vision.ForegroundDetector

Приоритетное обнаружение с помощью смешанных гауссовских моделей

Описание

ForegroundDetector сравнивает цветной или полутоновый видеокадр с фоновой моделью, чтобы определить, являются ли отдельные пиксели частью фона или переднего плана. Это затем вычисляет приоритетную маску. При помощи фонового вычитания можно обнаружить основные объекты в изображении, взятом из стационарной камеры.

Обнаружить передний план в изображении:

  1. Создайте vision.ForegroundDetector объект и набор его свойства.

  2. Вызовите объект с аргументами, как будто это была функция.

Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты?.

Создание

Описание

пример

detector = vision.ForegroundDetector вычисляет и возвращает приоритетную маску с помощью смешанной гауссовской модели (GMM).

detector = vision.ForegroundDetector(Name,Value) свойства наборов с помощью одной или нескольких пар "имя-значение". Заключите каждое имя свойства в кавычки. Например, detector = vision.ForegroundDetector('LearningRate',0.005)

Свойства

развернуть все

Если в противном случае не обозначено, свойства являются ненастраиваемыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируют, когда вы вызываете их, и release функция разблокировала их.

Если свойство является настраиваемым, можно изменить его значение в любое время.

Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Используя Системные объекты.

Адаптируйте скорость обучения в виде 'true' или 'false'. Это свойство включает объекту адаптировать скорость обучения в период, заданный NumTrainingFrames свойство. Когда вы устанавливаете это свойство на true, объект устанавливает LearningRate свойство к 1 / (текущий номер системы координат). Когда вы устанавливаете это свойство на false, LearningRate свойство должно быть установлено на каждом временном шаге.

Количество начальных видеокадров для учебной фоновой модели в виде целого числа. Когда вы устанавливаете AdaptLearningRate к false, это свойство не будет доступно.

Скорость обучения для параметра обновляется в виде числового скаляра. Задайте скорость обучения, чтобы адаптировать параметры модели. Это свойство управляет, как быстро модель адаптируется к изменяющимся условиям. Установите это свойство соответственно гарантировать устойчивость алгоритма.

Скорость обучения, заданная этим свойством, может только быть реализована, когда вы устанавливаете AdaptLearningRate к true и после того, как период подготовки задан NumTrainingFrames закончено.

Настраиваемый: да

Порог, чтобы определить фоновую модель в виде числового скаляра. Установите это свойство представлять минимальную возможность для пикселей, которые будут рассмотрены фоновыми значениями. Многомодальные фоны не могут быть обработаны, если это значение слишком мало.

Количество режимов Gaussian в модели смеси в виде положительного целого числа. Как правило, вы установили бы это значение к 3, 4 или 5. Установите значение к 3 или больше смочь смоделировать несколько фоновых режимов.

Начальное отклонение модели смеси в виде числового скаляра или 'Auto' символьный вектор.

Тип данных imageНачальное отклонение
doubleединственный(30/255)^2
uint830^2

Это свойство применяется ко всем цветовым каналам за цветные входные параметры.

Использование

Описание

пример

foregroundMask = detector(I) вычисляет приоритетную маску для входного изображения I, и возвращает логическую маску. Значения 1 в маске соответствуют приоритетным пикселям.

foregroundMask = detector(I,learningRate) вычисляет приоритетную маску с помощью LearningRate.

Входные параметры

развернуть все

Введите изображение в виде полутонового или истинного цвета (RGB).

Скорость обучения для параметра обновляется в виде числового скаляра. Задайте скорость обучения, чтобы адаптировать параметры модели. Это свойство управляет, как быстро модель адаптируется к изменяющимся условиям. Установите это свойство соответственно гарантировать устойчивость алгоритма.

Скорость обучения, заданная этим свойством, может только быть реализована, когда вы устанавливаете AdaptLearningRate к true и после того, как период подготовки задан NumTrainingFrames закончено.

Настраиваемый: да

Выходные аргументы

развернуть все

Приоритетная маска вычислила использование смешанной гауссовской модели, возвращенной как бинарная маска.

Функции объекта

Чтобы использовать объектную функцию, задайте Систему object™ как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:

release(obj)

развернуть все

stepЗапустите алгоритм Системного объекта
releaseВысвободите средства и позвольте изменения в значениях свойств Системного объекта и введите характеристики
resetСбросьте внутренние состояния Системного объекта

Примеры

свернуть все

Создайте объект источника видеосигнала считать файл.

videoSource = VideoReader('viptraffic.avi');

Создайте объект детектора и определите номер учебных систем координат к 5 (потому что это - короткое видео.) Стандартное отклонение начальной буквы набора.

detector = vision.ForegroundDetector(...
       'NumTrainingFrames', 5, ...
       'InitialVariance', 30*30);

Выполните анализ блоба.

blob = vision.BlobAnalysis(...
       'CentroidOutputPort', false, 'AreaOutputPort', false, ...
       'BoundingBoxOutputPort', true, ...
       'MinimumBlobAreaSource', 'Property', 'MinimumBlobArea', 250);

Вставьте границу.

shapeInserter = vision.ShapeInserter('BorderColor','White');

Проигрывайте результаты. Чертите ограничительные рамки вокруг автомобилей.

videoPlayer = vision.VideoPlayer();
while hasFrame(videoSource)
     frame  = readFrame(videoSource);
     fgMask = detector(frame);
     bbox   = blob(fgMask);
     out    = shapeInserter(frame,bbox);
     videoPlayer(out);
     pause(0.1);
end

Выпустите объекты.

release(videoPlayer);

Ссылки

[1] Kaewtrakulpong, P. и Р. Боуден. Улучшенная Адаптивная Фоновая Модель Смеси для Отслеживания В реальном времени с Теневым Обнаружением. В материалах 2-й европейский Семинар по Усовершенствованным основанным на видео Системам Наблюдения, AVBS01, СИСТЕМАМ VIDEO BASED SURVEILLANCE: Компьютерное зрение и Распределенная обработка (сентябрь 2001)

[2] Stauffer, C. и W.E.L. Гримсон. Адаптивные Фоновые Модели Смеси для Отслеживания В реальном времени, Компьютерного зрения и Распознавания образов, Конференции Общества эпохи компьютеризации IEEE по, Издание 2 (06 августа 1999), стр 2246-252 Издания 2.

Расширенные возможности

Введенный в R2011a
Для просмотра документации необходимо авторизоваться на сайте