден анализ алгоритмов Лукаса – Канаде, шаблонов движений,
сдвига среднего, Виолы – Джонса, непрерывно адаптирующегося
сдвига применительно к решению задач захвата и отслеживания уда-
ленных объектов в видеопотоке. Под
удаленным объектом
здесь по-
нимается объект, находящийся на расстоянии более 100 м от пассив-
ного сенсора — видеокамеры, не использующего оптические и про-
граммные средства увеличения изображения. Работа с данным типом
объекта значительно усложняет задачу захвата и отслеживания. Не
все алгоритмы успешно справляются с ее решением из-за возраста-
ющего уровня шумов и оптических иллюзий, возникающих в потоке
цифровых изображений.
Краткий обзор алгоритмов захвата и отслеживания.
Для ана-
лиза выбраны следующие наиболее часто используемые алгоритмы
для захвата и отслеживания движущихся объектов
Ob
t
(
X
,
Y
), исход-
ный код которых свободно доступен на языке программировании
C
++ в сети Интернет для экспериментов и модификации:
• шаблонов движений (
Motion Templates
) — основан на поиске
границ объектов в каждом кадре видеопотока
I
t
(
h
,
w
) [1]. Смещение
границы на новом кадре
I
t
+1
(
h
,
w
) относительно предыдущего задает
вектор движения объекта. Данный алгоритм наиболее эффективен
при движении крупных объектов и часто используется для распозна-
вания динамических жестов в человеко-машинных интерфейсах;
• сдвига среднего (
Mean-Shift
) — основан на математической мо-
дели, которая заключается в том, что вычисляется локальный экстре-
мум плотности распределения набора характерных точек, т. е. алго-
ритм отслеживает смещение центра масс точек, определяющих объ-
ект слежения, получая на выходе вектор движения объекта [2].
Высокая эффективность достигается при ярко выраженном цветовом
различии объекта и фона;
