Một phương pháp bám mục tiêu dựa trên các đặc trưng biểu đồ thu từ ảnh camera không tĩnh

JOURNAL OF SCIENCE OF HNUE
FIT., 2013, Vol. 58, pp. 102-112
This paper is available online at

MỘT PHƯƠNG PHÁP BÁM MỤC TIÊU DỰA TRÊN CÁC ĐẶC TRƯNG
BIỂU ĐỒ THU TỪ ẢNH CAMERA KHÔNG TĨNH

Nguyễn Văn Hùng
Viện Vũ khí, Tổng cục Công nghiệp Quốc phòng
Email:
Tóm tắt. Bài báo trình bày thuật toán bám các mục tiêu ảnh động có tính tới các
tham số chuyển động ngẫu nhiên của camera và tăng độ rời rạc ảnh của đối tượng
trên cơ sở tổ hợp các dấu hiệu biểu đồ. Thuật toán bảo đảm khả năng bám ổn định
bằng thị giác máy tính trong chế độ thời gian thực thông qua việc giảm độ bất định
của mô hình động học và nhờ việc sử dụng phương pháp biểu đồ tích phân. Hệ
thống đã thử nghiệm bám thành công với mục tiêu ôtô chuyển động với vận tốc tối
đa 70km/h và cách xa camera quan sát là 500m.
Từ khóa: Thuật toán bám mục tiêu, chuyển động, biểu đồ tích phân.

1.

Mở đầu

Phát hiện và bám theo mục tiêu chuyển động ngày càng trở nên quan trọng trong thị
giác máy tính, nó có ứng dụng rộng rãi trong các hệ thống quan sát bảo vệ, các hệ thống
kiểm tra giao thông, và đặc biệt trong các hệ thống ứng dụng cho an ninh quốc phòng.
Một trong những phương pháp hiệu quả để giải bài toán này đó là dùng bộ lọc cục bộ [3].
Một loạt các thuật toán truyền thống sử dụng các dấu hiệu từ biểu đồ màu [4, 5] làm mô
hình bám mục tiêu thông qua bộ lọc cục bộ, cách này bảo đảm được mức độ bất biến nhất
định của mô hình khi thay đổi tỉ lệ hình ảnh hoặc thay đổi hình dạng. Dù có ưu điểm về
các dấu hiệu từ biểu đồ màu như vậy, nhưng việc sử dụng chúng vẫn có thể không hiệu

quả (trong trường hợp các gam màu của mục tiêu gần giống gam màu nền) hoặc không
thể xác định (trong trường hợp luồng ảnh đơn sắc).
Bài báo đề xuất thuật toán bám hiệu quả cho các mục tiêu động có tính tới các tham
số chuyển động ngẫu nhiên của camera và tăng độ rời rạc ảnh của đối tượng trên cơ sở tổ
hợp các dấu hiệu biểu đồ.

2.
2.1.

Nội dung nghiên cứu
Xác định các tham số chuyển động của camera

Chuyển động ngẫu nhiên của camera có thể gây ra độ bất định đáng kể cho mô
hình động học của đối tượng [2], điều này dẫn tới việc giảm tính chính xác trong thuật
102


Một phương pháp bám mục tiêu dựa trên các đặc trưng biểu đồ thu từ ảnh camera không tĩnh

toán bám. Như vậy, việc tính toán và đánh giá các tham số chuyển động của camera là rất
cần thiết. Trong trường hợp camera được hiệu chuẩn, để định dạng ảnh cần thực hiện các
phương trình hình chiếu phối cảnh, các tọa độ đồng nhất của các điểm tương ứng trên hai
ảnh liên hệ với nhau thông qua ma trận cộng tuyến:
 ′ 
 
xω
x
 y′ω  = H ·  y 
(2.1)
ω

1

Trong đó: Các điểm (x′ , y ′) và (x, y) là tọa độ các điểm tương ứng trong hai ảnh
liên tiếp; H là ma trận cộng tuyến có kích thước 3 × 3; ω là hệ số tỷ lệ của các tọa độ
đồng nhất.
Phương pháp mô tả thay đổi ảnh kèm theo chuyển động của camera chứa đựng các
phép biến đổi phối cảnh là trường hợp chung cho các phép biến đổi affin (xoay, xê, dịch,
kéo) áp dụng khi chiếu vuông góc phối cảnh. Bằng cách, đánh giá chuyển động tổng thể
được đưa về đánh giá ma trận biến đổi hình chiếu H. Để xác định ma trận biến đổi hình
chiếu H, trên ảnh thứ nhất của cặp cảnh, các điểm dấu hiệu được đánh dấu để có thể tiếp
tục tìm chúng trên ảnh thứ hai. Để tìm và bám các điểm dấu hiệu từ cảnh này sang cảnh
khác, ta dùng thuật toán Lucas-Kanade-Tomasi [8, 9]. Kết quả của thuật toán này là bộ
các điểm dấu hiệu tương ứng trên ảnh gốc và ảnh hiện tại:
piref

nF
i=1

⇔ picur

nF
i=1

Với một bộ xác định các điểm dấu hiệu có kích cỡ nF >= 4 các tham số của phép
biến đổi hình chiếu H được tính bằng thuật toán biến đổi tuyến tính trực tiếp (DLT - Direct
Linear TraNsform) [10].
Thuật toán này bao gồm các bước sau
Bước1. Định dạng ma trận A cho một bộ tương ứng xác định từ:
piref

nF
i=1

⇔ picur

nF
i=1

Với một cặp tương ứng các điểm dấu hiệu:
(x, y) ∈ picur

nF
i=1

; (x′ , y ′ ) ∈ piref

nF
i=1

liên hệ với nhau bằng phép biến đổi hình chiếu H, ta có ma trận bù 2 × 9
Ai =

0 0 0 −x′ −y ′ −1 y.x′
y.y ′
y
′
′
′
′
x y 1 0

0
0 −x.x −x.y −x

Ma trận A được định dạng thông qua ma trận bù Ai :
A = AT1 AT2 . . . ATr

(2.2)
103


Nguyễn Văn Hùng

Bước 2. Ma trận cộng tuyến H được định dạng bằng khai triển đơn nhất ma trận A.
Véc tơ h = [h1h2. . . h9]T tham số của phép biến đổi hình chiếu H là véc-tơ riêng, tương
ứng với một giá trị nhỏ nhất và đơn nhất của khai triển ma trận A. Ma trận cộng tuyến H
có được bằng cách sắp xếp lại các phần tử của véc-tơ h như sau:



h1/h9 h2/h9 h3/h9
H =  h4/h9 h5/h9 h6/h9 
h7/h9 h8/h9
1

(2.3)

Để tìm tham số cho ma trận cộng tuyến trong trường hợp số lượng bộ điểm bị tăng
lên, ta áp dụng thuật toán robust [11], dùng để tính toán các tham số ma trận biến đổi hình
chiếu H với thuật toán DLT.

2.2.

Đánh giá véc tơ trạng thái của hệ thống ngẫu nhiên bằng phương
pháp tuần tự Monte-Carlo
xn
↓
z1

→

x2
↓
z2

→

xn
↓
zn

Hình 1. Quan hệ giữa các trạng thái rời rạc
của hệ thống ngẫu nhiên tương quan với quá trình quan sát
Hệ thống ngẫu nhiên phi tuyến tính với trạng thái tại các thời điểm rời rạc tạo thành
dãy Markov (Markovian), tại thời điểm tn có thể biểu diễn bằng phương trình rời rạc trong
không gian trạng thái như sau:
xn = f (xn−1 , wn)

(2.4)

Trong đó: xn - véc tơ trạng thái của hệ thống; wn - véc tơ nhiễu động học; fn - hàm

quyết định liên hệ trạng thái tiên nghiệm của hệ thống xn ở trạng thái hiện tại xn−1 .
Quá trình quan sát được biểu diễn tổng quát bằng phương trình phi tuyến:
zn = hn (xn , vn )

(2.5)

Trong đó zn - véc tơ quan sát tại thời điểm tn ; vn - véc tơ nhiễu khi quan sát; hn hàm quyết định liên hệ trạng thái hiện tại của hệ thống xn với véc tơ quan sát zn .
Hình vẽ 1 biểu diễn mối liên hệ giữa các trạng thái của hệ thống ngẫu nhiên và quá
trình quan sát các trạng thái này tương ứng với (2.4) và (2.5). Bài toán đánh giá Bayes đưa
về việc xác định mật độ phân phân phối xác xuất (PB) tiêu nghiệm p(xn |z1:n ) của véc tơ
trạng thái hệ thống trên bộ quan sát z1:n = {z1 , z2 , . . . , zn }. Một cách tổng quát, mô hình
phi tuyến non-Gaussian động cho hệ thống (4) trong không gian trạng thái có thể đưa ra
mật độ xác xuất điều kiện từ trước p(xn |xn−1 , z1:n ) cho trạng thái hiện tại dựa trên trạng
104


Một phương pháp bám mục tiêu dựa trên các đặc trưng biểu đồ thu từ ảnh camera không tĩnh

thái trước đó của hệ thống xn−1 và dựa trên tổng thể bộ quan sát z1:n cho đến thời điểm
hiện tại tn .. Hàm gần đúng p(zn |xn ) của bộ quan sát hiện tại được xác định thông qua
phương trình của tiến trình quan sát (2.5). PB tiêu nghiệm p(xn |z1:n−1 ) của véc tơ trạng
thái xn có thể biểu diễn ở dạng:
p (xn |z1:n−1 ) =

p (xn |xn−1 , z1:n−1 ) × p (xn−1 |z1:n−1 ) dxn−1

(2.6)

Trong đó p(xn−1 |z1:n−1 ) - PB quy nạp của véc tơ trạng thái của hệ thống tại thời
điểm tn−1 . PB quy nạp ở thời điểm tn theo quy tắc tính toán Bayes được xác định qua

công thức:
p (xn |z1:n−1 ) = c.p (zn |xn ) p (xn |z1:n−1 )

(2.7)

Trong đó c là hệ số hiệu chuẩn
c=

1
=
p(zn |z1:n−1 )

1
p(zn |xn )p(xn |z1:n−1 )dxn

Kết quả của phép lọc thường là một đánh giá xn nào đó, đánh giá này bảo đảm cực
tiểu của hàm trung bình đã cho với hao hụt λ(.) :
x
˜n
⌢

xn = arg min E [λ(xn , x
˜n )] = arg min

λ(xn , x˜n )p(xn , z1:n−1 )dxn

(2.8)

Thuật toán đánh giá trên cơ sở phương pháp tuần tự Monte-Carlo[1] đưa ra giá
trị xấp xỉ của PB tiên nghiệm p(xn |z1:n ) trong phép chọn với kích thước Ns , trong

đó {xin |i = 0, ..., Ns} - là tập hợp n điểm mốc trong không gian trạng thái với lượng
tương ứng:
Ns

ωni = 1

ωni |i = 1, . . . , Ns,
i=1

PB tiên nghiệm p(xn |z1 : n) tại thời điểm tn có thể được tính xấp xỉ bằng
phương trình:
Ns

ωni δ(xn − xin )

p(xn |z1:n ) ≈

(2.9)

i=1

trong đó δ(.) - là hàm delta.
Giá trị của lượng {ωni |i = 1, . . . , Ns} được xác định bằng phương pháp chọn theo
giá trị trên cơ sở thuật toán bộ lọc cục bộ với phép chọn tuần tự theo giá trị (Sequential
105


Nguyễn Văn Hùng

Importance Sampling particle Filter). Biểu thức truy toán để phục hồi lượng của phần tử

thứ i trong phép chọn xấp xỉ có dạng [12]:
i
ωni ∞ωn−1

i
p(zn |xin )p(xn |zn−1
)
i
i
q(xn |xn−1 , z1:n )

(2.10)

Trong đó q(xin |xin−1 , z1:n ) - hàm giá trị dùng để xác định phép chọn.
Thuật toán tính bộ lọc cục bộ với phép chọn theo giá trị
Bước 1. Khởi tạo phép chọn. Ở thời điểm ban đầu B với thời điểm t0 mỗi phần tử
của phép chọn xấp xỉ được sinh ra theo xác xuất phân bố đều P (x0 ):
x10 ∼
= p(x0 ), ω0i = 1/Ns

(2.11)

Bước 2. Phục hồi phép chọn và quy chuẩn các lượng.
Ns

i
Trên cơ sở phép chọn xin−1 , ωn−1
i = 1 PB tiên nghiệm xấp xỉ cho thời điểm
tn−1 , được xác định bởi phép chọn phục hồi {xin , ωni }N s i = 1, tương ứng với hàm giá trị
q xin |xin−1 , z1:n .

Lượng giá trị của các phần tử trong phép chọn xấp xỉ được tính theo công thức
(2.10) và hiệu chuẩn theo công thức sau:
Ns

ωni

=

ωni /

(2.12)

ωnj
j=1

Bước này được thực hiện hồi quy cho đến khi kết thúc toàn bộ quá trình của bộ lọc
cục bộ. Nghiệm tối ưu theo nghĩa mức phân tán tối thiểu lượng giá trị là phép chọn hàm
giá trị có dạng sau [13]:
qopt (xin−1 |xin−1 , zn ) = p(xin−1 |xin−1 , zn ) =

p(xin |xin−1 ) =

p(zni |xin )p(xin |xin−1 )
p(zni |xin−1 )

p(zni |xin )p(xin |xin−1 )dx

(2.13)

(2.14)

Không phải lúc nào cũng có thể sử dụng được hàm giá trị tối ưu (2.13) bởi khó
thành lập phép chọn theo PB p(xn |xin−1 , zn ) và khó tính được tích phân:
Do vậy, trên thực tế hàm giá trị tối ưu lớp con thường được dùng. Ta dùng PB điều
kiện dạng p(xn |xin−1 ) với vai trò hàm giá trị, biểu thức khôi phục lượng (2.10) lúc này có
dạng:
i
ωni ∞ωn−1
p(zn |xin )

106

(2.15)


Một phương pháp bám mục tiêu dựa trên các đặc trưng biểu đồ thu từ ảnh camera không tĩnh

Khi lựa chọn hàm giá trị tối ưu lớp con, vấn đề tái sinh phép chọn được giải quyết
thông qua phép chọn lặp lại. Như vậy, quá trình tái lựa chọn xác định bộ mới từ bộ xấp xỉ
của PB tiên nghiệm p(xn |z1:n ). Lúc này, bộ chọn mới có lượng giá trị ωni = 1/Ns.
∼i ∼i
xn ωn

2.3.

Ni
i=1

Ni

∼i ∼i
xn ωn

i=1

Thuật toán bám mục tiêu dùng camera không tĩnh trên cơ sở dùng
bộ lọc cục bộ

Bộ lọc cục bộ với bootstrap nêu trên là công cụ hiệu quả để tính toán đánh giá phép
lọc cho véc tơ trạng thái khi giải bài toán bám mục tiêu động trên dải băng hình.
Véc tơ trạng thái của hệ thống bao gồm các tọa độ (X, Y ) của mục tiêu cần bám,
.
.
tốc độ tuyến tính X , Y , chiều rộng và chiều dài của khung bao (W, H):
˙ Y˙ , W, H)T
xn = (X, Y, X,
n
Theo công thức (4) mô hình tuyến tính động với nhiễu trắng Gaussian không kể các
tham số chuyển động của camera có dạng:
 ˜
X
 Y˜

 X˙

 Y˙

 W
H











 =






n

1
0
0
0
0
0


X
0 ∆t 0 0 0



1 0 ∆t 0 0   Y
 ˙
0 1
0 0 0 
 X
 ˙
0 0
1 0 0 
 Y
0 0
0 1 0  W
0 0
0 0 1
H












n−1





+




wx
wy
wx˙
wy˙
ww
wH










(2.16)

n

Trong đó ∆t - tích phân thời gian giữa hai ảnh liên tiếp trong chu trình video;
wx wx wx˙ wx˙ ww wH

T
n

= wn

véc tơ nhiễu Gaussian động với kỳ vọng toán rỗng (bằng không) E(Wn ) và ma trận hiệp
phương sai Qn có dạng đường chéo
2
Qn = E(wnT ) = diag σx2 , σy2 , σx2˙ , σy2˙ , σw2 , σH

Việc tính toán các tham số chuyển động của camera biểu diễn ở dạng ma trận đánh
giá cộng tuyến (1), được thực hiện theo các công thức:
Xn =

˜ n + h5Y˜n + h6
˜ n + h2Y˜n + h3
h4X
h1X
, Yn =
˜ n + h8Y˜n + h9
˜ n + h8Y˜n + h9
h7X
h7X

(2.17)
107


Nguyễn Văn Hùng

Hình 2. Phép chia ảnh trong vùng quan sát
Các dấu hiệu dựa vào cường độ biểu đồ khá ổn định với các mức biến dạng khác
nhau của đối tượng (quay, xoay, uốn, gập,...) trong khi các dấu hiệu dựa vào gradient định
hướng là ổn định trong điều kiện thay đổi mức ánh sáng. Như vậy, tổ hợp các dấu hiệu
trên cho phép bù đắp phần hạn chế của từng loại dấu hiệu nếu xét riêng, bảo đảm có thể
thể hiện toàn vẹn thông tin ứng với các dấu hiệu biểu đồ. Muốn tăng mức rời rạc của các
dấu hiệu biểu đồ, cần tính tới phân bố không gian của các dấu hiệu trong vùng quan sát.
Với các đối tượng có dạng gần vuông hình học, việc tính toán phân bố không gian cho các
dấu hiệu biểu đồ được thực hiện khi phân tách vùng quan sát thành 12 ô không gian đều
nhau và tính toán các dấu hiệu biểu đồ trong từng ô một. Hình vẽ 2 thể hiện phép chia
hình ảnh trong vùng quan sát ImROI với kích cỡ Sx × Sy trên từng ô riêng.
2.3.1. Thuật toán để tính describtor H (Histogram of InteNsities) dựa vào cường
độ biểu đồ dành cho ảnh trong vùng quan sát ImROI
Bước 1. Tính toán biểu đồ cường độ của các ô con không gian trong vùng quan sát.
Với mỗi ô con thứ i, thành lập một biểu đồ cường độ qi = (q1 , ..., qm , ..., qN b ), với
Nb vùng, giá trị của chúng được tính theo biểu thức

1, Qm =

qm =
k,l∈Qm

x, y Imx,y ∈

(2d − 1)(m − 1) (2d − 1)m
,
Nb
Nb

, m = 1, .., Nb

(2.18)
Trong đó d - là độ sâu theo bit của hình ảnh; (k, l) và (x, y) ∼ tọa độ của các pixel,
giá trị cường độ của chúng tương ứng với vùng thứ m trên biểu đồ cường độ.
Bước 2. Thành lập describtor cho vùng quan sát và chuẩn hóa nó.
Describtor chuẩn H trong vùng quan sát có dạng:
HI = HI/ HI

(2.19)

Trong đó HI = (q1 , .., qi , .., q9 ) - là describtor chưa hiệu chuẩn; ||.|| - lượng hiệu
chuẩn véc tơ.
108


Một phương pháp bám mục tiêu dựa trên các đặc trưng biểu đồ thu từ ảnh camera không tĩnh

2.3.2. Thuật toán để tính describtor HOG (Histogram of Oriented Gradients) [7]
dựa vào biểu đồ gradient định hướng cho ảnh trong vùng quan sát ImROI
Bước 1. Tính toán các gradient trong vùng quan sát. Với mỗi ảnh trong vùng quan
sát ImROI với kích cỡ Sx × Sy ta thành lập ma trận định hướng và giá trị biên độ của các
gradient A = {Ax,y |x = 1..ςx , y = 1..ςy }
P h = {P hx,y |x = 1..ςx , y = 1..ςy , P hx,y ∈ (0..2Π)}
Để tính giá trị của các phần tử trong ma trận, ta dùng hình ảnh dọc và ngang của
các gradient cục bộ chúng được tính bằng tích chập của các ảnh trong vùng quan sát với
V = [−101] và H = [−101]T tương ứng:
ImV =
ImH =

ImVx,y |x = 1..ςx , y = 1..ςy ,

ImH
x,y |x = 1..ςx , y = 1..ςy

P hx,y = arctg(ImVx,y /ImH
x,y ), Ax,y =

2

(ImVx,y ) + (ImH
x,y )

2

(2.20)

Bước 2. Thành lập biểu đồ định hướng trong không gian ô con.
Với mỗi ô con thứ i, thành lập một biểu đồ định hướng cho biên độ các gradient
hi = (h1 , .., hm , .., hMb ) với Mb bin, giá trị của chúng được tính theo biểu thức:

Ak,l , Qm =

hm =

x, y|phx,y ∈

2

k,l∈Qm

(m − 1) 2 m

,
Mb
Mb

, m = 1, .., Mb (2.21)

Giá trị của các phần tử trong biểu đồ các gradient định hướng hm thể hiện giá trị
tổng Ak,l của tất cả các gradient trong vùng không gian ô co có hướng P hx, y tương ứng
với giá trị bin của ô định hướng.
Bước 3. Thành lập describtor cho vùng quan sát và tiến hành hiệu chuẩn.
Describtor chuẩn HOG của vùng quan sát có dạng:
HOG = HOG/ HOG

(2.22)

Trong đó HOG = (h1 , .., hi , .., h9 ) - là describtor chưa hiệu chuẩn.
Bậc tương tự của describtor Htrg mẫu cho mục tiêu cần bám và describtor Hhyp
trong vùng quan sát của một trong các giả thiết được đánh giá bằng trạng thái Battachari
DH[4]:
DH =

1−

T
Hhyp
Htrg

(2.23)
109

Nguyễn Văn Hùng

Với mẫu quan sát (2.5), dựa trên đánh giá trạng thái Battachari, trong điều kiện
tương thích với nhiễu Gaussian có phương sai δ2H thì hàm gần chuẩn cho mỗi giả thiết
xin có dạng:
2
2
p(zn = DH |xin ) ∝ exp(−DH
/2σH
)

(2.24)

Trong trường hợp hai describtor biểu đồ độc lập tĩnh HOG và H hàm chung cho
mỗi giả thiết xin được tính theo công thức:
2
2
2
2
p(zn = {DHOG , DHI } |xin ) ∝ exp(−DHGO
/2σHOG
− DHI
/2σHI
)

(2.25)

Dùng các biểu thức (2.12), (2.15) - (2.25) sẽ thu được các đánh giá tham số cho véc
˙ Y˙ , W, H)T .

tơ trạng thái của hệ thống bất ổn định xn = (X, Y, X,
n

2.4.

Một số kết quả thử nghiệm

Để đánh giá hiệu quả của thuật toán bám dựa vào các dấu hiệu biểu đồ trong điều
kiện sử dụng camera không tĩnh, ta dùng chương trình viết bằng ngôn ngữ Borland C++.
Chuỗi hình ảnh đơn sắc thử nghiệm với tần số ảnh 24 farme/s và kích thước ảnh 320×2480
pixel có hình ảnh chuyển động của người qua đường. Các điều kiện lấy ảnh đã bao gồm
cả quá trình xoay không định trước của camera trong mặt phẳng ngang.
Để đánh giá các tham số chuyển động của camera, tiến hành bám theo nF = 150
điểm dấu hiệu, các cặp tương tứng của chúng được dùng khi xác định ma trận đơn hình H
giữa hai cảnh nối tiếp. Kích thước của biểu đồ được chọn bằng Nb = 14 bin cho describtor
H và Mb = 9 bin cho describtor HOG. Việc tính toán sẽ dễ hơn trong các vùng quan sát
dạng vuông của chuỗi ảnh video theo phương pháp tích phân biểu đồ [13].

Hình 3. Bám mục tiêu theo các dấu hiệu biểu đồ HOG và HI
không tính tới chuyển động của camera (cảnh 5, 50, 150)
Bộ chọn xấp xỉ của bộ lọc cục bộ có Ns = 200 điểm. Ma trận hiệp phương sai cho
các loại nhiễu động có giá trị Qn = diag(1, 1, 400, 400, 0.0025, 0.0025). phương sai của
đánh giá trạng thái Battacharia khi tính giá trị của hàm gần đúng có các giá trị bằng:
2
2
= 0, 05
σHOG
= 0, 05, σHI

110

Một phương pháp bám mục tiêu dựa trên các đặc trưng biểu đồ thu từ ảnh camera không tĩnh

Hình 4. Bám mục tiêu theo các dấu hiệu biểu đồ HOG và HI
có tính tới chuyển động của camera (cảnh 5, 50, 150)
tương ứng cho các describtor biểu đồ HOG và H. Khởi tạo thuật toán bám được thực hiện
thông qua xác định thủ công vị trí và kích thước khung bao mục tiêu. Trên hình 3 và 4 thể
hiện các ảnh của chuỗi thử nghiệm, chúng phản ánh kết quả của thuật toán bám mục tiêu
ở dạng khung bao, không tính tới và cả tính tới chuyển động của camera. Hình 6 thể hiện
sai số bám trong các trường hợp đã nêu.

Hình 5. Sai số bám có tính và không tính tới các tham số chuyển động của camera

3.

Kết luận

Bài báo đã đưa ra thuật toán bám các mục tiêu động trong điều kiện sử dụng camera
không tĩnh, dựa trên việc tính toán ma trận biến đổi hình chiếu, sử dụng bộ lọc cục bộ với
bootstrap và tổ hợp các describtor có tính toán tới phân bố không gian của các dấu hiệu
biểu đồ (biểu đồ cường độ và biểu đồ định hướng gradient). Thuật toán này cho phép bám
các mục tiêu trong điều kiện thời gian thực (24fps) có tính tới sử dụng các biểu đồ tích
phân và tránh bị ngắt quãng khi camera chuyển động ngẫu nhiên nhờ làm giảm độ bất
định của mục tiêu thông qua mô hình của mục tiêu trên mỗi khung ảnh.
TÀI LIỆU THAM KHẢO
[1] Phạm Thế Ngọc, Nguyễn Trần Dũng, 1977. phương pháp Monte-Carlo và các vấn đề
liên quan. Nxb Khoa học Kĩ thuật, Hà Nội.
111

Nguyễn Văn Hùng

[2] Nguyễn Văn Hùng, 2012. Nghiên cứu thiết kế, chế tạo hệ giá điều khiển đa năng cho
súng 12,7mm và 14,5 mm tự động bám ảnh mục tiêu. Tạp chí Kỹ thuật & Trang bị số
137 - 2.
[3] Isard M.., Blake A, 1998. CondeNsation - conditional deNsity propogation for visual
tracking. Int. J. Computer Vision, 29, No. 14. pp. 5-28.
[4] Nummiaro K., Koller - Meier E., VanGool., 2003. An adaptive color-based particle
filter. Image and Vision Computing. No. 1, pp. 99-100.
[5] Rowe D., Huerta I.., .. , 2007. Robust multiple people tracking color based particle
filters. Lucture Notes Computer Science. Vol. 4477, pp. 113 -120, Berlin.
[6] Wang S.L., 2007. Information based color feature representation for image
classification. Proceedings of IEEE Conference of ICIp, pp. 353- 356.
[7] Dalal N.,.., 2005. Histograms of Oriented of Human Detection. Proceedings of IEEE
Conference of CVPR, pp. 886-893.
[8] Lucas B.D., Kanade T., 1981. An Iterrative Image Registration Technique with an
Application to Stereo Vision./ Internationnal Joit Conference on Artificial Intelligence.
[9] Shi J., Tomasi C., 1994. Good features to track. Pro IEEE Comput. Soc. Sonf.
Comput. Vision and pattern Recogn, pp. 539-600.
[10] Zisserman A., Hartley R., 2004. Multiple View Geometry in Computer Vision.
Cambridge: University press, p. 672.
[11] Torr P.,.., 1998. Robust Computation and parametrization of Multiple View
RelatioNs./ ICCV proc, pp. 117-122.
[12] Hol J.D.,.., 1998. On resampling algorithms for particle filters. Univercity
Cambridge.
[13] Porikli F., 2005. Integral histogram: a fast way to extract histograms in Cartesian
spaces. Proceedings of IEEE Computer Vision and pattern Recognition, pp. 829-836.
ABSTRACT
An algorithms tracting the moving target animation

based on characteristics of charts from moving camera
This paper presents algorithms that hold the target animation parameter taking into
account random motion of the camera and the increase in the discrete image of the signs
chart. Algorithms ensure a steady traction in computer vision in real-time mode and by
using the method of chart anlysis. The system has been tested successfully, moving cars
at a maximun speed of 70 km/h and a maximum distance of 500 m from the camera.

112