四隊和一隊二區(qū)隊

：目標(biāo)，目標(biāo)檢測，均值漂Movingtargetdetectionandtrackingisoneofthemajorproblemsincomputervisionfield.Withtherapiddevelopmentofcomputertechnology,peoplepaymoreandmoreattentiontothedetectionandtrackingofobjectsinthefiledofimageprocessing,computervision,patternrecognition,artificialinligenceandmultimediatechnology.Thearmedisfeaturedbythelongtimeondutyandwidedistributionofthesentinel.Therefore,itisessentialtosearchforareal-time,stableandreliablesystem.Thisresearchhasanimportanttheoreticalandpracticalsignificance.Thethesisfocusontwoaspects:movingtargetdetectionandtrackingmovingtargetandareliablesystemisworkedoutforperformingatask.Consideringtherequirementsoftheinligentmonitoringsystemtoreal-timeandcomplexity,inofmovingtargetdetection,theauthorstudiestwomethodsoftheadvantagesanddisadvantagesofthesetwomethodsarealsoinvolved.Thestudyfocusonhowtotrackthemovingtargetaccuray.Intheprocessofdeferringdifferenceimageintobinaryimage,theselectionofthresholdisofgreatimportance.Alargethresholdcaninhibitsomesignificantchanges,whichmaycausetheomissionofthemovingtarget;ifthethresholdistoosmall,itwilldetectlotsofpseudochange.Ontheaspectoftrackingmovingtarget,theauthormainlystudiedthedetectionofmovingtargetbasedonMeanShiftalgorithmandtheapplicationofitintrackingmovingtarget.Themeanshiftalgorithmhaslittlecalculationandstrongabilityofreal-timetrackingsuitableforthearmedonduty.Inthepracticalaspectsofarmedsentryduty,thetwo-hourdutywillresultinvisualfatigueandbecauseofthesinglebackgroundofduty,computerassistingtodetectandtrackmovingtargetcanbeusedinordertofurtherinsurethesafetyofthetarget.。第一章緒 引 第二章運動目標(biāo)檢測技 均值漂移（MeanShift）簡 第三章目標(biāo)與檢測系統(tǒng)設(shè)計與實 第四章總結(jié)與展 參考文 致 第一引課題研究目的和意 國內(nèi)外研究現(xiàn)運動目標(biāo)的檢運動檢測就是機(jī)在整個監(jiān)視過程中不發(fā)生移動，只有被監(jiān)視目標(biāo)在機(jī)的視場內(nèi)運動這個過程只有目標(biāo)相對于機(jī)的運動；運動目標(biāo)檢測方法主要有三種：幀間差分法、背景差分法和光流法。光流法計算復(fù)雜，不宜實時處理；幀間差分法是將連續(xù)兩幀進(jìn)行比較，從中提取出運動目標(biāo)的信息，這種提取出運動目標(biāo)的完整性較差，但對動態(tài)環(huán)境有較好的適應(yīng)性；背景差分法能夠較完整地提取目標(biāo)點，但對場景的動態(tài)變化如光照或外部條件引起的場景變化較為敏感。5頭的晃動使得靜態(tài)場景變化也會影響到檢測結(jié)果運動目運動目標(biāo)是利用目標(biāo)的有效特征，使用適當(dāng)?shù)钠ヅ渌惴?，在圖像序列中尋找與目標(biāo)模板最相似候選目標(biāo)的位置，簡單說就是在圖像序列的每一幅圖像中為目標(biāo)定位。在運動目標(biāo)中主要理、區(qū)域、統(tǒng)計特征直方圖、各種矩特征、變換系數(shù)特征(描繪子、自回歸模型代數(shù)特征圖像矩陣的奇異值分解)等目標(biāo)過程中在進(jìn)行特征的匹配時直觀的方法是在下一幀圖像中全圖搜索找到與目標(biāo)模板最相似的候選目標(biāo)位置。常用的特征匹配算法有絕對平衡搜索法(BS)和歸一化相關(guān)法(C)這兩種都是經(jīng)典的匹配算法。絕對平衡搜索法一般包括最小均方誤差函數(shù)(MSE(MA(MPC也是沒有必要的，因為目標(biāo)最有可能出現(xiàn)在其某個領(lǐng)域范圍內(nèi)，所以就需要尋找能夠避免全圖匹配的快速算法n濾波器可被用來預(yù)測目標(biāo)在下一幀可能出現(xiàn)的位置目標(biāo)定位時只需在預(yù)測位置的領(lǐng)域進(jìn)行較少的目標(biāo)模板和候選目標(biāo)相似性檢測就可以確定目標(biāo)在下一幀中的位置。另一類減少搜索范圍的算法是優(yōu)化搜索方向，均值平移算法和置信區(qū)域算法都是利用無參估計的方法優(yōu)化目標(biāo)模板和候選目標(biāo)的距離的迭代收斂過程以達(dá)到縮小搜索范圍的目的為了提高效果，利用多個目標(biāo)特征聯(lián)合進(jìn)行的算法也是人們所常用的，如nBirhld將目標(biāo)的顏色目標(biāo)中所的一些問題目標(biāo)過程中的定位準(zhǔn)確度問題本研究內(nèi)容及章節(jié)安主要研究內(nèi)章節(jié)安第一章闡述了課題背景和研究意義，以及當(dāng)前運動目標(biāo)檢測與技術(shù)領(lǐng)域的研究現(xiàn)狀要介紹了相鄰幀差法、背景消減法；紹了運動目標(biāo)的四種方法：基于模型的，基于區(qū)域，基于變形模板的，基于特征的，著重介紹了基于區(qū)域的均值漂移算法第四章是對的主要工作進(jìn)行了總結(jié)在總結(jié)的基礎(chǔ)上對目標(biāo)檢測和做了進(jìn)一步的展望第二動目標(biāo)檢測技運動目標(biāo)檢幀間差分kk-12.1.1k-1f,

,

f,假設(shè)給定圖像序列

n

k1圖像可用如下描述Dk(x,y)

k

0,else,0,else,R背景差分2.1

,f,f

ff

,分別代表當(dāng)前幀和背景幀，則差分后圖像可表示為Dk(x,y)

0,else,R0,else,R 2.1.2背景差分原理圖運動目標(biāo)運動目標(biāo)簡運動目標(biāo)的目的就是通過對拍攝到的圖像序列進(jìn)行分析，計算出目標(biāo)在每幀圖像上的二維交通、飛機(jī)導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用前景。它利用運動目標(biāo)分割的結(jié)果，又為運動的分析理解等高級內(nèi)容提供基礎(chǔ)。在一定的背景下對運動目標(biāo)的以達(dá)到特定的目的，實時性和可靠性是 模型、基于區(qū)域、基于動態(tài)邊界和基于特征的四種方法。下面對這四種方法做個簡單的介紹運動目標(biāo)的主要方基于模型的(Model-based實際的視覺算法中的是采用運動目標(biāo)的3D模型進(jìn)行，尤其對于剛體如汽車的。基于區(qū)域的(Region-basedSSD(thesumofsquareddifferences)，該算法還可和多種預(yù)測 te-based變形模板是紋理或邊緣可以按一定限制條件變形的面板或曲線,目標(biāo)模板為一條手劃(Hand-蹤復(fù)雜背景中的目標(biāo)。在視覺過程中，更為常用的變形模板是由Kass在1987年主動輪廓模型(Activecontourmodels,ACM)又稱為Snake模型，Kass用于唇動的。Snake模型非常適合等提出了一種基于Snake模型的多目標(biāo)算法，思路比較新穎。但Snake模型比較適合單目標(biāo)基于特征的(Feature-based且容易產(chǎn)生錯誤如果采用特征過少，又不能很好的目標(biāo)。在特征提取時，一般采用Canny算子SUSAN算子獲得目標(biāo)的角點信息。均值漂移算均值漂移（MeanShift）簡MeanShiftFukunaga1975年在一篇關(guān)于概率密度梯度函數(shù)的估計中MeanShift算法，一般是指一個迭代的步驟，即先算出當(dāng)前點的偏移均值，移動enhift01995enift重要文獻(xiàn)才。在這篇重要的文獻(xiàn)中，izongheng對本的enhift算法以izonghegizogChng這大大擴(kuò)大了enift的適用范圍另外zogCheng了enift可能應(yīng)用的領(lǐng)域，給出了具體的例子。ComaniciuMeanShiftMeanMeanShift算法可以用來檢測概率密度函數(shù)中Comaniciu等人還把非剛體的問題近似為一個MeanShift最優(yōu)化問題,使得可以實時的均值漂移的基本思Mean給定d中的n個樣本點,i=1,2……n,在x點的MeanShift向量的基本形式定義為M(x)1(xxx x hyhS(x)y:(yx)T(yx)hk表示在這nk個點落入?yún)^(qū)域中。()xMeanShift向量(xk中的個樣本點相對xf(x)中采樣得的方向 Shift如上圖所示,大圓圈所圈定的范圍就是小圓圈代表落入?yún)^(qū)域內(nèi)的樣本點,黑點就是MeanShift的xx的偏移向量可以看出，平均的偏移向量會指向樣本分布均值漂移在目標(biāo)中的應(yīng)Epanechikov函數(shù)。利用相似性函數(shù)度量初始幀目標(biāo)模型和當(dāng)前幀候選模型的相似性,通MeanShift向量,這個向量即是目標(biāo)從初始位置向正確位置轉(zhuǎn)移的向量,MeanShift算法是收斂的,MeanShift向量,在當(dāng)前幀中,最終目標(biāo)會收斂到目標(biāo)的真實位置,從而達(dá)到的目的?；诰灯朴糜谀縳ixihq

)

hb和的作用是判斷處的顏色值是否屬u，C1。運動目標(biāo)在當(dāng)前幀中包含目標(biāo)的區(qū)域稱之為候選區(qū)域，設(shè)其中心坐標(biāo)為y，候選區(qū)域特定值u=1,2……m的概率密度為：xixihq

)

相似性函數(shù)描述初始幀目標(biāo)模型和候選模型的相似性，這 (y) 的相 Bhattacharryammu

) p（ 表示從這一點開始尋找最優(yōu)匹配的目標(biāo)，式 ) p q1q1m2up qhu0u02mu

quqp(y把概率密度帶入,p

q12ump(q12ump(y yh2

wwb(x)miu qup uy0動不敏感。這些優(yōu)勢使得MeanShift算法廣泛地應(yīng)用于目標(biāo)領(lǐng)域。但是算法本身也存在諸多不第三章目標(biāo)與檢測系統(tǒng)設(shè)計與實幀間差分法設(shè)計思路及結(jié)果分ffk相fk3.1.1圖3.1.2（第37幀 圖3.1.3(第38幀背景差分法設(shè)計思路及實驗分3.2.1 圖3.2.2是的背景圖像，圖3.2.3是運動目標(biāo)行走中的一幀圖像，圖3.2.4是目標(biāo)檢測的結(jié)目標(biāo)實驗結(jié)果與分u值漂移算法首先通過人工的方式對目標(biāo)位置進(jìn)行初始化，即手動畫出一個矩形框，然后計算出目標(biāo)模型的分布函數(shù)qy0y0u pwiy, 系數(shù)pyqpy0q，則y0.5y0y)，直到漂移量小于，否則 yy yy 否Mean否MeanShift確定目標(biāo)候選位否3.3.1實驗一：正常背景下的目圖3.3.2實驗背景及目 圖3.3.3選定目3.3.4實驗序列一為背景不發(fā)生變化情況下目標(biāo)行走的。圖3.3.2是實驗的背景及目標(biāo)，實驗二：當(dāng)存在有物和顏色相似背景時的目圖3.3.5實驗背景及目 圖3.3.6目標(biāo)選定并經(jīng)過圖3.3.7失。實驗序列為在背景不發(fā)生變化的情境下，一人進(jìn)行勻速的行走，但途中目標(biāo)會經(jīng)過一個障礙物影響到目標(biāo)的一共343幀圖3.3.5是在48幀通過矩形模板進(jìn)行目標(biāo)選定圖。是在84幀的時候目標(biāo)經(jīng)過物，矩形模板還在目標(biāo)物上，但是當(dāng)人物經(jīng)過物后到了幀圖像即圖3.3.7，矩形模板脫離人物目標(biāo)，結(jié)果失敗3.3.8均值漂移算法計算量不大并且實 性強，適合應(yīng)用 哨位執(zhí)勤任務(wù)中，士兵兩MeanShift自身不能很好的解決背景中存在物的問題第四結(jié)與展全文總進(jìn)一步的展室內(nèi)靜止背景相對好處理，而室外大而場景的背景建模則較難，而且非靜止機(jī)在運動目標(biāo)方面被運動目標(biāo)的姿態(tài)改變參考文，，[2]等．計算機(jī)圖像處理技術(shù)基礎(chǔ)．：杜1996：94-99，，[3]．?dāng)?shù)字圖像處理與圖像通信．：郵電大學(xué)，，78侯志強，.視覺技術(shù)綜述[J].自動化學(xué)報，2006，32(4)：603- Segmentationforamonitoringsystem[J].PatternRecognitionLetters,2003,24(1-3):113-128計文平,,.基于虛擬線圈的光流法車流量檢測[J]. 計算機(jī)仿真.Vol.21,No.1,2004.01:109-110.]N.Amamoto,A.Fujii.Detectionobstructionsandtrackingmovingobjectsbyimage 1999,Part382(11):527-535.[9王建宇，，高文等.背景變化魯棒的自適應(yīng)視覺目標(biāo)模型[J].軟件學(xué)報[10]CutlerR,DavisL.View-baseddetection[A].In:ProceedingsofInternationalConferenceonPatternRecognition[C]，Brisbane,Australia,1998:495-500.[11].二圖象處理和分析.：FriedmanN,RussellS.Imagesegmentationinsequences;Aprobabilisticapproach[A].In:Proceedingsofthe13’thConferenceonUncertaintyinArtificialInligence[C]，RhodeIsland,USA,1997;175-181谷口.數(shù)字圖像處理.：科學(xué)StaufferC,GrimsonW.Adaptivebackgroundmixturemodelsforreal-timetracking[A].In：ProceedingsofIEEEInternationalConferenceonComputerVisionandPatternRecognition[C]，F(xiàn)ortCollins,Colorado,USA,1999,2:246-25HARITAOGLUI,DAVISLARRYSetal.W4who?when?where?what?Areal IEEEInternationalConferenceonAutomaticFaceandGetureRecognition.Nara,Japan,1998[C].AndersonC,BertP,VanderWalG.Changedetectionandtrackingusingpyramidstransformationtechniques[A].In:ProceedingsofSPIEConferenceonInligentRobotsandComputerVision[C]Cambridge,MA,USA,1985，579:72-朱勝利.MeanShift及相關(guān)算法在中的研究[D].浙江：浙江大學(xué)MeyerF,BouthemyP.Region-basedtrackingusingaffinemotionmodelsinlongimagesequences.CVCIP:Imageunderstanding,1994,60(2):119-140BascleB,DericheR.Regiontrackingthroughimagesequences.In:ProceedingsofIEEEInternationalConferenceofComputerVision,1995,302-307,,,.,,,MItraP,MurthyC,PalS,Unsupervisedfeatureselectionusingfeaturesimilarity.IEEE 2002,24(3):301-131 classificationusingdeformabletemtes.IEEETransactionsonPatternysisandMachineInligence,1996,18(3):293-308J