Lọc kalman ứng dụng hệ thống dò vết đối tượng trong chuỗi video

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN HỒNG HẠNH LỌC KALMAN ỨNG DỤNG HỆ THỐNG DÒ VẾT ĐỐI TƯỢNG TRONG CHUỖI VIDEO LUẬN VĂN THẠC SĨ KHOA HỌC NGÀNH CÔNG NGHỆ THÔNG TIN Hà Nội – Năm 2010 Dò vết đối tượng chuyển động chuỗi video LỜI CAM ĐOAN Tôi – Nguyễn Hồng Hạnh - cam đoan Luận văn công trình nghiên cứu thân hướng dẫn TS Nguyễn Linh Giang Các kết nêu Luận văn trung thực, chép toàn văn công trình khác Hà Nội, ngày 20 tháng 04 năm 2010 Tác giả Luận văn Nguyễn Hồng Hạnh Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT DANH SÁCH CÁC HÌNH VẼ LỜI NÓI ĐẦU CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN THEO VẾT ĐỐI TƯỢNG 1.1 Giới thiệu toán phân tích đối tượng chuỗi video 1.2 Một số ứng dụng thực tiễn toán theo vết đối tượng 11 1.3 Một số nghiên cứu vấn đề dò vết đối tượng chuỗi video 11 1.4 Phát biểu toán quan tâm: Dò vết đối tượng chuỗi video 16 KẾT CHƯƠNG 16 CHƯƠNG 2: CÁC NỀN TẢNG LÝ THUYẾT LIÊN QUAN ĐẾN BÀI TOÁN DÒ VẾT ĐỐI TƯỢNG 17 2.1 Bài toán phát chuyển động 18 2.1.1 Tổng quan toán phát đối tượng chuyển động 18 2.1.2 Tiền xử lý khung hình 19 2.1.3 Các phương pháp lấy vùng ảnh 20 A Phương pháp trừ ảnh (Background Subtraction): 21 B Phương pháp dựa thống kê (Statistical Methods) 21 C Phương pháp pháp dựa chênh lệnh tạm thời khung hình (Temporal Differencing) 21 2.1.4 Xử lý vùng ảnh 22 2.1.4.1 Những vấn đề gặp phải xử lý nhiễu vùng ảnh 23 2.1.4.2 Thiết lập ngưỡng ảnh 24 2.1.4.3 Thuật toán xử lý ảnh hình thái học 25 2.1.4.4 Nhận dạng biên 33 2.2 Bài toán dò vết đối tượng chuyển động 35 2.2.1 Theo vết đối tượng dựa vùng 36 2.2.2 Theo vết đối tượng dựa biên 39 2.2.3 Theo vết đối tượng dựa điểm đặc trưng 40 2.2.4 Theo vết đối tượng dựa mẫu 42 2.2.5 Theo vết đối tượng phụ thuộc vào lớp không gian trạng thái (Bayesian object tracking) 43 2.2.5.1 Bộ lọc Kalman 43 2.2.5.2 Bộ lọc Particle 51 KẾT CHƯƠNG 53 CHƯƠNG 3: DÒ VẾT ĐỐI TƯỢNG TRONG CHUỖI VIDEO SỬ DỤNG BỘ LỌC KALMAN THÍCH NGHI 54 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video 3.1 Tổng quát hướng tiếp cận giải đề xuất luận văn 54 3.2 Các giai đoạn hướng tiếp cận 56 3.2.1 Phân vùng đối tượng khởi tạo trích chọn đặc trưng 56 3.2.1.1 Phương thức xác định độ sai khác khung hình gia tăng vùng 56 3.2.1.2 Trích xuất màu sắc chủ đạo vật thể 60 3.2.2 Dò vết đối tượng chuyển động sử dụng lọc Kalman thích nghi 61 3.2.2.1 Bộ lọc Kalman điển hình 62 3.2.2.2 Tạo mô hình chuyển động 64 3.2.2.3 Phát đối tượng chuyển động chuỗi hình liên tục 65 3.2.2.4 Lọc Kalman thích nghi 68 KẾT CHƯƠNG 70 CHƯƠNG 4: CÀI ĐẶT, THỬ NGHIỆM VÀ ĐÁNH GIÁ CHƯƠNG TRÌNH 72 4.1 Tổng quan chương trình 72 4.2 Tiêu chí thử nghiệm thuật toán – Bộ liệu video thử nghiệm 72 4.3 Hình ảnh kết thử nghiệm thuật toán cài đặt liệu video 73 4.4 Nhận xét kết thử nghiệm 82 4.5 Đánh giá thuật toán đề xuất với phương pháp khác 83 KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN ĐỀ TÀI 86 TÀI LIỆU THAM KHẢO 87 TÓM TẮT LUẬN VĂN 92 ABSTRACT OF THESIS 93 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT Số TT Từ Dạng đầy đủ Giải nghĩa AKF Adaptive Kalman filter Lọc Kalman thích nghi HSI Hue, Saturation, Intensity Không gian màu HSI (màu sắc, độ bão hòa màu, cường độ sáng) TD Temporal Differencing Chênh lệch tạm thời khung hình RGB Heuristic PCA Red, Green, Blue Luật tự sinh Principal Component Phân tích thành phần Analysis EKF Extended Kalman Filter Lọc Kalman mở rộng Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video DANH SÁCH CÁC HÌNH VẼ Hình Hình 2-1 Hình 2-2 Hình 2-3 Hình 2-4 Hình 2-5 Hình 2-6 Hình 2-7 Hình 2-8 Hình 2-9 Hình 2-10 Hình 2-11 Hình 2-12 Hình 2-13 Hình 2-14 Hình 2-15 Hình 2-16 Hình 2-17 Hình 2-18 Hình 3-1 Hình 3-2 Hình 3-3 Hình 3-4 Hình 3-5 Hình 3-6 Hình 3-7 Hình 3-8 Hình 3-9 Hình 4-0 Hình 4-1 Hình 4-2 Hình 4-3 Hình 4-4 Hình 4-5 Tiêu đề Tổng quan toán phát đối tượng Trích rút màu từ ảnh gốc Phát vùng ảnh Mô tả nhược điểm phương pháp chênh lệch tạm thời Xử lý vùng ảnh Vùng đối tượng sử dụng ngưỡng khác Ví dụ phép toán hình thái học Liên kết điểm ảnh Phép dãn ảnh tổng quát theo Minkowski Dãn ảnh co ảnh tổng quát với thành phần cấu trúc 5x5 Trích đường bao đối tượng Trích rút đường bao đối tượng Hình có màu Điểm đặc trưng trích xuất từ đối tượng Thông tin vào lọc Mô hình hóa hoạt động mạch lọc Kalman Cơ chế lọc Kalman Tóm tắt mạch lọc Kalman Cấu trúc chung hướng tiếp cận đề xuất luận văn Ví dụ phương thức so sánh độ sai khác khung hình Ví dụ phương thức gia tăng vùng Sơ đồ giai đoạn phân vùng đối tượng chuyển động trích chọn đặc trưng Biểu đồ luồng lọc Kalman điển hình Biểu đồ luồng giai đoạn phát đối tượng chuyển động Sơ đồ khối giai đoạn phát đối tượng Biểu đồ luồng lọc Kalman thích nghi Sơ đồ khối định tham số ước lượng cho lọc Kalman thích nghi Kỹ thuật sai khác khung hình Đối tượng phát đứng tách biệt Đối tượng di chuyển theo đám đông sau tách Hình ảnh thử nghiệm thuật toán lọc Kalman sở Trường hợp đối tượng thay đổi hướng chuyển động Trường hợp đối tượng đột ngột tăng tốc Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Trang 18 19 20 22 23 25 26 27 30 33 34 35 38 41 44 46 47 49 55 57 59 61 64 66 67 68 69 74 75 76 77 78 79 Dò vết đối tượng chuyển động chuỗi video Hình 4-6 Hình 4-7 Hình 4-8 Hình 4-9 Hình 4-10 Hình 4-11 Hình ảnh đối tượng xuất che khuất Đối tượng di chuyển vào vùng che khuất Trường hợp đối tượng di chuyển tốc độ nhanh So sánh hiệu thuật toán So sánh hiệu thuật toán So sánh hiệu thuật toán Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 80 81 82 83 83 84 Dò vết đối tượng chuyển động chuỗi video LỜI NÓI ĐẦU Trong nhiều năm gần đây, nghiên cứu trình phân vùng, ước lượng theo dõi chuyển động vật thể chuỗi video thu hút đựợc nhiều mối quan tâm Sở dĩ nhận nhiều mối quan tâm lĩnh vực ứng dụng nghiên cứu lớn Có thể liệt kê số ứng dụng quan trọng nghiên cứu này, không kể đến cần thiết lĩnh vực phát triển giao diện người-máy, hỗ trợ robot nhận định, hiểu phân tích chuyển động người vật thể di động Thứ ứng dụng nghiên cứu hệ thống giám sát an ninh khu vực nhạy cảm ngân hàng, trung tâm thương mại, bãi đỗ xe, khu vực biên giới… Ngoài nghiên cứu ứng dụng việc theo dõi hoạt động giao thông, hỗ trợ phân tích hình ảnh thể thao… Trong kỹ thuật phân tích hình ảnh video, buộc phải xác định thông số vật thể chuyển động ví dụ màu sắc, chất liệu, hình thể v.v vật thể chuyển động xác định theo dõi vết Có số tình thực tế ống kính máy quay có cố định không, vật thể chuyển động có dạng phức hợp không, vật thể rắn hay dạng khác, có bị che khuất vật không, hình ảnh thu nhận hay nhiều ống kính, thay đổi điều kiện ánh sáng hình ảnh … ứng với tình lại có phức tạp riêng mà hệ thống xử lý hết Đứng trước thú vị tầm ứng dụng thách thức toán, tác giả chọn toán “Dò vết đối tượng chuỗi video” làm đề tài nghiên cứu cho Luận văn thạc sỹ Trong trình nghiên cứu, tác giả nhận thấy toán có nhiều ứng dụng thiết thực khác Trong luận văn này, tác giả trình bày hệ thống có khả phát theo vết đối tượng Hệ thống xử lý đoạn video đen trắng lẫn mầu từ camera tĩnh Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video Về mặt bố cục, Luận văn gồm năm chương, nội dung sau: Chương 1: Giới thiệu tổng quan toán phân tích đối tượng chuỗi video, phát biểu toán cần nghiên cứu: toán dò vết đối tượng, trình bày số ứng dụng toán, xác định nhiệm vụ mục tiêu mà Luận văn phải đạt Chương 2: Trình bày tảng lý thuyết liên quan đến toán dò vết đối tượng Cụ thể nghiên cứu hướng tiếp cận, phương pháp thực toán sở: Phát dò vết đối tượng Chương Đề xuất nghiên cứu xây dựng toán dò vết đối tượng theo hướng tiếp cận dựa vùng sử dụng lọc ước đoán Kalman thích nghi Chương 4: Cài đặt chương trình Kiểm thử, đánh giá, nhận xét ưu, nhược điểm đề xuất hướng phát triển tương lai Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN THEO VẾT ĐỐI TƯỢNG Những nội dung chương: • Giới thiệu toán phân tích đối tượng chuỗi video • Một số ứng dụng toán theo vết đối tượng • Một số phương pháp tiếp cận toán theo vết đối tượng • Xác định nhiệm vụ phạm vi nghiên cứu luận văn 1.1 Giới thiệu toán phân tích đối tượng chuỗi video Hệ thống giám sát đối tượng ngày phát triển ứng dụng rộng rãi thực tế việc hỗ trợ giám sát cho hệ thống an ninh khu vực nhạy cảm đặc biệt giao thông – vấn đề bách xã hội Với hệ thống giám sát đối tượng giải số công việc khu vực cần giám sát an ninh phát đối tượng chuyển động phân loại đối tượng, xác định vận tốc đối tượng, đếm số đối tượng di chuyển,… Để xây dựng hệ thống giám sát đối tượng thường phải giải ba toán sau: phát đối tượng, phân loại đối tượng theo vết đối tượng Các toán có quan hệ chặt chẽ hỗ trợ cho Bài toán 1: Phát đối tượng chuyển động bước toán phân tích hình ảnh video Nhiệm vụ toán từ khung hình video thu phát vùng đối tượng chuyển động từ đưa vị trí, số tính chất đặc trưng đối tượng chuyển động Phương pháp thường sử dụng toán là: phương pháp trừ ảnh nền, phương pháp dựa thống kê, phương pháp chênh lệch tạm thời Bài toán 2: Phân lớp đối tượng công việc phân loại lớp đối tượng tìm theo lớp định nghĩa trước như: Lớp người, lớp phương tiện, lớp động vật,… Đây bước cần thiết để tiếp tục phân tích hoạt động chúng Để phân loại đối tượng, cách khác Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video Hình 4-2 Đối tượng di chuyển theo đám đông sau tách Hình ảnh hình ảnh thử nghiệm đoạn video áp dụng lọc Kalman vào hệ thống Hệ thống bắt đối tượng, đưa vết di chuyển ước lượng đối tượng Áp dụng thử nghiệm vài đoạn video, đoạn hình ảnh đối tượng qua khung hình theo hướng, đoạn hình ảnh đối tượng di chuyển có đổi hướng trường hợp đối tượng thay đổi vận tốc Kết thử nghiệm hiển thị hình ảnh đây: Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 76 Dò vết đối tượng chuyển động chuỗi video Hình 4-3 Hình ảnh thử nghiệm thuật toán lọc Kalman sở Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 77 Dò vết đối tượng chuyển động chuỗi video Hình 4-4 Hình ảnh thử nghiệm trường hợp đối tượng thay đổi hướng chuyển động Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 78 Dò vết đối tượng chuyển động chuỗi video Hình 4-5 Kết thử nghiệm trường hợp đối tượng đột ngột tăng tốc Tuy nhiên trường hợp xuất đối tượng khác, che khuất đối tượng cần theo vết, lọc Kalman rời rạc tỏ không hiệu Ví dụ trường hợp cho thấy kết thử nghiệm hình Để khắc phục, sử dụng lọc Kalman thích nghi với tham số trạng thái độ đo thay đổi cập nhật liên tục nhờ tỷ lệ che khuất (có thể tính toán được) Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 79 Dò vết đối tượng chuyển động chuỗi video Hình 4-6 Hình ảnh đối tượng xuất che khuất Lọc Kalman thích nghi đưa vào thuật toán, cho kết khả quan, thể hình ảnh đoạn video (trường hợp quãng đường di chuyển, đối tượng bị che khuất vật thể khác trường hợp đối tượng di chuyển với vận tốc nhanh) Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 80 Dò vết đối tượng chuyển động chuỗi video Hình 4-7 Đối tượng di chuyển vào vùng che khuất Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 81 Dò vết đối tượng chuyển động chuỗi video Hình 4-8 Hình ảnh thử nghiệm trường hợp đối tượng di chuyển tốc độ nhanh 4.4 Nhận xét kết thử nghiệm Trong trình phát đối tượng, đối tượng phát khoanh vùng ô vuông Hình 4-1,4-3 hình ảnh bắt đối tượng chuyển động, đối tượng đứng vị trí tách biệt, kết thể phát đối tượng tốt, nhiên với trường hợp đối tượng di chuyển gặp đám đông kết thuật toán lại gom nhóm đối tượng lại nhận diện thành đối tượng (hình 4-2) Thử nghiệm thuật toán theo vết đối tượng sử dụng lọc Kalman Lựa chọn đối tượng làm mục tiêu theo vết áp dụng thuật toán lọc Kalman để ước đoán di chuyển đối tượng Sai số độ đo sai số dự đoán thiết lập Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 82 Dò vết đối tượng chuyển động chuỗi video giá trị không đổi, theo thực nghiệm cho thấy hai sai số tương ứng vào khoảng 0,2 0,8 (hình 4-4,4-5) Trường hợp cắt ngang qua hai đối tượng, thuật toán tỏ tốt thời điểm đầu đối tượng di chuyển khung hình (hình 4-6 a,b,c,d) Nhưng gặp đối tượng khác di chuyển vào khung hình, cắt ngang qua đối tượng theo vết, che khuất đối tượng đó, thuật toán Kalman trường hợp đánh đối tượng (hình 4-6e,f) Thử nghiệm thuật toán theo vết sử dụng lọc Kalman thích nghi giải trường hợp đối tượng di chuyển khuất sau vật thể Tỷ lệ che khuất sử dụng để điều chỉnh lại sai số dự đoán sai số độ đo cách thích hợp cho lọc Kalman Nếu tỷ lệ che khuất nhỏ 0.3 sai số độ đo thiết lập lại tỷ lệ che khuất α(t) sai số dự đoán 1- α(t) Những trường hợp lại, sai số độ đo vô sai số dự đoán Hình 4-7 hình ảnh thử nghiệm cho trường hợp đối tượng di chuyển bị che khuất từ khung hình 46 đến khung hình 60 Đây khoảng thời gian che khuất tương đối nhỏ, việc theo vết đối tượng bị che khuất với khoảng thời gian dài có độ khó tương đối lớn nhiên trường hợp đối tượng di chuyển với vận tốc hướng không đổi phương pháp đề xuất luận văn cho kết tốt Thuật toán tỏ hiệu với trường hợp đối tượng di chuyển nhanh (hình 4-8) 4.5 Đánh giá thuật toán đề xuất với phương pháp khác Luận văn đề xuất thực hệ thống có khả phát theo vết đối tượng dùng lọc Kalman thích nghi để ước đoán vị trí đối tượng cần theo vết, đồng thời xử lý tình gặp che khuất Hệ thống thực nghiệm chạy tốt, bắt đối tượng chuyển động khung hình, theo vết đối tượng Để đánh giá hiệu thuật toán đề xuất ta đánh giá thuật toán đề xuất so với thuật toán luồng quang học dựa sai số (error) vị trí đối tượng khung hình (frame) ứng với số trường hợp thử nghiệm Sai số vị trí đối tượng = vị trí tính toán ước lượng – vị trí thực đo Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 83 Dò vết đối tượng chuyển động chuỗi video Kết thể đồ thị (lưu ý, thuật toán luồng quang học thuật toán đơn giản, tính toán vị trí đối tượng dựa bốn góc vùng lựa chọn): Hình 4-9 So sánh thuật toán trường hợp theo vết thực nghiệm hình 4-3 Hình 4-10 So sánh thuật toán trường hợp theo vết thực nghiệm hình 44 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 84 Dò vết đối tượng chuyển động chuỗi video Hình 4-11 So sánh thuật toán trường hợp theo vết thực nghiệm hình 47 Nhận xét: Kỹ thuật luồng quang học thực tốt khung hình đầu tiên, khung hình sau sai số kỹ thuật tăng dần vết đối tượng Tỷ lệ trung bình sai số thực theo vết hai thuật toán (trung bình sai số kỹ thuật lọc Kalman thích nghi/ trung bình sai số kỹ thuật luồng quang học) = 0,4906 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 85 Dò vết đối tượng chuyển động chuỗi video KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN ĐỀ TÀI Các kết đạt Sau gần năm nghiên cứu, với hướng dẫn TS.Nguyễn Linh Giang , tác giả đạt số kết sau: • Tìm hiểu toán Phân tích đối tượng cảnh (khái niệm, ứng dụng) vấn đề lý thuyết liên quan đến • Tìm hiểu số phương pháp giải toán Phát theo vết đối tượng, sở đánh giá ưu điểm hạn chế phương pháp, tác giả lựa chọn hướng tiếp cận cụ thể để nghiên cứu • Nghiên cứu hướng tiếp cận giải toán Phát theo vết đối tượng: Hướng tiếp cận dùng lọc dự đoán Kalman Tác giả nghiên cứu lý thuyết, xây dựng mô hình cho toán, cài đặt thuật toán áp dụng cho mô hình • Xây dựng thử nghiệm hệ thống dò vết theo hướng tiếp cận đề xuất, tiến hành kiểm thử đánh giá Các kết thu thực dò vết đối tượng số trường hợp phức tạp khả quan Định hướng phát triển đề tài Mặc dù đạt số kết định trên, nhiên thời gian tới, tác giả dự định tiếp tục nghiên cứu, phát triển đề tài theo định hướng sau: • Tìm hiểu thêm toán phân loại đối tượng chuyển động (mô hình tổng quan, phương pháp xử lý…) để hoàn thiện phương pháp luận cho đề tài “Phân tích đối tượng cảnh” • Xây dựng hoàn thiện thêm chức cho hệ thống thử nghiệm, như: phát dò vết nhiều đối tượng lúc đoạn video, đếm số lượng đối tượng di chuyển cảnh, tính toán vận tốc đối tượng… Những vấn đề tiếp tục tác giả nghiên cứu tương lai Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 86 Dò vết đối tượng chuyển động chuỗi video TÀI LIỆU THAM KHẢO [1] Quming Zhou, J.K.Aggarwal, Tracking and Classifying moving objects from Video, University of Texas, Austin [2] Pedro M.Jorge, Jorge S.Marques, Arnaldo J.Abrantes , Estimation of the Bayesian Network Architecture for Object tracking in video sequences [3] Yiwei Wang, John F Doherty, Robert E Van Dyck, Moving object tracking in video, Pennsylvania State University and National Institude of Standards and Technology [4] R.E.Kalman "A New Approach to Linear Filtering and Prediction Problems" [5] Al Bovik, The Essential Guide to Video Processing 2nd Edition (2009) Austin, Texas [6] Gary Bishop, Grey Welch, An introduction to the Kalman Filter, University of North Carolina [7] Dae-Sik Jang, Seok-Woo Jang, Hyung-Il Choi, 2D human body tracking with structural Kalman filter, Pattern Recognition 35 (2002) [8] Dae-Sik Jang, Hyung-Il Choi, Active models for tracking moving objects, Pattern Recognition 33 (2000) [9] Shao-Yi Chien, Shyh-Yih Ma, Liang-Gee Chen, Efficient moving object segmentation algorithm using background registration technique, IEEE Transactions on Circuits and Systems for Video Technology 12 (7) (2002) [10] Changick Kim, Jenq-Neng Hwang, Fast and automatic video object segmentation and tracking for content-based applications, IEEE Transactions on Circuits and Systems for Video Technology 12 (2) (2002) Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 87 Dò vết đối tượng chuyển động chuỗi video [11] Dong Kwon Park, Ho Seok Yoon, Chee Sun Won, Fast object tracking in digital video, IEEE Transactions on Consumer Electronics 46 (3) (2000) [12] Greg Welch, Gary Bishop, An Introduction to the Kalman Filter, UNC-Chapel Hill, TR 95-041, March 11, (2002) [13] Yiwei Wang, John F Doherty, Robert E Van Dyck, Moving object tracking in video, in: Proceedings of the 29th workshop of Applied Imagery Pattern Recognition, 2000, October 16–18, 2000, pp [14] Alan J Lipton, Hironobu Fujiyoshi, Raju S Patil, Moving target classification and tracking from real-time video, Proceedings of the Applications of Computer Vision, WACV’98, October 19–21, 1998, pp [15] Johnson I Agbinya, David Rees, Multi-object tracking in video, Real- Time Imaging (1999) [16] Roberta Piroddi, Theodore Vlachos, Multiple-feature spatiotemporal segmentation of moving sequences using a rule-based approach, British Machine Vision Conference (2002) [17] Volker Rehrmann, Object oriented motion estimation in color image sequences, in: ECCV ’98, vol I, Lecture Notes of Computer Science 1406, 1998 [18] Michael Mason, Zoran Duric, Using histograms to detect and track objects in color video, Applied Imagery Pattern Recognition Workshop, AIPR 2001 30th, October 10–12, 2001 [19] Georgi D Borshukov, Gozde Bozdagi, Yucel Altunbasak, A Murat Tekalp, Motion segmentation by multistage affine classification, IEEE Transactions on Image Processing (11) (1997) [20] George V Paul, Glenn J Beach, Charles J Cohen, A Real-time object tracking system using a color camera, Applied Imagery Pattern Recognition Workshop, AIPR 2001 30th, October 10–12, 2001 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 88 Dò vết đối tượng chuyển động chuỗi video [21] Jong Bae Kim, Hye Sun Park, Min Ho Park, Hang Joon Kim, A Real- Time Region-Based Motion Segmentation Using Adaptive Thresholding and K-means Clustering, Kyungpook National University, Computer Engineering, South Korea [22] H Tao, H.S Sawhney, R Kumar, Dynamic layer representation with applications to tracking, Proceedings of the Computer Vision and Pattern Recognition (2000) [23] Y Wu, T.S Huang, A co-inference approach to robust visual tracking, Proceedings of the International Conference and Computer Vision (2001) [24] A.D Jepson, D.J Fleet, T.F El-Maraghi, Robust online appearance models for visual tracking, Proceedings of the Computer Vision and Pattern Recognition (2001) [25] J Vermaak, P Perez, M Gangnet, A Blake, Towards improved observation models for visual tracking: selective adaptation, Proceedings of the European Conference on Computer Vision (2002) [26] Hieu T Nguyen, Arnold W.M Smeulders, Fast occluded object tracking by a robust appearance filter, IEEE Transaction on Pattern Analysis and Machine Intelligence 26 (8) (2004) [27] T.B Moeslund, E Granum, A survey of computer vision-based human motion capture, Computer Vision and Image Understanding 81 (2001) [28] H Sidenbladh, M.J Black, D.J Fleet, Stochastic Tracking of 3D Human Figures Using 2D Image Motion, Proceedings of the European Conference on Computer Vision (2000) [29] Y Song, X Feng, P Perona, Towards detection of human motion, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2000) Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 89 Dò vết đối tượng chuyển động chuỗi video [30] N.T Siebel, S Maybank, Fusion of multiple tracking algorithm for robust people tracking, Proceedings of the European Conference on Computer Vision (2002) [31] T Zhao, R Nevatia, Tracking multiple humans in complex situations, IEEE Transaction on Pattern Analysis and Machine Intelligence 26 (2004) [32] A Senior, Tracking people with probabilistic appearance models, Proceedings of the International Workshop on Performance Evaluation of Tracking and Surveillance Systems (2002) [33] Vance Faber, Clustering and the continuous K-means algorithm, Los Alamos Science (1994) [34] R.C Gonzalez, R.E Woods, Digital Image Processing, Prentice-Hall, Englewood Cliffs, NJ, 2002 Tài liệu tiếng Việt: [1] Lê Hoài Bắc, Nguyễn Phi Vũ, lọc Particle dựa màu ứng dụng vào hệ thống theo dõi giao thông [2] Nguyễn Thị Thúy Tâm, Vũ Ngọc Hà, Hệ thống giám sát đối tượng không gian tĩnh 2007 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 90 ... phát đối tượng nghiên cứu lọc dự đoán Kalman ứng dụng trình dò vết đối tượng 1.2 Một số ứng dụng thực tiễn toán theo vết đối tượng Bài toán theo vết đối tượng ứng dụng nhiều lĩnh vực Một số ứng dụng. .. THEO VẾT ĐỐI TƯỢNG 1.1 Giới thiệu toán phân tích đối tượng chuỗi video 1.2 Một số ứng dụng thực tiễn toán theo vết đối tượng 11 1.3 Một số nghiên cứu vấn đề dò vết đối tượng chuỗi. .. CHƯƠNG 3: DÒ VẾT ĐỐI TƯỢNG TRONG CHUỖI VIDEO SỬ DỤNG BỘ LỌC KALMAN THÍCH NGHI 54 Học viên thực hiện: Nguyễn Hồng Hạnh - Lớp CH CNTT 2007-2009 Dò vết đối tượng chuyển động chuỗi video 3.1