《运动目标检测.pptVIP

运动目标检测 运动目标检测的简介 运动目标检测的预处理 帧间背景校正 混合高斯模型建模 运动目标检测的方法 卡尔曼滤波 粒子滤波 运动目标检测的简介 运动目标检测是指在序列图像中检测出变化区域并将运动目标从背景图像中提取出来。 通常情况下，目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域，因此运动目标的正确检测与分割对于后期处理非常重要。 由于场景的动态变化，如天气、光照、阴影及杂乱背景干扰等的影响，使得运动目标的检测与分割变得相当困难。运动检测分为静态背景和动态背景两类。 常用的方法有帧差法、光流法、背景减除法等。 运动目标检测的预处理 帧间背景校正——首先对相邻帧进行全局运动估计，补偿当前帧以实现背景校正 背景建模——混合高斯模型建模 帧间背景校正 特征点提取 采用经典的Harris算子提取参考帧的特征点， 计算图像亮度I(x,y)在点(x,y)处的梯度： 构造自相关矩阵 表示卷积算子, 是高斯平滑函数 得到一个二阶实对称矩阵M=[A,C;C,B],必然存在两个特征值 和 ，代表自相关的主曲率。 提取特征点 如果特征值 和 是极大值时，则点(x,y)是一个特征点。 即满足： ，其 中， ， ，这里T是 一个固定的阈值，参数k=0.04~0.06。。减号后面的部分是修正，目的是抑制边缘点的误检。 特征点匹配 在当前帧找到参考帧中每一个特征点的唯一匹配点。 step1：以特征点 为中心，将其领域构造一个尺寸为M N的模板图像 作为特征窗 step2：在当前图像中对应位置处，确定(M+2p) (N+2p)的搜索区域 ,其中p表示设定的水平和垂直方向最大偏移量 step3：从搜索区域的中心开始搜索，搜索路径采用菱形法，计算每点的绝对误差和SAD(Sum of Absolute Difference）值，其计算公式 step4：找出最小的SAD值，则其对应位置为匹配特征窗，其中心点即为匹配特征点 全局运动参数计算 假定参考帧中点 运动到当前帧的位置 则对应的坐标关系为： 其中m2和m5表示两图的平移量，m0，m1，m3，m4表示尺度和旋转量，即为图像仿射变换模型。 将特征点代入，求最小二乘解，求解的目标是使得各特征点的位置误差达到最小。 帧间图像补偿 全局运动参数矩阵M代表的是背景的运动，即摄像系统的旋转、水平和垂直偏移运动。对当前帧的像素坐标利用M矩阵进行变换，得到新的坐标，并将原图中像素赋给该新坐标，即可获取补偿后的结果图像，实现对帧间背景运动的校正。 混合高斯模型建模 假设图像中的每一点的像素观测值和其他像素点的观测值相互独立，在某时刻t，设像素点的观测值为 ，则时刻t观测值为 的概率可以用具有K个高斯分布的混合高斯模型建模： K是高斯分布的个数，一般去3至5个， 是第i个高斯分布的权重， 是时刻t第i个高斯分布的均值向量， 是其相应的协方差矩阵， 是高斯分布的概率密度函数 。为了减少计算量，通常假定(R,G,B)三个颜色通道是相互独立的，并且具有相同的方差，这样，协方差矩阵就有下面的形式： 假设图像中某像素点，在1~t时刻的状态为 ，权重 反应了像素点从1~t时间段内满足第i个高斯分布的后验概率， 中属于第i个高斯分布的观测样本越多，权重 就越大，方差