منبع پایان نامه ارشد با موضوع روش های غیر پارامتری و ایجاد تغییر


Widget not in any sidebars

ردیف بالا: فریم های ابتدایی. ردیف پایین به ترتیب از چپ: تصویر پس زمینه، فریم جدید، ماسک باینری
با توجه به این که شدت رنگ پیکسل ها ممکن است به دلایل مختلف به طور طبیعی در فریم های متوالی تغییر می کند، در این روش معمولا متغیری را به عنوان حد آستانه معرفی می کنند. این متغیر دارای مقدار معینی می باشد که عموما با توجه به دنباله فریم های تعیین می شود. همچنین این مقدار مشخص کننده این امر است که آیا تغییرات شدت نور در محدوده مجاز و طبیعی صورت گرفته و یا این که این تغییر ناشی از حضور جسم متحرک بوده است. با در نظر گرفتن مطالب ذکر شده، تصویر پس زمینه ایجاد خواهد شد. پس از این مرحله یک ماسک باینری از اختلاف میان فریم جدید و تصویر پس زمینه ایجاد می شود. این اختلاف مطابق رابطه زیر محاسبه خواهد شد:
(2-1)
در رابطه بالا و به ترتیب نشان دهنده فریم جدید و تصویر پس زمینه در لحظه t می باشند. عبارت abs نیز به معنی قدر مطلق است. همچنین ماسک باینری در لحظه t نیز مطابق رابطه زیر ایجاد خواهد شد:
(2-2)
در رابطه بالا پارامتر نشان دهنده مقدار آستانه مورد نظر است. همچنین نیز نشان دهنده اختلاف میان فریم جدید و پس زمینه است.
روش های قابل استفاده در دوربین متحرک
روش Mean Shift
این روش به نوعی در دسته روش های غیر پارامتری تخمین چگالی احتمال در نظر گرفته می شود. اساس ردیابی در این روش بر مبنای دنبال کردن مرکز جرم پیکسل های ناحیه هدف بوده و برای این کار از فراوانی رنگی استفاده می گردد. این روش همان گونه که پیش تر نیز توضیح داده شد از محاسبات کم و طبیعتا سرعت بالایی برخوردار می باشد. در ادامه به توضیح مختصری از مراحل کار این روش خواهیم پرداخت ]3[.
الگوریتم به این صورت آغاز می شود که با دانستن موقعیت دقیق هدف در فریم اول که به صورت دستی مشخص می شود ، پنجره ای با ابعاد مشخص دورناحیه هدف در نظر گرفته می شود. سپس فراوانی رنگی برای شدت رنگ پیکسل های ناحیه هدف محاسبه می شود. برای راحتی محاسبات نمودار به صورت پله ای در نظر گرفته می شود. فراوانی رنگی حاصل شده با q نمایش داده می شود که آن را مدل هدف می نامند. این مدل قابل نمایش به وسیله یک بردار است که طول بردار نشان دهنده تعداد قسمت هایی است که برای پله ای کردن فضای رنگی استفاده شده است. با ورود فریم بعدی به سیستم دقیقا در محل قبلی ناحیه هدف ، در این فریم نیز پنجره ای به همان اندازه در نظر گرفته می شود. سپس با محاسبه فراوانی رنگی برای پیکسل های این ناحیه، بردار p(y) به روش مشابه بردار q محاسبه می شود. همان گونه که از ظاهر رابطه نیز مشهود است این فراوانی رنگی تابع مکان پنجره است و طبیعتا تا زمانی که تطبیق کامل اتفاق نیفتد، متغیر است. از این رو به آن کاندید هدف می گویند.
همان گونه که تا این جا گفته شد، مدل هدف مربوط به فراوانی ناحیه هدف قطعی در فریم قبلی و کاندید هدف مربوط به ناحیه احتمالی هدف در فریم جدید می باشد. بردار p(y) به طور دائم با بردار q مقایسه می شود. در صورتی که شباهت به حد کافی نباشد، مقدار y تغییر می کند که به تبع آن باعث ایجاد تغییر در p(y) نیز می شود. این مقایسه ها و اندازه گیری شباهت بر اساس معیاری به نام Bhattacharya صورت می پذیرد. این ملاک به نوعی بیانی مشابه تابع شباهت دارد. جابجایی y در دو صورت متوقف می شود اول این که مقدار شباهت به حد آستانه تعیین شده برسد . دومین حالت زمانی رخ می دهد که جابجایی مقدار y در دو مرحله متوالی از حد آستانه کمتر شود. در این صورت ناحیه مربوط به p(y) نیز به عنوان ناحیه هدف قطعی در فریم حاضر تلقی می شود. مکان جدید y همان مرکز جرم پیکسل های درون ناحیه هدف است. این مکان مطابق رابطه زیر محاسبه می شود :
(2-3)
در رابطه بالا h ابعاد پنجره، به معنی مرکز p(y) می باشد. ولی در مراحل میانی لزوما این مرکز منطبق با مرکز جرم پیکسل های درون ناحیه p(y) نیست. عبارت نشان دهنده مکان مرکز جرم پیکسل های درون ناحیه است. پارامتر تعداد پیکسل های موجود در ناحیه و همچنین هم وزن اختصاص داده شده به هر پیکسل بر اساس شدت رنگ آن می باشد.. نشان دهنده موقعیت پیکسل های ناحیه هدف است. تابع g(.) هم نوعی تابع وزن دهی است که بر اساس مقدار ورودی خود ( اختلاف مکان پیکسل با مرکز ناحیه ) ، مقادیر مختلف در خروجی خود ظاهر می کند. این تابع در این کاربرد به صورت دو بعدی می باشد. همچنین عموما برای میان گین گیری وزن دار مورد استفاده قرار می گیرد. ساختار کلی آن به صورت مسطح و یا گاوسی می باشد.
همچنین ضرایب Bhattacharya که برای اندازه گیری میزان شباهت در نظر گرفته می شوند به صورت زیر می باشند :
(2-4)
همان گونه که ذکر کردیم فراوانی رنگی q و p(y) به صورت برداری و متشکل از m بعد می باشد. مقدار پارامتر در شرایطی بیشینه مقدار خود را دارا می باشد که q و p(y) دقیقا مشابه یکدیگر باشند ]4، 5 [.
(الف)
(الف)
(ب)
(ب)

شکل شماره 2-2 الگوریتم Mean Shift
شکل شماره 2-2 الگوریتم Mean Shift
شکل الف : نحوه عملکرد الگوریتم Mean Shift طی دو فریم متوالی. شکل ب: اعمال روش Mean Shift روی تعدادی داده مجزا