行业动态
机器视觉对视频监控产生了哪些影响?(一)
浏览:1070 次
时间:2016-09-22 15:44:04

        视觉,是人类感知客观世界的主要信号来源。在信号处理理论与计算机出现以后,人们试图用摄像机获取环境图像并转换成数字信号,用计算机实现对视觉信息处理的全过程。这种使计算机能够通过一幅或幅图像认识周围环境信息的研究目标,正是机器视觉。

        作为机器视觉的代表应用,以摄像机为核心的视频监控系统,目前已经广泛应用与安保、交通、楼宇、工业等各个行业领域。想要了解机器视觉究竟为视频监控带来了哪些改变,我们可以从机器视觉的几大应用领域来进一步分析。

        目标识别

        目标识别技术和稳定的追踪方法是机器视觉发展的关键因素之一。它在很多领域都得到大量的应用,例如身份确认的指纹识别、人脸识别、虹膜识别以及在智能交通管理、机动车检测、停车场管理等场合的车牌识别等。

        一个目标识别系统应该具有在复杂背景以及各种天气情况下检测、分类、识别目标的能力,这样才能有针对性地对目标进行持续的跟踪。

        近些年来,目标识别技术已由理论探索、实验室仿真逐渐走向实际应用,其技术方法也从经典的统计模式识别,向着基于知识、模型、多传感器信息融合以及人工神经网络的识别方法演进。

        目标追踪

        运动目标跟踪是确定同一物体在图像序列不同帧中位置的过程。其主要工作方式就是选择好的目标特征和采用适当的搜索方法,根据匹配原理,把现有的跟踪方法分为基于模型、区域、特征以及活动轮廓的跟踪。

        (一)基于模型的跟踪

        基于模型的跟踪是通过一定的先验知识对所跟踪目标建立模型,然后通过匹配跟踪模板,并实时更新模型。传统的运动物体表达方法有如下三种:

        1、线图法:目标运动的实质是主框架的运动,因此该表达方法将物体的各个部分以直线来近似。

        2、二维轮廓:该表达方法的使用与物体在图像的投影有关。

        3、立体模型:利用广义椭圆柱、球等三维模型来描述物体的结构细节。该方法往往需要在联系的图像帧间匹配三维模型来获取物体运动的定量描述,因此需要计算更多的参数,匹配过程的计算量更大。

        (二)基于特征的跟踪

        把预先提取的运动区域作为匹配的目标模板,设定一个匹配度量,然后在下一帧图像中匹配搜索目标图像,把度量取极值得位置判定为最佳匹配点,这种方式便是机遇区域的跟踪。

        由于提取了较完整的目标模板,该方式相对于其他跟踪算法能够得到更丰富的图像信息,因此广泛应用于跟踪较小的目标或对比度较差的目标。

        (三)基于活动轮廓的跟踪

        利用一条封闭的参数化曲线来表达运动目标轮廓,在由图像构造的特征场中通过极小化以曲线函数为参数的能量进行动态迭代,使得该轮廓能够自动连续更新。相对于区域跟踪方法,该方式计算量小,如果开始能够合理分开每个运动目标并实现轮廓初始化,那么即使有部分遮挡,也能连续的进行跟踪。

京ICP备12022927号-1
北京市海淀区上地信息路1号国际科技创业园1—1705
© Copyright 2011 北京盈美智科技 All rights reserved.