臺灣博碩士論文加值系統

本論文提出一套可用於複雜背景及移動場景下即時多物體追蹤演算法。影像追蹤演算法採用平均位移演算法伴隨物體大小預測(Mean-Shift Algorithm with Scale Estimation )，此演算法利用主成分分析法估測物體大小，可以解決部分遮蔽和物體變形的問題，在複雜背景下具有良好的追蹤效果，並且加入了Adaptive Background的觀念，達到在複雜和移動場景下能及時地追蹤物體並且預測物體大小，並利用影像相似度的觀念，解決物體遮蔽的問題。本演算法先在Matlab上測試性能，並在硬體上選用TI的 DVPB(Davinci Prototyping Board)嵌入式發展板做為測試平台。影像來源透過PTZ攝影機擷取，ARM處理器主要是負責系統周邊的控制，並且處理追蹤物體的演算法。期待此系統能在視訊會議，安全監控，機器人視覺上能有相關的應用面。

目錄
摘 要 ii
ABSTRACT iii
致謝 iv
目錄 v
圖例 viii
表例 x
第一章 緒論 - 1 -
1.1 研究動機 - 1 -
1.2 文獻回顧 - 1 -
1.3 論文架構 - 2 -
第二章 影像演算法分析 - 3 -
2.1 傳統的平均位移演算法 - 3 -
2.1.1 介紹 - 3 -
2.1.2 目標物區域和後選區域的表示 - 3 -
2.1.3 目標物區域和後選區域的模型表示 - 3 -
2.1.4 基於Bhattacharyya Coefficient 的相似度量測 - 5 -
2.1.5 傳統的平均位移演算法推導 - 6 -
2.2 Spatial-Color 的Mean-Shift 物體追蹤演算法 - 9 -
2.2.1 介紹 - 9 -
2.2.2 Spatiogram 的觀念 - 10 -
2.2.3 結合Spatiogram 和Color 的模型描述 - 10 -
2.2.4 新的相似函數 - 11 -
2.2.5 Spatial-Color 的Mean-Shift 演算法 - 12 -
2.3 背景權重，顏色特徵空間和物體大小預測的 - 15 -
Spatial-Color Mean-Shift 演算法 - 15 -
2.3.1 介紹 - 15 -
2.3.2 正規化色彩特徵空間 - 15 -
2.3.3 背景權重 - 15 -
2.3.4 預測追蹤物體的大小和方向 - 18 -
第三章 適應性背景的Spatial-Color 的Mean-Shift 演算法 - 23 -
3.1 ABCshift 演算法 - 23 -
3.1.1 介紹 - 23 -
3.1.2 ABCshift 演算法 - 23 -
3.2 適應性背景的Spatial-Color 的Mean-Shift 演算法 - 26 -
3.2.1 介紹 - 26 -
3.2.2 適應性背景觀念 - 26 -
3.3 遮蔽效應 - 29 -
3.3.1 介紹 - 29 -
3.3.2 追蹤物體之間的遮蔽效應 - 29 -
第四章 系統軟硬體設計與實現 - 31 -
4.1 硬體環境 - 31 -
4.1.1 雙核心發展平台DVPB(Davinci Prototying Board) - 31 -
4.1.2 周邊設備 - 32 -
4.2 硬體系統架構 - 33 -
4.3 軟體環境 - 34 -
4.3.1 Linux 作業系統和Compiler - 34 -
4.3.2 CCS v3.2 - 34 -
4.3.3 DSP/BIOS Link - 35 -
第五章 系統測試與結論 - 37 -
5.1 介紹 - 37 -
5.2 Spatial-Color Mean Shift 演算法與適應性背景Spatial-Color Mean Shift
演算法之比較 - 37 -
5.2.1 Spatial-Color Mean-Shift 演算法 - 37 -
5.2.2 適應性背景Spatial-Color Mean-Shift 演算法 - 38 -
5.2.3 結論 - 39 -
5.3 適應性背景Spatial-Color Mean Shift 演算法與ABCshift 演算法之比較 - 39 -
5.3.1 背景區域顏色不同 - 40 -
5.3.2 複雜及移動在相似背景 - 41 -
5.3.3 結論 - 42 -
5.4 遮蔽效應 - 42 -
5.4.1 介紹 - 42 -
5.4.2 固定大小 - 42 -
5.4.2.1 兩物體遮蔽 - 42 -
5.4.2.2 有其他物體干擾的情況 - 43 -
5.4.2.3 移動場景 - 44 -
5.4.3 可變大小 - 44 -
5.4.3.1 兩物體遮蔽 - 44 -
5.4.3.2 有其他物體干擾的情況 - 45 -
5.4.3.3 移動場景 - 46 -
5.5 在DVPB 上實現適應性背景的演算法 - 47 -
5.5.1 追蹤物體：杯子 - 47 -
5.5.2 追蹤物體：娃娃 - 48 -
5.5.3 追蹤物體：人臉 - 48 -
5.6 結論和未來展望 - 49 -
參考文獻 - 50 -

[1] D. Comaniciu, V. Ramesh, and P. Meer, “Kernel- based object tracking,” IEEE Trans. On Pattern Analysis and Machine Intelligence, 25(5):564-577, May 2003.

[2] F. Porikli, O. Tuzel, “Multi-kernel object tracking,” IEEE International Conference on Multimedia and Expo, pp. 1234-1237, 2005.

[3] V. Parameswaran, V. Ramesh, and I. Zoghlami, “Tunable kernels for tracking,” IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol.2, pp.2179-2186, 2006.

[4] R. Collins, “Mean-shift blob tracking through scale space”, Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 2003.

[5] K. She, G. Bebis, H. Gu, and R. Miller, “Vehicle tracking using on-line fusion of color and shape features”, Proc. IEEE Conf. on Intelligent Transportation Systems, 2004.

[6] Q. Zhao and H. Tao, “Object tracking using color correlogram,” Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 2005.

[7] S. Birchfield and S. Rangarajan, “Spatiograms versus histograms for region-based tracking,” Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 2005.

[8] H. Zhang, Z. Huang, W. Huang, and L. Li, “Kernel-based method for tracking objects with rotation and translation,” Proc. International Conf. on Pattern Recognition, 2004.

[9] Z. Zivkovic and B. Krose, “An em-like algorithm for color-histogram-based object tracking,” Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 2004.

[10] F. Porikli and O. Tuzel, “Object tracking in low-frame-rate video,” Proc. PIE/EI—Image and Video Communication and Processing, San Jose, CA, 2005.

[11] T. Lindeberg, “Feature detection with automatic scale selection,” International Journal of Computer Vision, vol. 30(2), pp.79-116, November 1998.

[12] C. Yang, R. Duraiswami, and L. Davis, “Efficient mean-shift tracking via a new similarity measure,” IEEE Conf. on Computer Vision and Pattern Recognition, vol. 1, pp. 176-183, 2005.

[13] T. Hastie, R. Tibshirani, andJ. Friedman, “The elements of statistical learning,” Springer, 2001.

[14]http://www.cs.technion.ac.il/~amita/fragtrack/fragtrack.htm

[15]http://groups.inf.ed.ac.uk/vision/CAVIAR/CAVIARDATA1/

[16] D.W. Scott, “Multivariate Density Estimation,” New York: Wiley, pp.24-26, 1992.

[17] D. Comaniciu, V. Ramesh, and P. Meer, “Real-time tracking of non-rigid objects using mean shift,” Best Paper Award, IEEE Conf. Computer Vision and Pattern Recognition, Hilton Head Island, South Carolina, vol.2, pp.142-149, 2000.

[18] D. Comaniciu, P. Meer, “Mean shift: a robust approach toward feature space analysis,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.24 n.5, pp.603-619, May 2002

[19] 阮崇偉,使用空間與顏色特徵的平均位移演算法於物體大小與方向追
蹤,交大碩士論文,2007

[20] 黃啟陽,以雙核心平台實現即時影音追蹤與語音純化系統,
交大碩士論文,2008

[21] R.Stolkin , I.Florescu , G.Kamberrov “An Adaptive Background Model for Camshift Tracking with a Moving Camera”

[22] Qiang Liu1 , Canhui Cai2 , King N. Ngan1 and Hongliang Li1“CAMSHIFT BASED REAL-TIME MULTIPLE FACES MATCH TRACKING”