复杂环境中的运动目标检测、提取与跟踪研究-Read.ppt

运动目标检测、提取 主 讲：刘 龙 * 研究现状 已经出现了众多的视觉跟踪算法。 视觉跟踪问题进行分类 ●摄像机的数目：单摄像机Vs多摄像机 ●摄像机是否运动：摄像机静止Vs摄像机运动 ●场景中运动目标的数目：单运动目标Vs多运动目标 ●场景中运动目标的类型：刚体Vs非刚体 ●传感器的种类：可见光图像Vs红外图像 处理视觉跟踪问题的两种思路 ●自底向上（Bottom-Up，Data-Driven） ●自顶向下（Top-Down，Model-Driven） 视觉跟踪方法分类 ●基于区域的跟踪（Region-based tracking） ●基于特征的跟踪（Feature-based tracking） ●基于变形模板的跟踪（Deformable-Template-based tracking） ●基于模型的跟踪（Model-based tracking) 技术路线 由于本文研究具有极强的工程应用背景，因此选择了自底向上的思路，这种思路对视觉跟踪的一般处理过程示意图如下 技术路线 本学位论文对其中所涉及的四个环节，即图像预处理、目标检测、目标分类和目标跟踪进行了研究。主要的创新之处包括以下四个方面。 图像预处理--消噪算法及推广算法 目标检测--PIC算法及PICM算法 目标分类--FFA Snake算法 运动目标检测 问题的提出 相关工作 基于像素灰度归类的背景重构算法 (Pixel Intensity Classification, PIC ) 基于像素灰度归类与修补的背景重构算法 (Pixel Intensity Classification and Mend, PICM） 小结 问题的提出 在视频监视系统中，运动目标的检测与分割是个非常重要的问题，尤其在复杂环境中对运动目标进行检测时，由于受到环境噪声的影响，往往很难检测到完整的或者真实的运动目标。运动检测的方法很多，这些方法可以分为三类： 基于光流的运动检测。 基于相邻帧图像差分的运动检测。 基于背景差的运动检测。 问题的提出  由于背景差方法的优越性，选择该方法作为研究的对象，但是该方法的难点在于如何在背景不断变化的情况下构造出随之变化的背景图像以避免运动目标的误检测。 相关工作 一种经典的方法是时间平均法，即对一段时间中的图像序列求和再平均，获得一帧近似的背景图像，但是这种方法容易将前景运动目标混入背景图像当中，产生混合现象。 相关工作 近年来关于背景图像的自适应更新，主要有两大类方法，第一类方法建立背景模型，并采用自适应方法对模型参数进行调整，从而获得新的背景图像，这类方法通常假定在模型初始化阶段，背景图像中不含运动前景，但这种假设在实际的公共场合很难满足；其次，运动前景很容易混入到背景图像中，产生混合现象。 相关工作 第二类方法是从过去的一组观测图像当中按照一定的假设选择像素灰度构成当前的背景图像，这类方法的优点在于背景的初始化与场景中是否存在运动的前景无关，同时能够有效避免混合现象。但是，由于这类方法是从过去的一段图像序列中重构背景图像，因此不如第一类方法能够适应迅速的场景变化，而是产生一定的时间延迟，但这个问题对于长时间图像监视和跟踪系统的影响不大。本文的背景重构算法属于第二类方法。 基于像素灰度归类的背景重构算法 首先选择假设。 第二类方法所采用的背景假设主要有： 在一段图像序列中，像素点处于稳定状态最长 的灰度值是背景像素灰度值。 背景至少在50%的时间内可以被观测到。 背景在图像序列中总是最经常被观测到的。 上述假设中，最后一种假设相比而言更为合理。。 基于像素灰度归类的背景重构算法 算法步骤： 步骤1：划分像素点的灰度平稳区间； 步骤2：分别计算各灰度平稳区间的平均灰度值； 步骤3：将平均灰度值相近的灰度平稳区间归为一类称之为灰度值一致区间，统计该区间像素点出现的频率； 步骤4：选择频率最大的灰度值作为该像素点的背景灰度值。 基于像素灰度归类的背景重构算法 步骤1：划分像素点的灰度平稳区间； 已知图像序列 ，从中等间隔抽取N +1帧图像。 表示在这N +1帧图像中的第i帧( i = 0,1,2,…, N )像素点(x,y)处的灰度值。则存在下式 , 和 灰度值不一致，不属于同一灰度平稳区间； ， 和 灰度值一致，属于同一灰