Project视频目标检测仿真.docVIP

Project视频目标检测仿真 一 背景估计 1 用混合高斯建模法 因为行人在场景中停留时间过长，导致建模失败。下面是训练130帧的建模结果： 图1 混合高斯建模法背景建模结果 2背景拼接估计法 算法思路： 1 用帧间差分法对行人轮廓进行粗估计，选出轮廓比较好的 2 把原图中轮廓内部的值赋0，背景像素不变 3 用轮廓周围背景来估计行人遮挡的背景 4 选取具有不同背景的图像，并减去估计的背景，进一步估计行人轮廓 5 返回步骤2，逐步迭代，尽量把不同帧内的背景拼接起来，同时把缺少的背景估计出来。 估计出的背景为： 图2背景拼接估计法估计背景 二 行人轮廓提取 1 思路分析 把每帧减去估计的背景，但是直接图像相减会在减去背景的同时减掉人体区域的一些能量。考虑到背景是估计出来的，一部分背景会与实际背景有一定的差异，所以首先判断目标图像与背景图像的相同像素是否相似，若相似就把此像素判为背景，像素值致0；若判为人体，其像素值不变。通过全局阈值法把图像二值化，由于背景是估计出来的，会出现大量噪声，通过形态学运算消除噪声。一般情况下，人体是一块比较大的连通域，而噪声只是一些相对较小的且相对离散的区域，可以先进行开运算，断开比较小的连接，然后减除的区域，这样可以消除大量人体外的噪声，最后对人体进行空洞填充，消除人体内部的噪声。 2 算法步骤： 目标图像减除背景 用全局阈值法把图像二值化 对二值化图像进行开运算，去掉连通域比较小的区域 对二值图像进行空洞填充 提取二值图像的轮廓，并加到原始图像上，比较轮廓提取的精度 下面是一些轮廓提取的图像： 图3 人体轮廓提取结果 3结果分析：人体的轮廓的提取还是比较精确的，特别是对两条腿的轮廓的提取。但是提取的轮廓并没有包含头部，但是对于行人检测来说，一般枪是不会放在头部的，所以头部没有提取出来是没有太大影响的。 三 目标检测 1 思路分析 在上一步中得到了行人的轮廓，也就得到了感性区域。由于目标与人体的粘连性，以后我们的检测完全在人体内部进行，所以人体轮廓的提取精度直接关系到目标提取的准确度。由于目标的灰度与人体灰度差异比较大，可以再一次应用阈值法进行分割，但是如果对整幅图像进行全局阈值分割，只能得到人体区域，并不能得到目标区域。但是如果我们忽略人体外部的像素，只对人体内部进行阈值分割，就可以分割出目标。这时会因为人体轮廓提取的精度不够，在人体轮廓处出现大量噪声。考虑到目标区域一般都是有一定厚度的，而边界噪声一条沿着人体轮廓比较狭长的区域，可以对人体轮廓缩小几个像素，这样既可以消除狭长的噪声，同时如果有目标，也会较好的保留目标。 2 算法步骤 用上一步中提取出的人体区域与原始图像相乘，得到只包含人体的图像 在人体内部应用自动阈值法分割图像 对人体区域腐蚀，并乘以分割后的图像，消除轮廓噪声 根据目标的一般大小，去除较小的和较大的区域 下面是一些处理后的图像： 图4：目标提取结果 3 结果分析 从分割结果可以看出，对于一些图像帧，可以很好的分割出目标。同时也注意到一些图像上还存在着噪声干扰，要进一步检测目标，需要用到图像识别和目标跟踪。 需要注意的是，图像识别需要图像的许多信息，比如轮廓，形状，梯度方向等，所以我们处理还有目标的区域时要尽量少使用开运算和闭运算等会给图像的形状带来很大失真的方法。 由于噪声的相对随机性和目标的连续性，我们可以通过目标跟踪和多帧的积累来识别目标。