Алгоритм автоматического отслеживания

Я бы предложил продукт Pearson. Имея модель (которой может быть любое шаблонное изображение), можно измерить корреляцию шаблона с любым участком кадра.

Результатом является вероятностный фактор, определяющий корреляцию выборок с эталонной. Это особенно применимо к случаям 2D. Преимущество заключается в том, что он не зависит от абсолютного значения выборки, поскольку результат зависит от ковариации, связанной со средним значением выборки.

Как только вы обнаружите высокую вероятность, вы можете отслеживать последовательные кадры в окрестностях исходного положения и выбирать лучший коэффициент корреляции.

Однако размер и поворот шаблона имеют значение, но это не так, как я понимаю. Вы можете настроить обнаружение любой формы, поскольку изображение шаблона может представлять любую конфигурацию.

Вот реализация однопроходного алгоритма , которую я использовал и которая работает правильно.

Для меня это похоже на работу по обнаружению больших двоичных объектов.

Predator (алгоритм TLD) Зденека Калала также хорош для автоматического отслеживания

Посмотри это:

http://www.youtube.com/watch?v=1GhNXHCQGsM

а также

http://bit.ly/shahab-vision

Это должна быть хорошо изученная тема, и я подозреваю, что не будет 100% точного решения.

Некоторые ссылки, которые могут быть полезны:

Изучение моделей активности с помощью отслеживания в реальном времени. Статья двух парней из Массачусетского технологического института.

Фильтр Калмана. Особенно часть Computer Vision.

Отслеживание движения. Студенческий проект, в котором также есть код и примеры видео.

Конечно, это может быть излишним для вас, но надеюсь, что это поможет вам найти новые зацепки.

Просто хорошо. Я бы начал делать что-то вроде:

1) over a small rectangle, that surrounds a spot:
2) apply a weighted average of all the pixel coordinates in the area
3) call the averaged X and Y values the objects position
4) while scanning these pixels, do something to approximate the bounding box size
5) repeat next frame with a slightly enlarged bounding box so you don't clip spot that moves

Вес среднего значения должен обнуляться для пикселей ниже некоторого порога. Номер 4 может быть таким же простым, как отслеживание минимального/максимального положения чего-либо более яркого, чем тот же порог.

Это, конечно, будет иметь проблемы с пятнами, которые перекрываются или пересекаются. Но по какой-то причине я продолжаю думать, что вы отслеживаете звезды с каким-то неизвестным движением камеры, и в этом случае все должно быть в порядке.

Я боюсь, что отслеживание больших двоичных объектов не так просто, если вы хотите сделать это хорошо.

Начните с обнаружения больших двоичных объектов, как говорит genpfault.

Теперь у вас есть точки на каждом кадре, и вам нужно соединить их. Если капли движутся независимо друг от друга, вы можете использовать какой-то алгоритм соответствия, чтобы связать их. См., например, http://server.cs.ucf.edu/~vision/papers/01359751.pdf.

Теперь у вас могут быть столкновения. Вы можете использовать смесь гауссов, чтобы попытаться разделить их, сдаться и позволить дорожкам пересечься, использовать любую другую информацию до и после для разрешения коллизий (например, если A и B сталкиваются, а A ярче до и будет ярче после , вы можете отслеживать A; если A и B движутся по предсказуемым траекториям, вы также можете использовать это).

Или вы можете сотрудничать с лабораторией, которая занимается такими вещами постоянно.