В этом примере показано, как использовать 2-D нормализованную взаимную корреляцию для сопоставления шаблонов и отслеживания цели. В примере используется предопределенный или заданный пользователем целевой объект и количество аналогичных целевых объектов для отслеживания. График нормализованной взаимной корреляции показывает, что, когда значение превышает установленный порог, цель идентифицируется.
В этом примере для отслеживания целевого шаблона в видео используется нормализованная взаимная корреляция. Алгоритм сопоставления шаблонов включает в себя следующие шаги:
Входной видеокадр и шаблон уменьшаются в размере, чтобы минимизировать объем вычислений, требуемых алгоритмом согласования.
Нормализованная взаимная корреляция в частотной области используется для поиска шаблона в видеокадре.
Местоположение шаблона определяется путем нахождения максимального значения взаимной корреляции.
Инициализируйте необходимые переменные, такие как пороговое значение для взаимной корреляции и уровень разложения для разложения гауссовой пирамиды.
threshold = single(0.99); level = 2;
Подготовьте устройство чтения видеофайлов.
hVideoSrc = VideoReader('vipboard.mp4');
Укажите целевое изображение и количество похожих целей для отслеживания. По умолчанию в примере используется предопределенный целевой объект и найдено до 2 аналогичных шаблонов. Можно установить значение false для переменной useDefureTarget, чтобы указать новый целевой объект и количество аналогичных целевых объектов для сопоставления.
useDefaultTarget = true; [Img, numberOfTargets, target_image] = ... videopattern_gettemplate(useDefaultTarget); % Downsample the target image by a predefined factor. You do this % to reduce the amount of computation needed by cross correlation. target_image = single(target_image); target_dim_nopyramid = size(target_image); target_image_gp = multilevelPyramid(target_image, level); target_energy = sqrt(sum(target_image_gp(:).^2)); % Rotate the target image by 180 degrees, and perform zero padding so that % the dimensions of both the target and the input image are the same. target_image_rot = imrotate(target_image_gp, 180); [rt, ct] = size(target_image_rot); Img = single(Img); Img = multilevelPyramid(Img, level); [ri, ci]= size(Img); r_mod = 2^nextpow2(rt + ri); c_mod = 2^nextpow2(ct + ci); target_image_p = [target_image_rot zeros(rt, c_mod-ct)]; target_image_p = [target_image_p; zeros(r_mod-rt, c_mod)]; % Compute the 2-D FFT of the target image target_fft = fft2(target_image_p); % Initialize constant variables used in the processing loop. target_size = repmat(target_dim_nopyramid, [numberOfTargets, 1]); gain = 2^(level); Im_p = zeros(r_mod, c_mod, 'single'); % Used for zero padding C_ones = ones(rt, ct, 'single'); % Used to calculate mean using conv
Создайте объект System для вычисления локального максимального значения нормализованной взаимной корреляции.
hFindMax = vision.LocalMaximaFinder( ... 'Threshold', single(-1), ... 'MaximumNumLocalMaxima', numberOfTargets, ... 'NeighborhoodSize', floor(size(target_image_gp)/2)*2 - 1);
Создайте объект System для отображения отслеживания шаблона.
sz = get(0,'ScreenSize'); pos = [20 sz(4)-400 400 300]; hROIPattern = vision.VideoPlayer('Name', 'Overlay the ROI on the target', ... 'Position', pos);
Инициализация окна рисунка для печати нормализованного значения взаимной корреляции
hPlot = videopatternplots('setup',numberOfTargets, threshold);
Создайте цикл обработки для выполнения сопоставления шаблонов во входном видео. В этом цикле используются созданные выше системные объекты. Цикл останавливается при достижении конца входного файла, который обнаруживается VideoReader объект.
while hasFrame(hVideoSrc) Im = rgb2gray(im2single(readFrame(hVideoSrc))); % Reduce the image size to speed up processing Im_gp = multilevelPyramid(Im, level); % Frequency domain convolution. Im_p(1:ri, 1:ci) = Im_gp; % Zero-pad img_fft = fft2(Im_p); corr_freq = img_fft .* target_fft; corrOutput_f = ifft2(corr_freq); corrOutput_f = corrOutput_f(rt:ri, ct:ci); % Calculate image energies and block run tiles that are size of % target template. IUT_energy = (Im_gp).^2; IUT = conv2(IUT_energy, C_ones, 'valid'); IUT = sqrt(IUT); % Calculate normalized cross correlation. norm_Corr_f = (corrOutput_f) ./ (IUT * target_energy); xyLocation = step(hFindMax, norm_Corr_f); % Calculate linear indices. linear_index = sub2ind([ri-rt, ci-ct]+1, xyLocation(:,2),... xyLocation(:,1)); norm_Corr_f_linear = norm_Corr_f(:); norm_Corr_value = norm_Corr_f_linear(linear_index); detect = (norm_Corr_value > threshold); target_roi = zeros(length(detect), 4); ul_corner = (gain.*(xyLocation(detect, :)-1))+1; target_roi(detect, :) = [ul_corner, fliplr(target_size(detect, :))]; % Draw bounding box. Imf = insertShape(Im, 'Rectangle', target_roi, 'Color', 'green'); % Plot normalized cross correlation. videopatternplots('update',hPlot,norm_Corr_value); step(hROIPattern, Imf); end snapnow % Function to compute pyramid image at a particular level. function outI = multilevelPyramid(inI, level) I = inI; outI = I; for i=1:level outI = impyramid(I, 'reduce'); I = outI; end end
В этом примере показано использование Computer Vision Toolbox™ для поиска определяемого пользователем шаблона в видео и его отслеживания. Алгоритм основан на нормализованной взаимной корреляции частотной области между целью и тестируемым изображением. В окне видеопроигрывателя отображается входное видео с идентифицированными целевыми местоположениями. На рисунке также показана нормализованная корреляция между целью и изображением, которое используется в качестве метрики для соответствия цели. Как можно видеть всякий раз, когда значение корреляции превышает пороговое значение (обозначенное синей линией), цель идентифицируется во входном видео, и местоположение помечается зеленой ограничивающей рамкой.
В этом примере используются следующие вспомогательные функции.