C. Phương pháp pháp dựa trên sự chênh lệnh tạm thời giữa các khung hình
4.5. Đánh giá thuật toán đề xuất với phương pháp khác
Luận văn đề xuất thực hiện một hệ thống có khả năng phát hiện và theo vết đối tượng dùng lọc Kalman thích nghi để ước đoán vị trí đối tượng cần theo vết, đồng thời xử lý tình huống gặp che khuất. Hệ thống thực nghiệm chạy khá tốt, có thể bắt được đối tượng chuyển động trong khung hình, theo vết được đối tượng . Để đánh giá hiệu quả của thuật toán đề xuất ta đánh giá thuật toán đề xuất so với thuật toán luồng quang học dựa trên sai số (error) vị trí đối tượng trong mỗi khung hình (frame) ứng với một số trường hợp thử nghiệm.
Kết quảđược thể hiện trong các đồ thị dưới đây (lưu ý, thuật toán luồng quang học là thuật toán khá đơn giản, nó tính toán vị trí đối tượng chỉ dựa trên bốn góc của vùng được lựa chọn):
Hình 4-9. So sánh thuật toán trong trường hợp theo vết của thực nghiệm ở hình 4-3
Hình 4-10.So sánh thuật toán trong trường hợp theo vết của thực nghiệm ở hình 4- 4
Hình 4-11. So sánh thuật toán trong trường hợp theo vết của thực nghiệm ở hình 4- 7
Nhận xét: Kỹ thuật luồng quang học có vẻ thực hiện khá tốt ở những khung hình đầu tiên, nhưng càng về các khung hình sau sai số của kỹ thuật này càng tăng dần khi mất vết của đối tượng.
Tỷ lệ trung bình sai số thực hiện theo vết giữa hai thuật toán (trung bình sai số của kỹ thuật lọc Kalman thích nghi/ trung bình sai số của kỹ thuật luồng quang học) = 0,4906.
KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN ĐỀ TÀI 1. Các kết quảđã đạt được
Sau gần một năm nghiên cứu, cùng với sự hướng dẫn của TS.Nguyễn Linh Giang , tác giảđã đạt được một số kết quả sau:
• Tìm hiểu bài toán Phân tích đối tượng trong cảnh (khái niệm, ứng dụng) và các vấn đề lý thuyết liên quan đến nó
• Tìm hiểu một số phương pháp giải quyết bài toán Phát hiện và theo vết đối tượng, và trên cơ sở đánh giá các ưu điểm cũng như hạn chế của từng phương pháp, tác giảđã lựa chọn một hướng tiếp cận cụ thểđể nghiên cứu.
• Nghiên cứu một hướng tiếp cận giải quyết bài toán Phát hiện và theo vết đối tượng: Hướng tiếp cận dùng bộ lọc dự đoán Kalman. Tác giả đã nghiên cứu lý thuyết, xây dựng mô hình cho bài toán, cài đặt các thuật toán áp dụng cho từng mô hình
• Xây dựng thử nghiệm một hệ thống dò vết theo hướng tiếp cận đã đề xuất, tiến hành kiểm thử và đánh giá nó. Các kết quả thu được khi thực hiện dò vết đối tượng trong một số trường hợp phức tạp là khá khả quan.
2. Định hướng phát triển của đề tài.
Mặc dù đã đạt được một số kết quả nhất định như trên, tuy nhiên trong thời gian tới, tác giả dựđịnh sẽ tiếp tục nghiên cứu, phát triển đề tài theo các định hướng sau:
• Tìm hiểu thêm bài toán phân loại đối tượng chuyển động (mô hình tổng quan, các phương pháp xử lý…) để hoàn thiện phương pháp luận cho đề tài “Phân tích đối tượng trong cảnh”
• Xây dựng và hoàn thiện thêm các chức năng cho hệ thống thử nghiệm, như: phát hiện và dò vết nhiều đối tượng cùng lúc trong đoạn video, đếm số lượng đối tượng di chuyển trong cảnh, tính toán vận tốc của đối tượng… Những vấn đề này sẽ tiếp tục được tác giả nghiên cứu trong tương lai.
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)
[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 6 (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.
[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 2 (2000)
[23]. Y. Wu, T.S. Huang, A co-inference approach to robust visual tracking, Proceedings of the International Conference and Computer Vision 2 (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 1 (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)
[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 trên màu ứng dụng vào hệ thống theo dõi giao thông.
[2]. Nguyễn Thị Thúy Tâm, Vũ Ngọc Hà, Hệ thống giám sát đối tượng trong không gian tĩnh 2007