Здравейте! Като доставчик на системи за визуална навигация често ме питат как тези страхотни системи откриват и проследяват движещи се обекти. Това е завладяваща тема и аз се радвам да споделя някои прозрения с вас.
Първо, нека разберем основите. Системите за визуална навигация използват камери и усъвършенствани алгоритми за анализ на визуалната среда. Те са като очите и мозъка на машина, помагайки й да „вижда“ и да осмисля какво е около нея.
Откриване на движещи се обекти
Една от ключовите стъпки във визуалната навигация е откриването на движещи се обекти. Има няколко различни метода, които използваме, за да направим това.
Изваждане на фона
Това е доста ясен подход. Започваме със създаването на модел на статичния фон в зрителното поле на камерата. След това, когато системата работи, тя сравнява всеки нов кадър с фоновия модел. Всички области, които са различни от фона, вероятно са движещи се обекти.
Например, представете си охранителна камера, която наблюдава паркинг. Фоновият модел ще включва местата за паркиране, сградите и статичната природа. Когато кола влезе в паркинга, това се показва като разлика в рамката и системата може да я разпознае като движещ се обект.
Оптичен поток
Оптичният поток е друга мощна техника. Той измерва видимото движение на обекти в поредица от кадри. Като анализираме посоката и скоростта на потока, можем да определим кои обекти се движат и как се движат.
Мислете за това като за гледане на река. Водата в реката има определен поток и можете да разберете накъде се движи и колко бързо. По същия начин оптичният поток помага на системата за визуална навигация да разбере движението на обектите във видеокадрите.
Проследяване на функции
Проследяването на функции включва идентифициране на отделни характеристики в обект, като ъгли или ръбове, и след това проследяване на тези характеристики в множество рамки. Ако даден елемент се движи от една позиция в друга, това показва, че обектът се движи.
Например, ако проследяваме ходещ човек във видеоклип, може да проследим ъглите на очите му или ръбовете на дрехите му. Докато тези характеристики се движат в рамките, системата може да следва движението на човека.
Проследяване на движещи се обекти
След като бъде открит движещ се обект, следващата стъпка е да го проследите. Тук нещата стават малко по-сложни.
Филтриране на Калман
Филтърът на Калман е широко използван алгоритъм за проследяване на движещи се обекти. Той използва математически модел, за да предвиди бъдещата позиция на даден обект въз основа на неговото минало движение. Чрез непрекъснато актуализиране на прогнозата с нови измервания от камерата, филтърът може да следи точно позицията на обекта.
Да кажем, че проследяваме дрон, който лети в небето. Калмановият филтър взема предвид предишната скорост и посока на дрона и прогнозира къде ще бъде в следващия кадър. Когато камерата заснеме новия кадър, филтърът сравнява прогнозираната позиция с действителната позиция на дрона и съответно коригира своята прогноза.
Филтри за частици
Филтрите за частици са друга възможност за проследяване. Те използват набор от частици, за да представят възможните състояния на даден обект. Всяка частица има тегло, което показва колко вероятно е тя да представи истинското състояние на обекта.
Когато се получат нови измервания, теглата на частиците се актуализират и частиците се вземат повторно, за да се фокусират върху най-вероятните състояния. По този начин филтърът за частици може да проследи обекта дори при наличие на шум и несигурност.
Проследяване, базирано на дълбоко обучение
През последните години дълбокото обучение революционизира проследяването на обекти. Дълбоките невронни мрежи могат да се научат да разпознават и проследяват обекти въз основа на големи количества данни за обучение.
Тези мрежи могат да се справят със сложни сценарии, като оклузия (когато даден обект е частично или напълно блокиран от друг обект) и промени във външния вид. Например, ако човек ходи зад дърво и след това се появи отново, базиран на задълбочено обучение тракер все още може да го следи.
Нашите системи за визуална навигация
В нашата компания сме разработили някои удивителни системи за визуална навигация, които използват тези техники за откриване и проследяване.
НашитеИнерционна измервателна единица MEMSосигурява точно отчитане на движение, което допълва визуалното откриване и проследяване. Той може да измерва ускорението и въртенето на системата, като помага за подобряване на цялостната точност на навигацията.
TheИнтегриран визуален навигационен модулкомбинира множество сензори и алгоритми в едно компактно устройство. Лесно е да се интегрира в различни приложения, като роботи, дронове и автономни превозни средства.
И нашитеРазделен тип навигационен модул за съпоставяне на изображенияизползва усъвършенствани алгоритми за съвпадение на изображения, за да осигури прецизна навигация в сложни среди. Той може да открива и проследява движещи се обекти с висока точност, дори при условия на слаба светлина или силен шум.
Заключение
Визуалните навигационни системи са невероятно мощни инструменти за откриване и проследяване на движещи се обекти. Чрез използване на техники като изваждане на фона, оптичен поток и проследяване на функции, можем да открием обекти в околната среда. А с алгоритми като филтриране на Калман, филтри за частици и проследяване, базирано на задълбочено обучение, можем точно да проследяваме тези обекти във времето.
Ако търсите визуална навигационна система, която може ефективно да открива и проследява движещи се обекти, ще се радваме да поговорим с вас. Нашите системи са проектирани да осигуряват висока производителност и надеждност и ние можем да ги персонализираме, за да отговарят на вашите специфични нужди. Така че не се колебайте да се свържете и да започнете разговор за това как нашите системи за визуална навигация могат да бъдат от полза за вашия проект.
Референции
- Szeliski, R. (2010). Компютърно зрение: Алгоритми и приложения. Спрингър.
- Ma, Y., Soatto, S., Kosecka, J., & Sastry, SS (2003). Покана за 3-D визия: от изображения до геометрични модели. Спрингър.
- Goodfellow, IJ, Bengio, Y., & Courville, A. (2016). Дълбоко обучение. MIT Press.