ES2329837T3 - Deteccion de objetos moviles. - Google Patents
Deteccion de objetos moviles. Download PDFInfo
- Publication number
- ES2329837T3 ES2329837T3 ES07075360T ES07075360T ES2329837T3 ES 2329837 T3 ES2329837 T3 ES 2329837T3 ES 07075360 T ES07075360 T ES 07075360T ES 07075360 T ES07075360 T ES 07075360T ES 2329837 T3 ES2329837 T3 ES 2329837T3
- Authority
- ES
- Spain
- Prior art keywords
- pixel
- image frame
- probabilities
- movement
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Método de detección de uno o más objetos móviles, que comprende: acumular probabilidades de movimiento a partir de conjuntos de tramas de imagen secuenciales a partir de la exploración de un sensor del uno o más objetos móviles; determinar una o más zonas a partir de las probabilidades de movimiento acumuladas, indicando cada una de la una o más zonas un objeto móvil probable; e identificar cada una de la una o más zonas que indican un objeto móvil probable; en el que determinar las zonas incluye: determinar asociaciones de píxeles para cada píxel de las probabilidades de movimiento acumuladas como un promedio de cada probabilidad de movimiento acumulada horizontal, vertical y diagonal dentro de un operador de referencia centrado en un píxel de la probabilidad de movimiento acumulada; y restar las asociaciones de píxeles para cada píxel de la probabilidad de movimiento acumulada.
Description
Detección de objetos móviles.
La presente descripción se refiere a la
detección de objetos móviles.
La detección y el seguimiento de objetos móviles
puede implicar múltiples plataformas de diversas configuraciones
que funcionan como un complicado sistema coordinado con requisitos
precisos de sincronización de tiempo para hacer el seguimiento de
un objeto móvil (por ejemplo objetos, objetivos, y similares).
Adicionalmente, el seguimiento de objetos móviles que se han
determinado con otro vehículo móvil sobre el suelo, o con una
plataforma aerotransportada tal como una aeronave, requiere la
actualización de manera continua de la información sobre la
posición cambiante de un objeto móvil. La exactitud de las
actualizaciones de la posición y la tasa de actualización relativa
a la maniobrabilidad de un objeto detectado son las características
operativas principales necesarias para detectar y hacer el
seguimiento de manera continua del/de los objeto(s)
móvil(es).
Los requisitos de sincronización para múltiples
plataformas coordinadas pueden ser difíciles de mantener debido a
diversas características operativas, efectos ambientales y durante
un periodo prolongado de vigilancia cuando se hace el seguimiento
de múltiples objetos móviles. Además, algunos sistemas de detección
y seguimiento de objetos requieren la interacción y participación
basadas en un usuario u operario, lo que puede retrasar
significativamente las actualizaciones de la información sobre la
posición, y hace poco práctico el seguimiento simultáneo de
múltiples objetos móviles.
El artículo de H. Yalcin et al
"CMU-RI-TR-05-11:
A flow-based approach to vehicle detection and
background mosaicking in airborne video" Technical reports,
marzo de 2005, páginas 1-15 del Robotics Institute,
Carnegie Mellon University, da a conocer un método de detección de
uno o más objetos móviles, que comprende acumular probabilidades de
movimiento a partir de conjuntos de tramas de imagen secuenciales
procedentes de una exploración de un sensor del uno o más objetos
móviles; determinar una o más zonas a partir de las probabilidades
de movimiento acumuladas, indicando cada una de la una o más zonas
un objeto móvil probable; e identificar cada uno del uno o más
objetos móviles de las una o más zonas respectivas que indican un
objeto móvil probable.
Es un objeto de la presente invención obviar los
problemas anteriores y mejorar la técnica anterior mencionada
previamente, especialmente con respecto a la comparación de tramas
de imagen para generar un histograma y una imagen con divergencia
de valor de píxel máxima a partir de los cuales pueden determinarse
probabilidades de movimiento entre las dos tramas de imagen.
La presente invención proporciona un método de
detección de uno o más objetos móviles, que comprende acumular
probabilidades de movimiento a partir de conjuntos de tramas de
imagen secuenciales a partir de la exploración de un sensor del uno
o más objetos móviles; determinar una o más zonas a partir de las
probabilidades de movimiento acumuladas, indicando cada una de la
una o más zonas un objeto móvil probable; e identificar cada una de
la una o más zonas que indican un objeto móvil probable; en el que
determinar las zonas incluye determinar asociaciones de píxeles
para cada píxel de las probabilidades de movimiento acumuladas como
un promedio de cada probabilidad de movimiento acumulada
horizontal, vertical y diagonal dentro de un operador de referencia
centrado en un píxel de la probabilidad de movimiento acumulada; y
restar las asociaciones de píxeles para cada píxel de la
probabilidad de movimiento acumulada.
En una realización de detección de objetos
móviles, se acumulan probabilidades de movimiento a partir de
conjuntos de tramas de imagen secuenciales que se generan a partir
de la exploración de un sensor de uno o más objetos móviles. Se
determinan las zonas que indican, cada una, un objeto móvil probable
a partir de las probabilidades de movimiento acumuladas, y entonces
se detectan los objetos móviles a partir de las zonas respectivas
que indican un objeto móvil probable.
En otra realización de detección de objetos
móviles, un sensor puede explorar un área que incluye uno o más
objetos móviles, y generar una exploración de sensor a partir de la
que se reciben tramas de imagen secuenciales. Una aplicación de
detección puede acumular entonces probabilidades de movimiento a
partir de conjuntos de las tramas de imagen secuenciales, y
determinar una o más zonas a partir de las probabilidades de
movimiento acumuladas que indican, cada una, un objeto móvil
probable. Cada uno de los objetos móviles puede identificarse a
partir de las zonas respectivas que indican un objeto móvil
probable.
En otra realización de detección de objetos
móviles, se recibe una secuencia de tramas de imagen a partir de la
exploración de un sensor, y se alinea una trama de imagen actual con
una trama de imagen previa de la secuencia. Se generan
probabilidades de movimiento a partir de la trama de imagen actual
cuando se alinea con la trama de imagen previa en secuencia, y se
acumulan las probabilidades de movimiento para generar
probabilidades de movimiento acumuladas. Se determinan las
probabilidades de zona para cada píxel de la probabilidad de
movimiento acumulada para detectar una zona que incluye un objeto
móvil, y se determina una asociación de zonas a partir de las
probabilidades de zona cuando un centro de una asociación de zonas
corresponde a una posición del objeto móvil.
Se describen realizaciones de detección de
objetos móviles con referencia a los siguientes dibujos. Se usan
los mismos números en la totalidad de los dibujos para hacer
referencia a características y componentes similares:
La figura 1 ilustra un entorno a modo de ejemplo
en el que pueden implementarse realizaciones de detección de
objetos móviles.
La figura 2 ilustra tramas de imagen a modo de
ejemplo utilizados para detectar y hacer el seguimiento de objetos
móviles en una realización de detección de objetos móviles.
La figura 3 ilustra método(s) de
alineación de tramas a modo de ejemplo en una realización de
detección de objetos móviles.
La figura 4 ilustra ejemplos de determinación de
probabilidades de movimiento de píxel en una realización de
detección de objetos móviles.
La figura 5 ilustra método(s) de
detección de probabilidades de movimiento de píxel a modo de ejemplo
en una realización de detección de objetos móviles.
Las figuras 6A-6B ilustran
método(s) de probabilidades de zona y probabilidades de
movimiento acumuladas a modo de ejemplo en una realización de
detección de objetos móviles.
La figura 7 ilustra método(s) de
asociación de zonas a modo de ejemplo en una realización de
detección de objetos móviles.
La figura 8 ilustra método(s) a modo de
ejemplo en una realización de detección de objetos móviles.
\vskip1.000000\baselineskip
Se describen métodos y sistemas de detección de
objetos móviles en los que las realizaciones prevén la detección y
el seguimiento de uno o más objetos móviles sin tener que depender
de la selección de objetivos por parte de terceros, un sistema
coordinado de plataformas múltiples, la interacción de un operario
humano o la iluminación con láser o radar. Puede determinarse la
probabilidad de un objeto móvil que se detecta en tramas de imagen
secuenciales y alineadas que son o bien estacionarios o bien móviles
a partir de una acumulación de las tramas de imagen secuenciadas.
Se seleccionan subconjuntos de zonas en las tramas de imagen que
indican la mayor probabilidad de un objeto móvil, lo que elimina
ecos parásitos de imagen y objetos estacionarios, tales como
edificios, árboles y otra cobertura del terreno. Las zonas de las
tramas de imagen que se estima que son objetos móviles, y/o que se
mueven constantemente con velocidades previstas, pueden detectarse
entonces como los objetos móviles.
Aunque las características y los conceptos de
los sistemas y métodos descritos para la detección de objetos
móviles pueden implementarse en varios entornos, sistemas, y/u otras
configuraciones diferentes, se describen realizaciones de detección
de objetos móviles en el contexto de los siguientes sistemas y
entornos a modo de ejemplo.
La figura 1 ilustra un entorno 100 a modo de
ejemplo en el que pueden implementarse realizaciones de detección
de objetos móviles. El entorno 100 incluye un sistema de detección
de objetos 102 realizado en una plataforma móvil 104, que en este
ejemplo se muestra como un vehículo aéreo no tripulado (VANT). En
realizaciones alternativas, el sistema de detección de objetos 102
puede implementarse en un sistema de armamento aerotransportado, una
aeronave, una plataforma terrestre estacionaria o móvil, una
plataforma aerotransportada, o cualquier otro tipo de vehículo
tripulado o no tripulado que pueda implementarse para transportar el
sistema de detección de objetos 102.
La plataforma móvil 104 incluye un sensor 106,
tal como un sistema de obtención de imágenes infrarrojo u óptico de
alta resolución, que puede utilizarse para obtener exploraciones de
imágenes que incluyen diversos objetos estacionarios y móviles, y
que se comunican 110 con el sistema de detección de objetos 102 para
extraer y determinar las posiciones de los objetos móviles. En este
ejemplo, una exploración de imágenes 108 incluye diversos objetos
móviles, tales como vehículos 112 y personas 114, e incluye diversos
objetos estacionarios tales como edificios 116 y árboles u otra
cobertura del terreno 118.
Aunque se describen como "objetos" móviles,
cualquiera de los objetos puede considerarse un "objetivo" en
sentido militar. En una realización comercial, la detección de
objetos móviles puede implementarse para la vigilancia por parte de
la policía de un vehículo 112, una persona 114, u otro objeto móvil.
En una realización militar, el sistema de detección de objetos 102
puede implementarse en un sistema de armamento, tal como un misil u
otro armamento no tripulado, para hacer el seguimiento de objetivos
móviles y contribuir a las determinaciones de trayectorias de
vuelo. En estas y otras realizaciones de detección de objetos
móviles, pueden detectarse múltiples objetos y objetivos móviles y
hacer el seguimiento de ellos sin tener que depender de la selección
de objetivos por parte de terceros, la interacción de un operario
humano o la iluminación con láser o radar.
\global\parskip0.900000\baselineskip
En este ejemplo, el sistema de detección de
objetos 102 puede implementarse como uno o más dispositivos
informáticos que incluyen interfaz/interfaces de exploración de
sensor 120 mediante las que se reciben las exploraciones de
imágenes 108 procedentes del sensor 106, y como cualquier otro tipo
de entradas de exploración de sensor. El sistema de detección de
objetos 102 incluye interfaz/interfaces de comunicación 122 que
puede(n) implementarse como una cualquiera o más de una
interfaz en serie y/o en paralelo, una interfaz inalámbrica,
cualquier tipo de interfaz de red, un módem, y como cualquier otro
tipo de interfaz de comunicación para facilitar una conexión entre
el sistema de detección de objetos 102 y una red de comunicación
mediante la cual otros dispositivos electrónicos e informáticos
pueden comunicar datos con el sistema 102. Por ejemplo, en diversas
realizaciones de detección de objetos móviles, el sistema de
detección de objetos 102 puede recibir entrada(s) 124
opcionales que pueden recibirse a través de una interfaz a partir
de un sistema de terceros y/o como entradas basadas en un usuario u
operario para seleccionar objetos de interés para su
seguimiento.
El sistema de detección de objetos 102 también
incluye uno o más procesadores 126 (por ejemplo, cualquiera de
microprocesadores, controladores, y similares) que procesan diversas
instrucciones ejecutables por ordenador para controlar el
funcionamiento del sistema 102, para comunicar con otros
dispositivos electrónicos e informáticos, y para implementar
realizaciones de detección de objetos móviles. El sistema de
detección de objetos 102 puede implementarse con medios legibles
por ordenador 128, tales como uno o más componentes de memoria,
cuyos ejemplos incluyen memoria de acceso aleatorio (RAM), memoria
no volátil (por ejemplo, una cualquiera o más de una memoria de
sólo lectura (ROM), memoria flash, EPROM, EEPROM, etc.), y un
dispositivo de almacenamiento de disco tal como cualquier tipo de
dispositivo de almacenamiento magnético u óptico.
Los medios legibles por ordenador 128
proporcionan mecanismos de almacenamiento de datos para almacenar
diversa información y/o datos tales como aplicaciones de software y
cualquier otro tipo de información y datos relacionados con
aspectos operativos del sistema de detección de objetos 102. Por
ejemplo, un sistema operativo 130 y/o una aplicación de detección
132 pueden mantenerse como aplicaciones de software con los medios
legibles por ordenador 128 y ejecutarse en procesador(es)
126 para implementar realizaciones de detección de objetos móviles.
Además, los medios legibles por ordenador 128 mantienen las
exploraciones de imágenes recibidas 108 como tramas de imagen
almacenadas 134.
El sistema de detección de objetos 102 puede
recibir una secuencia de tramas de imagen 134, y la aplicación de
detección 132 puede implementarse para detectar uno o más objetos
móviles a partir de la secuencia de tramas de imagen 134 mediante
el seguimiento de movimientos de píxeles de las tramas de imagen
134. La aplicación de detección 132 acumula probabilidades de
movimiento a partir de conjuntos de las tramas de imagen
secuenciales, determina una o más zonas que indican, cada una, un
objeto móvil probable a partir de las probabilidades de movimiento
acumuladas, e identifica el uno o más objetos móviles a partir de la
una o más zonas respectivas que indican un objeto móvil probable.
La aplicación de detección 132 genera imágenes con diferencia de
valor de píxel a partir de las cuales pueden determinarse las
probabilidades de movimiento del uno o más objetos móviles entre
una trama de imagen actual y una trama de imagen previa de la
secuencia.
La figura 2 ilustra un ejemplo 200 de las tramas
de imagen 134 (figura 1) recibidas como parte de una exploración de
imágenes 108 procedente del sensor 106 en la plataforma móvil 104.
El ejemplo 200 incluye tramas de imagen 202, 204 y 206 que se
reciben como una secuencia de tramas de imagen a partir de la cual
puede detectarse y hacerse el seguimiento de un objeto móvil. En
este ejemplo, cada trama de imagen incluye un objeto estacionario
208 y un objeto móvil 210 mostrados en posiciones secuenciales
212(1-3) para ilustrar el objeto que se mueve
desde la posición 212(1) en la trama de imagen 202, hasta la
posición 212(2) en la trama de imagen 204, y hasta la
posición 212(3) en la trama de imagen 206. La trama de imagen
206 también muestra una trayectoria 214 por la que se desplaza el
objeto móvil 210 si las tramas de imagen se solaparan y alinearan en
una vista de la secuencia.
Cada una de las tramas de imagen 202, 204 y 206
incluye "n" x "m" píxeles 216, tales como tramas de imagen
que son de 256 x 256 píxeles (por ejemplo, de 0 a 255 píxeles). Un
píxel 218 en cada una de las tramas de imagen es un píxel de
solapamiento de imagen común para las tres tramas de imagen
secuenciales. El sistema de detección de objetos 102 genera un
desplazamiento relativo entre una trama de imagen actual y una trama
de imagen previa de la secuencia para alinear las tramas de imagen
de manera que se correlacionan los píxeles 216 de las tramas de
imagen. Si las tramas de imagen 202 y 204 se solaparan, los patrones
de imagen de las tramas de imagen se alinearían de manera que los
objetos estacionarios estarían situados en la misma ubicación, tal
como el objeto estacionario 208 en cada una de las tramas de trama
de imagen 202 y 204.
Cada par secuenciado, consecutivo de tramas de
imagen se compara para la alineación de tramas durante lo cual se
genera un histograma de valor de píxel, para determinar la entropía
de diferencias de valor de píxel de imagen entre las dos tramas.
Por ejemplo, se genera un histograma de diferencia de valor de píxel
220 a partir de las diferencias de valor de píxel de las tramas de
imagen 202 y 204, y se genera un histograma de diferencia de valor
de píxel 222 a partir de las diferencias de valor de píxel de las
tramas de imagen 204 y 206. Un par de tramas de imagen se alinea
mejor en una posición en la que se produce la menor entropía. La
alineación de tramas para la detección de objetos móviles se
describe en más detalle con referencia a la figura 3.
En general, cualquiera de las funciones
descritas en el presente documento puede implementarse usando
software, firmware (por ejemplo, conjuntos de circuitos de lógica
fija), hardware, procesamiento manual, o una combinación de estas
implementaciones. Una implementación de software representa un
código de programa que realiza tareas especificadas cuando se
ejecuta en procesador(es) (por ejemplo, cualquiera de
microprocesadores, controladores, y similares). El código de
programa puede almacenarse en uno o más dispositivos de memoria
legibles por ordenador, de los que se describen ejemplos con
referencia al sistema de detección de objetos 102 a modo de ejemplo
mostrado en la figura 1. Además, las características de detección
de objetos móviles tal como se describen en el presente documento
son independientes de la plataforma de manera que las técnicas
pueden implementarse en una variedad de plataformas informáticas
comerciales que tienen una variedad de procesadores.
Los métodos para la detección de objetos
móviles, tales como los métodos 300, 500, 600, 700, y 800 a modo de
ejemplo descritos con referencia a las figuras 3 y
5-8 respectivas, pueden describirse en el contexto
general de instrucciones ejecutables por ordenador. En general, las
instrucciones ejecutables por ordenador pueden incluir rutinas,
programas, aplicaciones, objetos, componentes, estructuras de datos,
procedimientos, módulos, funciones, y similares que realizan
funcionales particulares o implementan tipos de datos abstractos
particulares. Los métodos también pueden ponerse en práctica en un
entorno informático distribuido en el que se realizan funciones por
parte de dispositivos de procesamiento remotos que están conectados
a través de una red de comunicaciones. En un entorno informático
distribuido, las instrucciones ejecutables por ordenador pueden
estar ubicadas en medios de almacenamiento informáticos tanto
locales como remotos, incluyendo dispositivos de almacenamiento de
memoria.
La figura 3 ilustra un método 300 a modo de
ejemplo de alineación de tramas para la detección de objetos móviles
y se describe con referencia al entorno 100 a modo de ejemplo
(figura 1) y con referencia al ejemplo de tramas de imagen 200
(figura 2). El orden en el que se describe el método no está
previsto para considerarse como una limitación, y puede combinarse
cualquier número de los bloques de método descritos en cualquier
orden para implementar el método, o un método alternativo. Además,
el método puede implementarse en cualquier hardware, software,
firmware, o combinación de los mismos adecuada.
En el bloque 302, se recibe una trama de imagen,
y en el bloque 304, se recibe una trama de imagen secuencial
siguiente. Por ejemplo, el sistema de detección de objetos 102
(figura 1) recibe la trama de imagen 202 y la trama de imagen
secuencial 204. La trama de imagen 202 es la trama de imagen
"actual" cuando se recibe, y posteriormente se convierte en la
trama de imagen "previa" cuando se recibe la trama de imagen
204 tras la trama de imagen 202. De manera similar, la trama de
imagen 204 es la trama de imagen "actual" cuando se recibe, y
posteriormente se convierte en la trama de imagen "previa"
cuando se recibe la trama de imagen 206 tras la trama de imagen
204.
En el bloque 306, se determinan una rotación,
escala y desplazamiento relativos entre la trama de imagen actual y
la trama de imagen previa tal como se describe con referencia a los
bloques 308-316. En el bloque 308, se determina una
diferencia de valor de píxel restando un valor de píxel de una trama
de imagen actual de un valor de píxel de una trama de imagen
previa. Por ejemplo, se resta un valor de píxel del píxel de imagen
común 218 en la trama de imagen actual 204 de un valor de píxel del
píxel de imagen común 218 en la trama de imagen previa 202 para
generar la diferencia de valor de píxel para el píxel particular a
una rotación, escala y desplazamiento particulares. Un valor de
píxel puede basarse en un nivel de grises del píxel, una magnitud
del valor, o basarse en un intervalo definido tal como de -128 a
+128.
En el bloque 310, se genera un histograma de las
diferencias de valor de píxel para la rotación, escala y
desplazamiento o traslación de cada trama de imagen asociada. Por
ejemplo, el histograma de diferencia de valor de píxel 220 se
genera a medida que se genera cada diferencia de valor de píxel
consecutiva, columna por columna y fila por fila. El histograma 220
de las diferencias de valor de píxel es una matriz indexada de
diferencias de valor de píxel "k" (por ejemplo, un índice de
niveles de diferencia de valor de píxel), en la que h(k) es
un número total de píxeles en el histograma de diferencia de valor
de píxel 220 que tiene una diferencia de valor de píxel de
"k".
En el bloque 312, se realiza una determinación
en cuanto a si ha de determinarse una diferencia de valor de píxel
siguiente. Si ha de determinarse otra diferencia de valor de píxel
restando un valor de píxel de una trama de imagen actual de un
valor de píxel de una trama de imagen previa (es decir, "sí"
desde el bloque 312), entonces el método continúa determinando la
diferencia de valor de píxel siguiente en el bloque 308 y suma la
diferencia de valor de píxel generada al histograma en el bloque
310.
Si no va a determinarse una diferencia de valor
de píxel siguiente (es decir, "no" desde el bloque 312), lo
que significa que se ha restado cada valor de píxel de una trama de
imagen actual de un valor de píxel de la trama de imagen previa,
entonces el método continúa en el bloque 314 determinando la
entropía de las diferencias de valor de píxel a partir del
histograma generado. Por ejemplo, la entropía de las diferencias de
valor de píxel se determina mediante la ecuación:
donde
\Sigma es un sumatorio, "ln" es el
logaritmo natural, y donde, h(k) es el número de diferencias
de valor de píxel que tienen el valor "k";
\global\parskip1.000000\baselineskip
N_{t} es el número total de diferencias de
valor de píxel; \DeltaMin es la diferencia de valor de píxel
mínima; y
\DeltaMax es la diferencia de valor de píxel
máxima.
En el bloque 316, se determina la menor entropía
de las diferencias de valor de píxel así como la rotación, escala y
desplazamiento relativos correspondientes entre la trama de imagen
actual y la trama de imagen previa. En el bloque 318, la trama de
imagen actual se alinea con la trama de imagen previa según la
rotación, escala y desplazamiento relativos determinados. Por
ejemplo, la trama de imagen actual 204 se alinea con la trama de
imagen previa 202 basándose en la menor entropía determinada que
proporciona la mejor alineación de tramas de imagen a la rotación,
escala y desplazamiento de posición correspondientes de manera que
se alineen las tramas de imagen. En comparación, es probable que
el/los píxel(es) dentro del que/de los que se obtienen
imágenes del objeto estacionario 208 en las tramas de imagen 202 y
204 tengan una de las menores entropías de manera que las tramas de
imagen 202 y 204 pueden alinearse mediante el/los píxel(es)
dentro del que/de los que se obtienen imágenes del objeto
estacionario 208. De manera similar, las tramas de imagen 204 y 206
pueden alinearse mediante el/los píxel(es) dentro del que/de
los que se toman imágenes del objeto estacionario 208.
El método 300 puede continuar entonces en el
bloque 304 recibiendo una trama de imagen secuencial siguiente. Por
ejemplo, el sistema de detección de objetos 102 (figura 1) recibe la
trama de imagen siguiente 206 que se convierte en la trama de
imagen "actual", y la trama de imagen 204 se convierte en la
trama de imagen "previa" tras recibirse la trama de imagen
206. En el bloque 306, se determinan una rotación, escala y
desplazamiento relativos entre la trama de imagen actual siguiente
206 y la trama de imagen previa 204 tal como se describe con
referencia a los bloques 308-316, y se genera el
histograma de diferencia de valor de píxel 222. La trama de imagen
actual 206 y la trama de imagen previa 204 se alinean entonces tal
como se describe con referencia a los bloques
314-318. Aunque sólo se describen dos ejemplos de
tramas de imagen secuenciales en todo este ejemplo, los sistemas y
métodos descritos en el presente documento se aplican a cualquier
número de tramas de imagen secuenciales recibidas.
La figura 4 ilustra los ejemplos 400 y 402 de
determinación de probabilidades de movimiento de píxel a partir de
pares secuenciados de las tramas de imagen alineadas
202-204 y 204-206, respectivamente.
Tal como se describió anteriormente con referencia a la figura 2,
las tramas de imagen 202, 204 y 206 se reciben como una secuencia
de tramas de imagen a partir de la cual puede detectarse y hacerse
el seguimiento de un objeto móvil en una realización de detección
de objetos móviles. En este ejemplo, las tramas de imagen todavía se
muestran incluyendo el objeto estacionario 208 y el objeto móvil
210 mostrados en las posiciones secuenciales 212
(1-3) para ilustrar el objeto que se mueve desde la
posición 212(1) en la trama de imagen 202, hasta la posición
212(2) en la trama de imagen 204, y hasta la posición
212(3) en la trama de imagen 206.
El sistema de detección de objetos 102 determina
probabilidades de movimiento de píxel entre dos pares secuenciados,
alineados de tramas de imagen. En el ejemplo 400, la trama de imagen
202 se compara con la trama de imagen 204 para generar una imagen
403 y un histograma 404 con diferencia de valor de píxel máxima a
partir de los cuales pueden determinarse probabilidades de
movimiento entre las dos tramas de imagen. De manera similar en el
ejemplo 402, la trama de imagen 204 se compara con la trama de
imagen 206 para generar una imagen 405 y un histograma 406 con
diferencia de valor de píxel máxima a partir de los cuales pueden
determinarse probabilidades de movimiento entre las dos tramas de
imagen.
Se utiliza un operador de referencia 408 para
comparar cada píxel en una trama de imagen actual con un píxel
correspondiente en la trama de imagen previa alineada para
determinar las probabilidades de movimiento de píxel. Para las
tramas de imagen que son de 256 x 256 píxeles, se determina una
probabilidad de movimiento de píxel para cada uno de los 256 x 256
píxeles. En estos ejemplos, el operador de referencia 408 es una
trama de 3x3 píxeles, aunque pueden implementarse operadores de
referencia que tienen diversos números de píxeles en realizaciones
de detección de objetos móviles. El operador de referencia
408(1) se muestra en la esquina superior izquierda de la
trama de imagen 202, y para la comparación de la probabilidad de
movimiento de píxel, el operador de referencia 408(2) se
muestra en la esquina superior izquierda de la trama de imagen
204.
En el ejemplo 400, se genera una diferencia de
valor de píxel máxima determinando la diferencia máxima entre el
valor de píxel del píxel central del operador de referencia
408(2) (es decir, mostrado relleno con un patrón de líneas
en la trama de imagen 204) y los valores de píxel de los píxeles
exteriores del operador de referencia 408(1) (es decir,
mostrados rellenos con un patrón de líneas en la trama de imagen
202). Esto se repite para cada píxel
410(1-n) y
412(1-m) en la trama de imagen actual 204 donde "n" es el número de píxeles de fila, y "m" es el número de píxeles de columna. Por ejemplo, el operador de referencia 408 se mueve desde la posición 410(1) hasta la posición 410(2), etcétera hasta la posición 410(n), y de manera similar hacia abajo en cada fila 412(1-m) para determinar una diferencia de valor de píxel máxima para cada píxel en la trama de imagen actual 204. Se desarrolla una imagen con diferencia de valor de píxel máxima como D(i,j) donde i=0 al número "n" de píxeles de fila y j=0 al número "m" de píxeles de columna.
412(1-m) en la trama de imagen actual 204 donde "n" es el número de píxeles de fila, y "m" es el número de píxeles de columna. Por ejemplo, el operador de referencia 408 se mueve desde la posición 410(1) hasta la posición 410(2), etcétera hasta la posición 410(n), y de manera similar hacia abajo en cada fila 412(1-m) para determinar una diferencia de valor de píxel máxima para cada píxel en la trama de imagen actual 204. Se desarrolla una imagen con diferencia de valor de píxel máxima como D(i,j) donde i=0 al número "n" de píxeles de fila y j=0 al número "m" de píxeles de columna.
De manera similar en el ejemplo 402, se genera
una diferencia de valor de píxel máxima determinando la diferencia
máxima entre el valor de píxel del píxel central del operador de
referencia 408(4) (es decir, mostrado relleno con un patrón
de líneas en la trama de imagen 206) y los valores de píxel de los
píxeles exteriores del operador de referencia 408(3) (es
decir, mostrados rellenos con un patrón de líneas en la trama de
imagen 204). Esto se repite para cada píxel
410(1-n) y 412(1-m) en
la trama de imagen actual 206 donde "n" es el número de
píxeles de fila, y "m" es el número de píxeles de columna. Por
ejemplo, el operador de referencia 408 se mueve desde la posición
410(1) hasta la posición 410(2), etcétera hasta la
posición 410(n), y de manera similar hacia abajo en cada
fila 412(1-m) para determinar una diferencia
de valor de píxel máxima para cada píxel en la trama de imagen
actual 206. Se desarrolla una imagen con diferencia de valor de
píxel máxima como D(i,j) donde i=0 al número "n" de
píxeles de fila y j=0 al número "m" de píxeles de columna. Se
describen las probabilidades de movimiento de píxel desarrolladas a
partir de las diferencias de valor de píxel máximas para la
detección de objetos móviles en más detalle con referencia a la
figura 5.
La figura 5 ilustra un método 500 a modo de
ejemplo de detección de la probabilidad de movimiento de píxel para
la detección de objetos móviles y se describe con referencia al
entorno 100 a modo de ejemplo (figura 1) y con referencia a los
ejemplos de trama de imagen 400 y 402 (figura 4). El orden en el que
se describe el método no está previsto para considerarse como una
limitación, y puede combinarse cualquier número de los bloques de
método descritos en cualquier orden para implementar el método, o un
método alternativo. Además, el método puede implementarse en
cualquier hardware, software, firmware, o combinación de los mismos
adecuada.
En el bloque 502, se recibe o se obtiene un par
alineado de tramas de imagen secuenciales. Por ejemplo, el sistema
de detección de objetos 102 recibe o solicita las tramas de imagen
alineadas 202 y 204, y posteriormente las tramas de imagen
alineadas 204 y 206, tal como se describe con referencia a la figura
4. Tal como se describió anteriormente, la trama de imagen 202 es
la trama de imagen "actual" cuando se recibe, y posteriormente
se convierte en la trama de imagen "previa" cuando la trama de
imagen 204 se recibe tras la trama de imagen 202. De manera
similar, la trama de imagen 204 es la trama de imagen "actual"
cuando se recibe, y posteriormente se convierte en la trama de
imagen "previa" cuando se recibe la trama de imagen 206 tras la
trama de imagen 204.
En el bloque 504, se genera una imagen con
diferencia de valor de píxel máxima de la trama de imagen actual y
la trama de imagen previa a partir de un operador de referencia y el
par alineado de tramas de imagen tal como se describe con
referencia a los bloques 506-512. En el bloque 506,
se genera una diferencia de valor de píxel máxima determinando la
diferencia máxima entre el píxel central del operador de referencia
ya que se refiere a la trama de imagen actual y los píxeles
exteriores del operador de referencia ya que se refieren a la trama
de imagen previa. Por ejemplo, se genera una diferencia de valor de
píxel máxima determinando la diferencia máxima entre el valor de
píxel del píxel central del operador de referencia 408(2) (es
decir, mostrado relleno con un patrón de líneas en la trama de
imagen 204) y los valores de píxel de los píxeles exteriores del
operador de referencia 408(1) (es decir, mostrados rellenos
con un patrón de líneas en la trama de imagen 202). Un valor de
píxel puede basarse en un nivel de grises del valor de píxel, una
magnitud del valor de píxel, o basarse en un intervalo
definido.
En el bloque 508, se genera un histograma de las
diferencias de valor de píxel máximas. Por ejemplo, se genera el
histograma de diferencia de valor de píxel máxima 404 a medida que
se genera cada diferencia de valor de píxel máxima consecutiva,
columna por columna y fila por fila. Un histograma de diferencia de
valor de píxel máxima 404 generado como una matriz indexada de
diferencias de valor de píxel máximas que tienen el valor "k"
(por ejemplo, un índice de niveles de grises de diferencia de valor
de píxel), donde d(k) es un número total de píxeles en el
histograma de diferencia de valor de píxel máxima que tiene un valor
de "k".
En el bloque 510, se realiza una determinación
en cuanto a si ha de determinarse una diferencia de valor de píxel
máxima siguiente. Si ha de determinarse otra diferencia de valor de
píxel máxima sustrayendo la diferencia máxima entre un valor de
píxel central del operador de referencia para una trama de imagen
actual de los valores de píxel exterior del operador de referencia
para una trama de imagen previa (es decir, "sí" desde el bloque
510), entonces el operador de referencia se mueve hasta un píxel
adyacente o siguiente y el método continúa determinando la
diferencia de valor de píxel máxima siguiente en el bloque 506, y
suma la diferencia de valor de píxel máxima generada al histograma
en el bloque 508.
Si no va a determinarse una diferencia de valor
de píxel máxima siguiente (es decir, "no" desde el bloque
510), lo que significa que se ha restado cada valor de píxel de una
trama de imagen actual de un valor de píxel de la trama de imagen
previa, entonces el método continúa en el bloque 512 para determinar
la(s) probabilidad(es) de movimiento de píxel a
partir de la imagen y el histograma con diferencia de valor de píxel
máxima generados. Por ejemplo, la probabilidad logarítmica de
movimiento en cada uno de los píxeles se determina mediante la
ecuación:
donde
"ln" es el logaritmo natural, y donde,
d(k) es el número de diferencias de valor
de píxel que tienen un valor "k"; y
Nt es el número total de diferencias de valor de
píxel.
En el bloque 514, se guardan las probabilidades
de movimiento de píxel determinadas para referencia. El método 500
puede continuar entonces en el bloque 502 recibiendo un par alineado
siguiente de tramas de imagen secuenciales. Por ejemplo, el sistema
de detección de objetos 102 (figura 1) recibe las tramas de imagen
alineadas 204 y 206, tal como se describe con referencia al ejemplo
402 (figura 4). En el bloque 504, se genera una imagen con
diferencia de valor de píxel máxima de la trama de imagen actual
siguiente 206 y la trama de imagen previa 204 a partir del operador
de referencia y el par alineado de tramas de imagen tal como se
describe con referencia a los bloques 506-512.
Las figuras 6A-6B ilustran un
método 600 a modo de ejemplo de probabilidad de zona y probabilidad
de movimiento acumulada para la detección de objetos móviles y se
describe con referencia al entorno 100 a modo de ejemplo (figura 1)
y con referencia a los ejemplos de trama de imagen 400 y 402 (figura
4). El orden en el que se describe el método no está previsto para
interpretarse como una limitación, y puede combinarse cualquier
número de los bloques de método descritos en cualquier orden para
implementar el método, o un método alternativo. Además, el método
puede implementarse en cualquier hardware, software, firmware, o
combinación de los mismos adecuado.
En el bloque 602, se reciben o se obtienen las
probabilidades de movimiento de píxel de la trama de imagen previa,
y en el bloque 604, se reciben o se obtienen las probabilidades de
movimiento de píxel de la trama de imagen actual. Por ejemplo, el
sistema de detección de objetos 102 recibe o solicita las
probabilidades de movimiento de píxel de la trama de imagen previa
202 y las probabilidades de movimiento de píxel de la trama de
imagen actual 204 generadas tal como se describe con referencia a la
figura 5.
En el bloque 606, se acumulan las probabilidades
de movimiento de píxel de la trama de imagen previa con las
probabilidades de movimiento de píxel de la trama de imagen actual.
Por ejemplo, las probabilidades de movimiento de píxel generadas a
partir de la trama de imagen previa 202 se acumulan con las
probabilidades de movimiento de píxel generadas a partir de la
trama de imagen actual 204 para generar probabilidades de movimiento
acumuladas. En el bloque 608, se guarda la probabilidad de
movimiento acumulada para referencia, y se determina una
probabilidad de zona en los bloques 610-616.
En el bloque 610, se determina una probabilidad
de asociación de píxeles. Una probabilidad de asociación de píxeles
(también denominada como "probabilidad de conectividad de
píxeles") en el ejemplo 650 (figura 6B) es el máximo de la
probabilidad de movimiento acumulada horizontal, vertical y diagonal
dentro de un operador de referencia 652 centrado en la probabilidad
de movimiento acumulada 654. El operador de referencia 652 es
similar al operador de referencia 408 descrito con referencia a la
figura 4 que es una trama de 3x3 píxeles, aunque pueden
implementarse operadores de referencia que tienen diversos números
de píxeles en realizaciones de detección de objetos móviles.
En el bloque 612, se genera una probabilidad de
zona restando la probabilidad de asociación de píxeles de la
probabilidad de movimiento de píxeles acumulada, y en el bloque 614,
se guarda la probabilidad de zona para referencia. En el bloque
616, se realiza una determinación en cuanto a si ha de determinarse
una probabilidad de asociación de píxeles siguiente. Si ha de
determinarse otra probabilidad de asociación de píxeles (es decir,
"sí" desde el bloque 616), entonces el operador de referencia
se mueve hasta un píxel adyacente o siguiente y el método continúa
determinando la probabilidad de asociación de píxeles siguiente en
el bloque 610. Si no se determina otra probabilidad de asociación
de píxeles (es decir, "no" desde el bloque 616), entonces se
determina una asociación de zonas tal como se describe con
referencia a la figura 7.
La figura 7 ilustra un método 700 a modo de
ejemplo de asociación de zonas para la detección de objetos móviles
y se describe con referencia al entorno 100 a modo de ejemplo
(figura 1). El orden en el que se describe el método no está
previsto para interpretarse como una limitación, y puede combinarse
cualquier número de los bloques de método descritos en cualquier
orden para implementar el método, o un método alternativo. Además,
el método puede implementarse en cualquier hardware, software,
firmware, o combinación de los mismos adecuado.
En el bloque 702, se reciben o se obtienen
probabilidades de zonas actuales. Por ejemplo, el sistema de
detección de objetos 102 recibe o solicita las probabilidades de
zona generadas tal como se describe con referencia a la figura 6.
En el bloque 704, las probabilidades de zona se clasifican mediante
una puntuación que corresponde a una métrica de distancia. Por
ejemplo, cada una de las probabilidades de zona de las
probabilidades de movimiento acumuladas se evalúan mediante una
métrica de distancia general, tal como la distancia de Mahalanobis,
entre una zona "n" comparada frente a las zonas "m" de
una probabilidad de movimiento acumulada para estimar la
probabilidad de que estas zonas representen el mismo objeto en las
tramas de imagen actual y previa. La distancia de Mahalanobis es en
general una medida de distancia basada en las correlaciones entre
variables mediante la que puede identificarse una similitud de las
diferentes zonas.
En el bloque 706, se realiza una determinación
en cuanto a si las zonas actuales alcanzan (incluyendo que superan)
un umbral. Las zonas actuales que no alcanzan ni superan el umbral
(es decir, "no" desde el bloque 706) se eliminan del conjunto
de zonas actuales en el bloque 708. Para las zonas actuales
restantes que no alcanzan el umbral (es decir, "sí" desde el
bloque 706), se realiza una determinación en cuanto a si las zonas
actuales restantes y las asociadas previamente alcanzan (incluyendo
que superan) el umbral en el bloque 710. Si las zonas actuales
restantes y las asociadas previamente alcanzan o superan el umbral
(es decir, "sí" desde el bloque 710), entonces se determinan
probabilidades de asociación de las zonas actuales y asociadas
previamente y se asignan en el bloque 712. En el bloque 714, se
guardan las probabilidades de asociación asignadas para
referencia.
Para las zonas actuales restantes que no
alcanzan el umbral (es decir, "no" desde el bloque 710), se
realiza una determinación en cuanto a si las zonas actuales
restantes y no asociadas previamente alcanzan (incluyendo que
superan) el umbral en el bloque 716. Si las zonas actuales restantes
y no asociadas previamente alcanzan o superan el umbral (es decir,
"sí" desde el bloque 716), entonces se determinan
probabilidades de asociación de las zonas actuales y no asociadas
previamente y se asignan en el bloque 718. En el bloque 720, las
zonas no asociadas previamente se identifican como zonas asociadas,
y en el bloque 714, se guardan las probabilidades de asociación
asignadas para referencia. Las zonas actuales restantes que no
alcanzan el umbral (es decir, "no" desde el bloque 716), se
identifican como zonas no asociadas en el bloque 722, y el método
700 puede continuar en el bloque 702 recibiendo u obteniendo
probabilidades de zonas actuales adicionales.
La figura 8 ilustra un método 800 a modo de
ejemplo de detección de objetos móviles en una realización de
detección de objetos móviles y se describe con referencia al entorno
100 a modo de ejemplo (figura 1). El orden en el que se describe el
método no está previsto para considerarse como una limitación, y
puede combinarse cualquier número de los bloques de método
descritos en cualquier orden para implementar el método, o un método
alternativo. Además, el método puede implementarse en cualquier
hardware, software, firmware, o combinación de los mismos
adecuado.
En el bloque 802, se recibe u obtiene un
conjunto de zonas asociadas. Por ejemplo, el sistema de detección
de objetos 102 recibe o solicita las zonas asociadas determinadas
tal como se describe con referencia a la figura 7. En el bloque
804, se selecciona una zona y se determina un centroide de la zona.
El centroide de la zona se determina como una posición x
promedio, y promedio que corresponde a ubicaciones de píxel
en las tramas de imagen del sensor.
En el bloque 806, se recibe información sobre la
posición, velocidad y actitud de la plataforma. Por ejemplo, el
sistema de detección de objetos 102 recibe información sobre la
posición, velocidad y actitud desde un sistema de guiado inercial
de la plataforma móvil 104 (figura 1). En el bloque 808, se estima
la posición y velocidad de un objeto móvil. Por ejemplo, se evalúan
los datos del centroide de la zona, y la información sobre la
posición, velocidad y actitud de la plataforma con un filtro de
Kalman para estimar el movimiento de un objeto móvil como una
posición y una velocidad. En el bloque 810, se guarda la información
sobre la posición y la velocidad del objeto móvil para
referencia.
En el bloque 812, se realiza una determinación
en cuanto a si ha de seleccionarse una zona adicional. Si ha de
seleccionarse una zona adicional (es decir, "sí" desde el
bloque 812), entonces se selecciona una zona siguiente en el bloque
804 y el método 800 continúa tal como se describe con referencia a
los bloques 804-812. Si no ha de seleccionarse una
zona adicional (es decir, "no" desde el bloque 812), entonces
el método 800 puede continuar en el bloque 802 recibiendo conjuntos
adicionales de zonas asociadas.
Aunque se han descrito realizaciones de
detección de objetos móviles con lenguaje específico de métodos y/o
características estructurales, ha de entenderse que la invención no
está limitada necesariamente a las características o métodos
específicos descritos. En su lugar, las características y los
métodos específicos se dan a conocer como implementaciones a modo
de ejemplo de la invención que se define mediante las
reivindicaciones adjuntas.
Claims (18)
1. Método de detección de uno o más objetos
móviles, que comprende:
acumular probabilidades de movimiento a partir
de conjuntos de tramas de imagen secuenciales a partir de la
exploración de un sensor del uno o más objetos móviles;
determinar una o más zonas a partir de las
probabilidades de movimiento acumuladas, indicando cada una de la
una o más zonas un objeto móvil probable; e
identificar cada una de la una o más zonas que
indican un objeto móvil probable;
en el que determinar las zonas incluye:
determinar asociaciones de píxeles para cada
píxel de las probabilidades de movimiento acumuladas como un
promedio de cada probabilidad de movimiento acumulada horizontal,
vertical y diagonal dentro de un operador de referencia centrado en
un píxel de la probabilidad de movimiento acumulada; y
restar las asociaciones de píxeles para cada
píxel de la probabilidad de movimiento acumulada.
2. Método de detección de uno o más objetos
móviles según la reivindicación 1, en el que cada uno del uno o más
objetos móviles se identifica a partir de las zonas que también
indican un objeto que se mueve con una velocidad prevista.
3. Método de detección de uno o más objetos
móviles según la reivindicación 1 ó 2, que comprende además generar
imágenes con diferencia de valor de píxel máxima, es decir, imágenes
que representan en cada nivel la diferencia máxima obtenida
comparando el valor de píxel de una trama de imagen actual con los
valores de píxeles asociados de una trama de imagen previa, a
partir de lo cual pueden determinarse las probabilidades de
movimiento del uno o más objetos móviles entre una trama de imagen
actual y una trama de imagen previa de la secuencia.
4. Método de detección de uno o más objetos
móviles según la reivindicación 3, en el que las imágenes con
diferencia de valor de píxel máxima se generan con un operador de
referencia de manera que se determina una diferencia de valor de
píxel máxima entre un píxel central del operador de referencia
relacionado con la trama de imagen actual y píxeles exteriores del
operador de referencia relacionados con la trama de imagen previa de
la secuencia.
5. Sistema de detección de objetos móviles
(102), que comprende:
un sensor (106) configurado para explorar un
área que incluye uno o más objetos móviles (112, 114) y generar una
exploración de sensor a partir de la que se reciben tramas de imagen
secuenciales;
una aplicación de detección configurada
para:
- \quad
- acumular probabilidades de movimiento a partir de conjuntos de las tramas de imagen secuenciales;
- \quad
- determinar una o más zonas a partir de las probabilidades de movimiento acumuladas, indicando cada una de la una o más zonas un objeto móvil probable; e
- \quad
- identificar cada uno del uno o más objetos móviles a partir de la una o más zonas respectivas que indican un objeto móvil probable;
en el que la aplicación de detección está
configurada además para:
determinar asociaciones de píxeles para cada
píxel de las probabilidades de movimiento acumuladas como un
promedio de cada probabilidad de movimiento acumulada horizontal,
vertical y diagonal dentro de un operador de referencia centrado en
un píxel de la probabilidad de movimiento acumulada; y
restar las asociaciones de píxeles para cada
píxel de la probabilidad de movimiento acumulada para determinar las
zonas.
6. Sistema de detección de objetos móviles según
la reivindicación 5, en el que cada uno del uno o más objetos
móviles se identifica a partir de la una o más zonas respectivas que
también indican un objeto que se mueve con una velocidad
prevista.
7. Sistema de detección de objetos móviles según
la reivindicación 5 ó 6, en el que la aplicación de detección está
configurada además para generar imágenes con diferencia de valor de
píxel máxima a partir de las cuales pueden determinarse las
probabilidades de movimiento del uno o más objetos móviles entre una
trama de imagen actual y una trama de imagen previa de la
secuencia.
8. Sistema de detección de objetos móviles según
la reivindicación 7, en el que la aplicación de detección está
configurada además para generar las imágenes con diferencia de valor
de píxel máxima con un operador de referencia de manera que se
determina una diferencia de valor de píxel máxima entre un píxel
central del operador de referencia relacionado con la trama de
imagen actual y píxeles exteriores del operador de referencia
relacionados con la trama de imagen previa de la secuencia.
9. Método según cualquiera de las
reivindicaciones 1-4, que comprende:
recibir una secuencia de tramas de imagen a
partir de la exploración de un sensor;
alinear una trama de imagen actual con una trama
de imagen previa de la secuencia;
generar probabilidades de movimiento a partir de
la trama de imagen actual cuando se alinea con la trama de imagen
previa de la secuencia; y
determinar una asociación de zonas a partir de
las probabilidades de zona según una métrica de distancia,
correspondiendo un centro de la asociación de zonas a una posición
del objeto móvil.
10. Método de detección de un objeto móvil según
la reivindicación 9, en el que se explora la secuencia de tramas de
imagen procedentes de la exploración del sensor con al menos uno
de:
un sensor óptico;
un sensor de obtención de imágenes
infrarrojo.
11. Método de detección de un objeto móvil según
la reivindicación 9 ó 10, en el que la trama de imagen actual es la
última trama de imagen recibida, y la trama de imagen previa de la
secuencia es la trama de imagen recibida antes de la trama de
imagen actual.
12. Método de detección de un objeto móvil según
la reivindicación 9, 10 u 11, en el que alinear la trama de imagen
actual con la trama de imagen previa de la secuencia incluye
determinar una rotación, escala y desplazamiento relativos de la
trama de imagen actual a partir de la trama de imagen previa de la
secuencia basándose en valores de intensidad de píxel determinados
restando los valores de píxel de la trama de imagen actual de los
valores de píxel de la trama de imagen previa de la secuencia, y en
el que la trama de imagen actual se alinea con la trama de imagen
previa de la secuencia basándose en la rotación, escala y
desplazamiento relativos.
13. Método de detección de un objeto móvil según
cualquiera de las reivindicaciones 9-12, en el que
generar las probabilidades de movimiento incluye generar una imagen
con diferencia de valor de píxel máxima a partir de la cual puede
determinarse la probabilidad de movimiento del objeto móvil entre la
trama de imagen actual y la trama de imagen previa de la
secuencia.
14. Método de detección de un objeto móvil según
la reivindicación 13, en el que la imagen con diferencia de valor
de píxel máxima se genera a partir de cada píxel con un operador de
referencia de manera que se determina una diferencia de valor de
píxel máxima entre un píxel central del operador de referencia
relacionado con la trama de imagen actual y píxeles exteriores del
operador de referencia relacionados con la trama de imagen
previa.
15. Método de detección de un objeto móvil según
cualquiera de las reivindicaciones 9-14, en el que
determinar las probabilidades de zona para cada píxel de la
probabilidad de movimiento acumulada incluye:
- \quad
- determinar asociaciones de píxeles para cada píxel de la probabilidad de movimiento acumulada como un promedio de cada probabilidad de movimiento acumulada horizontal, vertical y diagonal dentro de un operador de referencia centrado en un píxel de la probabilidad de movimiento acumulada; y
- \quad
- restar las asociaciones de píxeles para cada píxel de la probabilidad de movimiento acumulada.
16. Método de detección de un objeto móvil según
cualquiera de las reivindicaciones 9-15, en el que
determinar la asociación de zonas incluye correlacionar las
probabilidades de zona basándose en una distancia de Mahalanobis
para determinar una similitud de probabilidades de zona.
17. Método de detección de un objeto móvil según
cualquiera de las reivindicaciones 9-16, que
comprende además determinar asociaciones de zona adicionales a
partir de las probabilidades de zona según la métrica de distancia,
y en el que se determina que los centros de las asociaciones de zona
adicionales respectivas son, cada uno, un objeto móvil para la
detección de múltiples objetos móviles.
18. Método de detección de un objeto móvil según
cualquiera de las reivindicaciones 9-17, que
comprende además:
alinear cada trama de imagen actual subsiguiente
con cada trama de imagen previa de la secuencia para generar un
conjunto alineado de tramas de imagen;
generar probabilidades de movimiento adicionales
para cada conjunto alineado de tramas de imagen;
acumular las probabilidades de movimiento
adicionales para cada conjunto alineado de tramas de imagen para
generar probabilidades de movimiento acumuladas adicionales;
determinar probabilidades de zona adicionales
para cada píxel de las probabilidades de movimiento acumuladas
adicionales para detectar zonas que incluyen, cada una, un objeto
móvil para la detección de múltiples objetos móviles; y
determinar asociaciones de zona adicionales a
partir de las probabilidades de zona adicionales según la métrica
de distancia, y en el que se determina que los centros de las
asociaciones de zona adicionales respectivas son, cada uno, un
objeto móvil.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US383911 | 2006-05-17 | ||
| US11/383,911 US7999849B2 (en) | 2006-05-17 | 2006-05-17 | Moving object detection |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2329837T3 true ES2329837T3 (es) | 2009-12-01 |
Family
ID=38420668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES07075360T Active ES2329837T3 (es) | 2006-05-17 | 2007-05-08 | Deteccion de objetos moviles. |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US7999849B2 (es) |
| EP (1) | EP1857979B1 (es) |
| AT (1) | ATE436060T1 (es) |
| DE (1) | DE602007001488D1 (es) |
| ES (1) | ES2329837T3 (es) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100682987B1 (ko) * | 2005-12-08 | 2007-02-15 | 한국전자통신연구원 | 선형판별 분석기법을 이용한 3차원 동작인식 장치 및 그방법 |
| US7742425B2 (en) * | 2006-06-26 | 2010-06-22 | The Boeing Company | Neural network-based mobility management for mobile ad hoc radio networks |
| GB2444530A (en) * | 2006-12-06 | 2008-06-11 | Sony Uk Ltd | Motion adaptive image processing by comparing inter-field pixel difference with intra-field pixel variability |
| US10621461B1 (en) * | 2013-03-13 | 2020-04-14 | Hrl Laboratories, Llc | Graphical display and user-interface for high-speed triage of potential items of interest in imagery |
| KR101445074B1 (ko) * | 2007-10-24 | 2014-09-29 | 삼성전자주식회사 | 미디어 플레이어에서 미디어 객체 처리 방법 및 그 장치 |
| US7970507B2 (en) * | 2008-01-23 | 2011-06-28 | Honeywell International Inc. | Method and system for autonomous tracking of a mobile target by an unmanned aerial vehicle |
| US8255153B2 (en) * | 2008-01-23 | 2012-08-28 | Honeywell International Inc. | Automatic alerting method and system for aerial vehicle target tracking |
| JP4900265B2 (ja) * | 2008-01-30 | 2012-03-21 | ソニー株式会社 | 画像処理装置、画像処理方法およびプログラム |
| JP4626703B2 (ja) * | 2008-10-28 | 2011-02-09 | ソニー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
| JP5214476B2 (ja) * | 2009-01-15 | 2013-06-19 | 富士フイルム株式会社 | 撮像装置及び画像処理方法並びにプログラム |
| TWI393074B (zh) * | 2009-12-10 | 2013-04-11 | Ind Tech Res Inst | 移動物體偵測裝置與方法 |
| GB2476258A (en) * | 2009-12-16 | 2011-06-22 | Thales Holdings Uk Plc | Motion detection using histogram analysis |
| US8395659B2 (en) | 2010-08-26 | 2013-03-12 | Honda Motor Co., Ltd. | Moving obstacle detection using images |
| EP2806634B1 (en) * | 2012-01-17 | 2020-08-12 | Sony Corporation | Information processing device and method, and program |
| JP6191160B2 (ja) * | 2012-07-12 | 2017-09-06 | ノーリツプレシジョン株式会社 | 画像処理プログラムおよび画像処理装置 |
| US20140226024A1 (en) * | 2013-02-08 | 2014-08-14 | Kutta Technologies, Inc. | Camera control in presence of latency |
| US9616773B2 (en) | 2015-05-11 | 2017-04-11 | Uber Technologies, Inc. | Detecting objects within a vehicle in connection with a service |
| US10712160B2 (en) | 2015-12-10 | 2020-07-14 | Uatc, Llc | Vehicle traction map for autonomous vehicles |
| US9841763B1 (en) | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
| US9840256B1 (en) | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
| FR3047103B1 (fr) * | 2016-01-26 | 2019-05-24 | Thales | Procede de detection de cibles au sol et en mouvement dans un flux video acquis par une camera aeroportee |
| US9990548B2 (en) | 2016-03-09 | 2018-06-05 | Uber Technologies, Inc. | Traffic signal analysis system |
| US10459087B2 (en) | 2016-04-26 | 2019-10-29 | Uber Technologies, Inc. | Road registration differential GPS |
| US9672446B1 (en) | 2016-05-06 | 2017-06-06 | Uber Technologies, Inc. | Object detection for an autonomous vehicle |
| US10678262B2 (en) * | 2016-07-01 | 2020-06-09 | Uatc, Llc | Autonomous vehicle localization using image analysis and manipulation |
| EP3534250B1 (en) * | 2018-01-18 | 2021-09-15 | Autel Robotics Co., Ltd. | Target detection method and unmanned aerial vehicle |
| US11334753B2 (en) | 2018-04-30 | 2022-05-17 | Uatc, Llc | Traffic signal state classification for autonomous vehicles |
| US11983883B2 (en) | 2020-12-15 | 2024-05-14 | The Boeing Company | Intensity-based image modification for computer vision |
| US12086970B2 (en) | 2020-12-17 | 2024-09-10 | The Boeing Company | Intensity thresholding-based image modification for computer vision |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3799676A (en) | 1972-05-26 | 1974-03-26 | Us Air Force | Optical tracking system |
| US5481619A (en) * | 1992-07-07 | 1996-01-02 | Schwartz; Nira | Inspection method using templates images, unique histogram analysis, and multiple gray levels correlated to addresses of template images |
| JP2951230B2 (ja) * | 1994-09-22 | 1999-09-20 | 三洋電機株式会社 | ２次元映像から３次元映像を生成する方法 |
| US5809171A (en) | 1996-01-05 | 1998-09-15 | Mcdonnell Douglas Corporation | Image processing method and apparatus for correlating a test image with a template |
| US5672872A (en) | 1996-03-19 | 1997-09-30 | Hughes Electronics | FLIR boresight alignment |
| JP3506200B2 (ja) * | 1997-02-05 | 2004-03-15 | シャープ株式会社 | 位置合わせ装置 |
| DE19729483A1 (de) | 1997-07-10 | 1999-01-14 | Bodenseewerk Geraetetech | Verfahren und Vorrichtung zur Beseitigung von Landminen |
| US6597738B1 (en) * | 1999-02-01 | 2003-07-22 | Hyundai Curitel, Inc. | Motion descriptor generating apparatus by using accumulated motion histogram and a method therefor |
| US6732050B2 (en) | 2001-05-23 | 2004-05-04 | Nokia Mobile Phones Ltd | Two-stage interacting multiple models filter for use in a global positioning system |
| EP1293925A1 (en) | 2001-09-18 | 2003-03-19 | Agfa-Gevaert | Radiographic scoring method |
| US7315321B2 (en) | 2002-03-05 | 2008-01-01 | Leonid Polyakov | System of and method for warning about unauthorized objects attached to vehicle bottoms and/or adjoining areas |
| US20040006424A1 (en) | 2002-06-28 | 2004-01-08 | Joyce Glenn J. | Control system for tracking and targeting multiple autonomous objects |
| IL155034A0 (en) | 2003-03-23 | 2004-06-20 | M A M D Digital Data Proc Syst | Automatic aerial digital photography and digital data processing systems |
| JP2004325165A (ja) | 2003-04-23 | 2004-11-18 | Mitsubishi Electric Corp | 異物探知装置および方法、並びに地雷探知装置 |
| US20060058954A1 (en) | 2003-10-08 | 2006-03-16 | Haney Philip J | Constrained tracking of ground objects using regional measurements |
| US7142231B2 (en) * | 2003-12-29 | 2006-11-28 | Nokia Corporation | Method and apparatus for improved handset multi-tasking, including pattern recognition and augmentation of camera images |
-
2006
- 2006-05-17 US US11/383,911 patent/US7999849B2/en active Active
-
2007
- 2007-05-08 DE DE602007001488T patent/DE602007001488D1/de not_active Expired - Fee Related
- 2007-05-08 EP EP07075360A patent/EP1857979B1/en active Active
- 2007-05-08 ES ES07075360T patent/ES2329837T3/es active Active
- 2007-05-08 AT AT07075360T patent/ATE436060T1/de not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| US20070268364A1 (en) | 2007-11-22 |
| ATE436060T1 (de) | 2009-07-15 |
| EP1857979B1 (en) | 2009-07-08 |
| EP1857979A1 (en) | 2007-11-21 |
| DE602007001488D1 (de) | 2009-08-20 |
| US7999849B2 (en) | 2011-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1857979B1 (en) | Moving object detection | |
| US8577083B2 (en) | Geolocating objects of interest in an area of interest with an imaging system | |
| US11226175B2 (en) | Devices with network-connected scopes for allowing a target to be simultaneously tracked by multiple devices | |
| ES2992943T3 (en) | Tracking vehicles in a warehouse environment | |
| Levinson et al. | Traffic light mapping, localization, and state detection for autonomous vehicles | |
| US9070289B2 (en) | System and method for detecting, tracking and estimating the speed of vehicles from a mobile platform | |
| RU2699177C2 (ru) | Система динамического ведения и способ автоматического управления с применением трехмерных времяпролетных камер | |
| JP3781370B2 (ja) | 移動装置 | |
| US8770976B2 (en) | Methods and systems for use in training armed personnel | |
| US12546566B2 (en) | Methods and systems for tracking a presumed target in a surveillance environment using an aerial-mounted scope to supplement a plurality of ground-based scopes | |
| US20180181137A1 (en) | Moving and searching method of mobile robot for following human | |
| BR102013024785B1 (pt) | sistema de processamento de imagem e método para o rastreamento de objetos em movimento em uma sequência de imagens | |
| US20140334668A1 (en) | System and method for visual motion based object segmentation and tracking | |
| US9213904B1 (en) | Autonomous lock-on target tracking with geospatial-aware PTZ cameras | |
| CN108108697A (zh) | 一种实时无人机视频目标检测与跟踪方法 | |
| Wu et al. | aUToLights: a robust multi-camera traffic light detection and tracking system | |
| AU2020265414B2 (en) | A system and method for localisation using footprints | |
| US10989797B2 (en) | Passive altimeter system for a platform and method thereof | |
| Hammer et al. | A multi-sensorial approach for the protection of operational vehicles by detection and classification of small flying objects | |
| Biswas | Vector Map-Based, Non-Markov Localization for Long-Term Deployment of Autonomous Mobile Robots. | |
| Hema et al. | Infrared-imaging enabled drone for the detection of infiltrators and concealed weapons | |
| EP4152117A1 (en) | Localization method and device for an automated or autonomous aircraft | |
| US12579741B2 (en) | Detecting three dimensional (3D) changes based on multi-viewpoint images | |
| Lakemann et al. | Towards agile multi-robot systems in the real world: Fast onboard tracking of active blinking markers for relative localization | |
| US20250218215A1 (en) | Dynamic Target Detection and Tracking |