Tek Nesne Takibi

Bu sınıftaki en yaygın yaklaşım şablon eşlemedir. Şablon eşleme, nesne şablonuna benzer bir bölgenin Iw imgesinde kaba kuvvetle aranması yöntemidir. Mevcut imgedeki şablonun

Şekil 3.3 Aşamalardaki Ortalama-kayma takip iterasyonları (1) t-1 zamanında hesaplanan nesne konumu (2) önceki nesne pozisyonunu kullanarak baslangıç konumu tahminli t zamanındaki çerçeve, (3,4,5) ortalama- kayma iterasyonlarını kullanarak güncel konum, (6) t anındaki son nesne konumu

Burada (dx, dy) aday şablon pozisyonunu belirler. Genellikle imge gri ton değeri veya renk özellikleri şablonları biçimlendirmek için kullanılır. İmge gri ton değerinin aydınlatma değişikliklerine çok duyarlı olması sebebiyle imge gradyanları özellik olarak kullanılabilir [190]. Şablon eşlemedeki bir sınırlama, kaba kuvvet arama sebebiyle ortaya çıkan yüksek işlem yüküdür. İşlem yükü maliyetini düşürmek için araştırmacılar genellikle nesne aramasını onun önceki pozisyonunun yakın komşularıyla sınırlandırırlar. Şablon eşleme için çok daha etkin algoritmalar da tanıtılmıştır [191]. Takip için şablon yerine diğer nesne gösterimleri kullanılması dikkat çekicidir. Örneğin dikdörtgensel veya oval bölgeler içerisinde piksellerin görünümünü kullanarak renk histogramları veya karışık modeller hesaplanabilir.

Ortalama kayma: Fieguth ve Terzopoulos dikdörtgensel nesne bölgesi içerisinde piksellerin ortalama rengini bularak nesne modelleri üretmişlerdir [103]. Hesapsal karmaşıklığı azaltmak için nesneyi sekiz komşu bölge içerisinde aramışlardır. M nesne modeli ile varsayılan H pozisyonu arasındaki benzerlik M ve H kullanarak hesaplanan renk ortalamaları arasındaki oranı değerlendirerek hesaplanır. En yüksek oranı sağlayan pozisyon mevcut nesne bölgesi olarak seçilir. Comaniciu ve Meer nesneyi temsil etmek üzere dairesel bir bölgeden hesaplanan bir ağırlıklı histogram kullanmışlardır [69]. Çalışmalarında nesneyi konumlandırmak için bir kaba kuvvet arama yapma yerine ortalama-kayma yöntemi kullanılmıştır. Ortalama-kayma takip edici varsayılan P nesne bölgesi etrafındaki pencerenin

ve Q nesnesinin histrogramlarını karşılaştırmak suretiyle iteratif olarak görünüm benzerliğini maksimize eder. Histogram benzerliği Bhattacharya katsayısı cinsinden tanımlanır. Model ve aday nesne bölgelerinden üretilen Q ve P renk dağılım fonksiyonlarının bilinmesi halinde x pikselindeki ağırlık Bhattacharyya ölçüsünden türetilir. Burada nesneye ilişkin model dağılım ile aday dağılım parametrik veya parametrik olmayacak şekilde hesaplanabilir. Parametrik yaklaşımlar bilinmeyen parametrelerin hesabını gerektirmesi sebebiyle burada RGB histogramı tarafından yaklaşılan parametrik olmayan Parzen pencereleri kullanılmıştır. Hedef q ve p‘nin benzer olduğu x nesne pozisyonunun bulunmasıdır. Bu benzerlik Bhattacharyya katsayısını maksimize ederek maksimize edilir ve aşağıdaki ağırlık değerine sahiptir;

w(x) Q(I (x))/P(I (x) (3.3a)

P(u)Q(u) u 1

b

(3.3b)

Burada b, çubuk sayısıdır. Her bir iterasyonda ortalama-kayma vektörü histogram benzerliği artırılacak şekilde hesaplanır. Bu işlem yakınsama başarılıncaya kadar tekrarlanır. Yakınsama genellikle beş altı iterasyon alır. Histogram üretme için yazarlar nesne merkezine daha yakın piksellere daha yüksek ağırlıklar veren uzaysal bir çekirdek tarafından tanımlanan bir ağırlıklandırma düzeni kullanmaktadır. Comaniciu sadece bir renk histogramı yerine birleşik bir uzaysal renk histogramı kullanan ortalama-kayma takip yaklaşımını geliştirdi [192]. Ortalama-kayma takip edicinin standart şablon eşleme üzerine avantajı kaba kuvvet arama yapılmaması ve başlangıçta az sayıda dairesel bölge içerisinde nesne parçasının ötelenmesi hesabıdır. Nesne parçası Şekil 3.3-2‘deki beyaz oval içerisinde olmalıdır.

Ortalama-kayma takip edicinin uygulanması OpenCV‘de CAMSHIFT olarak bulunmaktadır. [193]‘de bir nesneyi kararlı görünüm özellikleri, geçici özellikler ve gürültü işlemi olmak üzere üç bileşenin karışımı olarak takip eden bir nesne takip edici tanıtılmıştır. Kararlı bileşen hareket tahmini için en güvenli görünümü teşhis eder (yani görünümü zamanla çok çabuk değişmeyen nesne bölgeleri). Geçici bileşen çok çabuk değişen pikselleri teşhis eder. Gürültü bileşeni gürültü sebebiyle ortaya çıkan nesne görünümündeki aykırı değerleri ele alır. Bu iç bileşen karışımının parametrelerini öğrenmek için EM algoritmasının çevrimiçi bir

uyarlaması kullanılır. Yazarlar görünüm gösterimi için özellikler olarak yönlendirilebilir süzgeç cevaplarına ilişkin fazı kullanmıştır. Nesne biçimi bir oval tarafından temsil edilir. Nesne hareketi bir çerçeveden diğerine takip edilen bölgeyi çarpıtma cinsinden hesaplanır. Çarpıtma dönüşümü öteleme (tx, ty), döndürme (a,b) ve ölçek (s) parametrelerini içerir;

x y s a b b a x y tx ty (3.4)

Kararlı ve geçici bileşenlerine ait bir ağırlık kombinasyonu çarpıklık parametrelerini bulmak için kullanılır. Kararlı ve geçici özellikleri öğrenmenin avantajı takip için kararlı özelliklere daha fazla ağırlık verilebilmesidir. Örneğin konuşan bir kimsenin yüzü takip edilecekse bu kimsenin ağzının tersine, alın yada burun bölgesi bir sonraki çerçevede yüzle daha iyi eşleşecektir. İlgili şekilde ağız ve kaş bölgeleri etrafındaki olasılıkların değiştiği, diğer bölgelerdekilerin ise değişmediği görülmektedir (Şekil 3.4).

İlkel bir şekille tanımlanan bir bölgeyi takip etmek için bir başka yaklaşım da bir optik akış yöntemi kullanarak ötelemeyi hesap etmektir. Optik akış yöntemleri sabit parlaklık sınırlaması altında her bir piksele ait akış vektörünü hesaplayarak yoğunluk akış alanlarının oluşturulması için kullanılır I (x, y, t)− I (x +dx, y +dy, t +dt) = 0 [116]. Bu hesaplama her zaman pikselin komşusunda ya cebrik olarak ya da geometrik olarak gerçekleştirilir [38,176]. Dikdörtgensel bir bölgenin ötelemesini hesaplamak için optik akış yöntemleri yaygın değildir. Shi ve Tomasi 1994 yılında bir ilgi noktasını merkezleyen bir bölgeye ait ötelemesini (du, dv) iteratif olarak hesaplayan KLT takip ediciyi önerdi [188];

I_x2 _I xIy IxIy Iy 2 du dv I_xI_t IyIt (3.5)

Bu denklem Lucas ve Kanade tarafından önerilen optik akış yöntemleriyle yapısal olarak benzerdir [38]. İlgi noktasına ait yeni bölge bir kez bulununca KLT takip edici afin dönüşümünü hesaplamak suretiyle izlenen parçanın kalitesini değerlendirir. Ardışık çerçevelerdeki birbirine tekabül eden parçalar arasında aşağıdaki eşitlik yazılabilir;

x y a b c d x y t_x t_y (3.6)

Mevcut parça ile izdüşümü yapılan parça arasındaki karesel fark toplamı küçükse özelliği takip etmeye devam ederler, aksi takdirde özellik yok edilir. KLT izleyicinin uygulanması KLTSrc de mevcuttur. KLT takip edici tarafından elde edilen sonuçlar Şekil 3.5‘de gösterilmiştir.

Şekil 3.4 Jepson vd. (2003) tarafından geliştirilen gürbüz çevrim içi takip yöntemi sonuçları; (a) farklı çerçevelerdeki hedef bölgesi, (b) kararlı bileşendeki birleşik olasılık [193]

Şekil 3.5 KLT izleyici kullanan takipteki öznitelikler [38]