visi. sistem foreground detector objek
TRANSCRIPT
Deteksi latar depan menggunakan campuran Gaussian model memperluas semuadalam halaman
Tutup semua
visi. Sistem ForegroundDetector objek
Paket: visi
DeskripsiForegroundDetector sistem objek membandingkan warna atau grayscale video bingkai ke model latar belakanguntuk menentukan apakah individu pixel bagian dari latar belakang atau latar depan. Itu kemudian menghitung latardepan topeng. Dengan menggunakan latar belakang pengurangan, Anda bisa mendeteksi objek di latar depan dalamsebuah gambar yang diambil dari kamera stasioner.
Catatan: Mulai tahun R2016b, daripada menggunakan step metode untuk melakukanoperasi didefinisikan oleh sistem objek™, Anda dapat menghubungi objek denganargumen, seolaholah fungsi. Sebagai contoh, y = step(obj,x) dan y =obj(x)melakukan operasi setara.
Konstruksidetector = vision.ForegroundDetector mengembalikan sebuah objek sistem detektor latardepan, detector. Mengingat serangkaian warna atau grayscale frame video, objek menghitung dan kembali latardepan topeng menggunakan model campuran Gaussian (GMM).
detector = vision.ForegroundDetector(Name,Value) kembali objek sistem detektor latar depan, detector,dengan setiap nama properti tertentu yang ditetapkan pada nilai yang tertentu. Name juga dapat nama propertidan Value adalah nilai yang sesuai. Anda dapat menentukan beberapa argumen pasangan namanilai dalam urutanapapun sebagai Name1,Value1,…,NameN,ValueN.
Kode generasi dukungan
Mendukung MATLAB Blok fungsi: tidak ada
Menggunakan MATLAB host target: menghasilkan bergantung pada platformPerpustakaan
Tidak menggunakan MATLAB host target: menghasilkan portabel C kode
Sistem objek di MATLAB kode generasi.
Kode generasi dukungan, catatan penggunaan dan keterbatasan.
Properti
Menyesuaikan tingkat belajar, ditetapkan sebagai pasangan comma separated terdiri dari 'AdaptLearningRate'dan logis skalar 'true' atau 'false'. Properti ini memungkinkan objek untuk menyesuaikan tingkat belajarselama periode yang ditentukan oleh NumTrainingFrames properti. Ketika Anda menetapkan properti inike true, objek set properti LearningRate ke 1 /(current frame number). Ketika Anda menetapkan properti inike false, properti LearningRate harus ditetapkan pada setiap langkah waktu.
Jumlah awal video frame untuk pelatihan latar belakang model, ditetapkan sebagai pasangan comma separatedterdiri dari 'NumTrainingFrames' dan integer.Ketika Anda mengatur AdaptLearningRate ke false, ini tidakakan tersedia.
Belajar nilai untuk parameter update, ditetapkan sebagai pasangan comma separated terdiri dari
®
AdaptLearningRate — Adapt belajar tingkat'true' (default) | 'false'
NumTrainingFrames jumlah awal video bingkai untuk pelatihan latar belakang model150 (default) | bilangan bulat
LearningRate belajar nilai untuk parameter update0.005 (default) | numerik skalar
Tutup semua
'LearningRate' dan skalar numerik. Menentukan tingkat belajar untuk beradaptasi model parameter. Propertiini mengontrol seberapa cepat model menyesuaikan dengan perubahan kondisi. Set properti ini tepat untukmemastikan stabilitas algoritma.
Ketika Anda menetapkan AdaptLearningRate ke true, properti LearningRatemengambil efek hanya setelahperiode pelatihan yang ditentukan olehNumTrainingFrames berakhir.
Ketika Anda mengatur AdaptLearningRate ke false, ini tidak akan tersedia.Properti ini merdu.
Ambang batas untuk menentukan latar belakang model, ditetapkan sebagai pasangan comma separated terdiridari 'MinimumBackgroundRatio' dan skalar numerik. Mengatur properti ini mewakili minimal apriori probabilitasuntuk piksel untuk dianggap sebagai latar belakang nilai. Latar belakang multimodal dapat tidak ditangani, jikanilai ini terlalu kecil.
Jumlah Gaussian mode dalam model campuran
Jumlah Gaussian mode dalam model campuran, ditetapkan sebagai pasangan comma separated terdiri dari'NumGaussians' dan bilangan bulat positif. Biasanya nilai ini adalah 3, 4 atau 5. Menetapkan nilai ini ke 3 ataulebih mampu untuk model mode latar belakang beberapa.
Model awal campuran varians, ditetapkan sebagai pasangan comma separated terdiri dari 'InitialVariance'dan skalar numerik atau vektor karakter 'Auto' .
Tipe Data gambar Varians awal
double/single (30/255) ^ 2
uint8 30 ^ 2
Properti ini berlaku untuk semua saluran warna untuk warna input.
Metodeklon Membuat latar depan detektor dengan nilainilai properti yang
sama
getNumInputs Jumlah input diharapkan untuk metode langkah
getNumOutputs Jumlah keluaran dari metode langkah
isLocked Status terkunci untuk masukan atribut dan properti nontunable
rilis Memungkinkan perubahan karakteristik nilai dan masukanproperti
reset Ulang GMM model ke keadaan awal
langkah Mendeteksi latar depan menggunakan campuran Gaussianmodel
Contoh
Membuat sistem objek untuk membaca berkas.
videoSource = vision.VideoFileReader('viptraffic.avi',...
MinimumBackgroundRatio — ambang untuk menentukan latar belakang model0.7 (default) | numerik skalar
NumGaussians jumlah Gaussian mode dalam model campuran5 (default) | bilangan bulat positif
InitialVariance Initial campuran model varians'Auto' (default) | numerik skalar
Mendeteksi bergerak mobil dalam Video
Open Script
'ImageColorSpace','Intensity','VideoOutputDataType','uint8');
Setting frame untuk 5 karena ini adalah video pendek. Mengatur awal standar deviasi.
detector = vision.ForegroundDetector(... 'NumTrainingFrames', 5, ... 'InitialVariance', 30*30);
Melakukan analisis gumpalan.
blob = vision.BlobAnalysis(... 'CentroidOutputPort', false, 'AreaOutputPort', false, ... 'BoundingBoxOutputPort', true, ... 'MinimumBlobAreaSource', 'Property', 'MinimumBlobArea', 250);
Masukkan perbatasan.
shapeInserter = vision.ShapeInserter('BorderColor','White');
Bermain hasil. Menarik sekitar mobil kotak melompatlompat.
videoPlayer = vision.VideoPlayer(); while ~isDone(videoSource) frame = step(videoSource); fgMask = step(detector, frame); bbox = step(blob, fgMask); out = step(shapeInserter, frame, bbox); step(videoPlayer, out); end
Objek rilis.
release(videoPlayer); release(videoSource);
Referensi[1] P. Kaewtrakulpong, R. Bowden, Model campuran ditingkatkan latar belakang adaptif untuk Realtime pelacakandengan bayangan deteksi, proc 2 lokakarya Eropa canggih Video Surveillance sistem berbasis, AVBS01, VIDEOBERBASIS SISTEM SURVEILANS: Computer Vision dan pengolahan didistribusikan (September 2001)
[2] Stauffer, C. dan Grimson, W.E.L,campuran latar belakang adaptif model untuk RealTime pelacakan, ComputerVision dan pola pengakuan, IEEE Computer Society konferensi, Vol. 2 (06 Agustus 1999), pp. 2246252 Vol. 2.
Lebih lanjut tentang