采取的方案

采取的算法方案:

一、运动目标检测的算法:

1.Mean Shift均值偏移方法加扩展Kalman滤波器,扩展的Kalman滤波器可以解决非线性运动,而传统的扩展的Kalman无法解决(阅读文献了解的)。

2.基于特征点的跟踪算法(优点:可以解决遮挡问题)

3.粒子滤波器        

meanshift跟踪算法相对于粒子滤波器来说可能实时性更好一些,但是跟踪的准确性在理论上还是略逊于粒子滤波器的,然后通过帧间差分法进行分割。)

其他方案觉得不是最优的,比如:

  1. 基于主动轮廓的跟踪算法,优点是不但考虑来自图像的灰度信息,而且考虑整体轮廓的几何信息,增强了跟踪的可靠性,但是这个算法依赖于图像中的细微变化,对图像噪声非常敏感,对快速运动的目标跟踪效果不好。

  2. 标准卡尔曼滤波只适用于线性系统,并且要求观测方程也必须是线性的。然而在实际应用中,几乎所有的系统都是非线性的,因此对于非线性滤波的研究是很有意义的。在非线性滤波领域内比较经典的一种算法是扩展卡尔曼滤波。

二、运动目标的分割:

 拟定的方案:帧间差分法加canny边缘检测,由于帧间差分法难以获得运动目标的完整轮廓,所以我想在跟踪目标检测算法确到目标区域后,根据这个区域的颜色和背景的颜色,使用双峰法选择阈值,根据这个阈值加上canny边缘检测的方法可以得到轮廓,根据这个轮廓与模版匹配来确定是不是蛙人或者其他水下动物。

不用其他方法的原因:

1.光流法和帧间差分法适用于摄像机运动的情形

2.光流法的缺点:光流计算的复杂度则非常高,难以符合视觉监视系统实时处理的要求。

3.采用背景消减法适用于摄像机静止的情形,但是背景剪除法的缺点:采用背景减除法预先摄制不含噪声和任何前景物体的背景图像方面是初始背景图像的获取问题,需要人的事先摄制,而且更新时也需要人工干预,我觉得由于水下背景变化略大,不太适合

你可能感兴趣的:(日常)