以立體視覺引導 ptz 攝影機的影像伺服系統研究
Post on 01-Jan-2016
57 Views
Preview:
DESCRIPTION
TRANSCRIPT
以立體視覺引導 PTZ 攝影機的影像伺服系統研究
報告學生:陳嘉政 指導老師:彭守道 老
師
大綱• 前言• 研究動機• 實驗架構介紹–固定式與移動式攝影機比較圖–物件比對 (Pattern Matching)
– RBF 神經網路– SOM 神經網路
• 結論2
前言• 攝影機的使用已經非常的普及,一般攝影機的解析度較差,其使用方式多數為定點拍攝,不容易取得想要的影像。
3
前言• 影像除了可以記錄與觀看,也可以將影像資訊用於自動化系統,藉此解決部分無法自動化的問題,例如:水果與稻米的篩選。
4
研究動機• 結合固定式攝影機與移動式攝影機,使我們能在拍攝大範圍影像時,也能取得重要且清晰的影像。
• 設計一個利用影像資訊,進行自動化的目標追蹤系統。
5
實驗架構介紹• 實驗設備:
固定式攝影機 2 台
移動式攝影機 1 台
桌上型電腦 1 組
6
固定式與移動式攝影機比較圖
種類優缺點
固定式攝影機 PTZ(Pan/Tilt/Zoom) 攝影機
優點 拍攝範圍較廣可使用 Pan/Tilt 角度追蹤目標物
具有光學放大 (Zoom) 功能,可取得較高的物體解晰度
缺點 物體解析度較低,不易判斷移動與放大的功能需要人工操作
監視範圍較小,由 PTZ 攝影機畫面觀察操作時目標物容易追丟
7
物件比對 (Pattern Matching)
• 可以透過事先建立的模型 (model) ,在影像中搜尋條件相似的物件。
8
目標點影像
目標點影像座標
Change position of the camera
固定式攝影機 A 畫面
RBF網路
影像處理
1u
2u
u
Ax
Ay
Bx
By
P
T
Ax
目標點影像
固定式攝影機 B 畫面
Bx
2W
影像座標 PTZ 角度
RBF 類神經網路
9
誤差與修正• RBF 神經網路所運算的結果,不一定能讓目標物停在影像中心,因此需要使用到SOM 神經網路。
• 藉由 SOM 神經網路取得正確的角度值,並將資訊給予 RBF 神經網路進行更新學習。
10
SOM網路
移動式攝影機畫面
目標點影像
畫面中心
uT
uC
S目標點影像座標
Change position of the camera
影像處理
SOM 類神經網路
11
結論• 使用 RBF 神經網路,能有效的轉換影像資訊為角度資訊。
• 藉由 SOM 神經網路的幫助,能使系統產生自我修正的功能。
• Pattern Matching 搜尋方式為全域搜尋,對系統負荷較大,容易造成系統運作變慢。
12
報告結束
感謝聆聽
top related