基于背景减除的运动目标检测研究sl.pptVIP

(7).内核密度估计法 由于混合高斯法涉及到参数的估计，在某种程度上其比较依赖实验的结果和经验，容易导致误差。因此，科学家们提出了基于非参数模型的背景减除算法，其中，最常用的是内核密度估计法。 算法 处理背景扰动 内存要求 运算量 准确性 简单背景法 最差 小 最低 最差 均值滤波法 最差 大 最低 较差 W4模型 最差 小 最低 较差 码书模型 中等 中等 中等 中等 单高斯法 较差 小 中等 中等 混合高斯法 最强 小 最大 最好 内核密度 估计法 较强 大 较大 较好 背景减除法性能比较 2.实验结果分析 (a) 原始图像 (b) 背景图像 （c）单高斯法检测结果 图1单高斯法检测结果 (a) 原始图像 (b) 背景图像 （c）混合高斯法检测结果 图2 α =0.03时混合高斯法检测结果 混合高斯法的背景更新速度取决于权值更新率α的大小，右图给出α=0.03时应用混合高斯法进行运动目标检测的实验结果 三.阴影消除 在视频监控的运动目标检测与提取中，阴影消除占有一个十分重要的地位。因为在视频图像中，阴影的存在会造成运动目标检测后分割出来的运动物体面积在大部分情况下比实际运动目标的面积大，这样就导致两个缺陷。一个缺陷是目标的形状受阴影的影响，同一个目标的形状会随着光线的不同而发生变化，从而影响后续运动目标位置和运动目标分类的确定；另一个缺陷就是阴影可能会使目标形状变大，而导致阴影与运动目标粘成一起被当作运动目标的一部分，影响了运动目标长度、宽度等形状参数的判断，甚至多个运动目标还可能因为阴影相互粘成一块，严重影响运动目标的正确识别力。 1.RGB色彩空间的阴影消除算法 三.阴影消除 在RGB色彩模型空间中，任何一种颜色都可由R、G、B三原色按一定的比例构成，而阴影区域中的像素亮度值一般比非阴影区域要小，特别是R、G 颜色分量一般都较小，所以依据这种差别可进行阴影消除。 优点：在进行阴影抑制时速度比较快。 缺点： (1)三个阈值的设定对检测结果影响很大； (2)阴影区域的轮廓不完整； (3)使得移动目标本身不完整，容易缺损； (4)检测效果对目标本身的依赖性很强。 在HSV色彩空间进行图像处理时，并不是将H、S、V这3个值作为判断的参数，主要考虑参数V(图像的亮度)，并依次进行阴影消除，其对于图像中极亮和极暗的物体能够很好地反映出相应的信息。 2.HSV色彩空间的阴影消除算法 优点：HSV色彩空间具有较好的颜色感知的一致 性，适合计算图像之间的颜色相似性。 缺点：对色彩图片的处理效果较差。 通过阅读文献，本文采用一种无阈值的新阴影消除方法，因为运动目标产生的阴影除了亮度V减小外，阴影在HSV颜色空间的三个分量的向量和 比背景的向量和 3.一种无阈值的新阴影消除算法 小，通过计算这两者的向量差，来达到消除阴影的目的，计算公式如下： 4.实验结果分析 (a) 原始图像 (b) 背景图像 （c）混合高斯法前景 (d)阴影消除结果 1.形态学处理 四.检测后处理 运动目标由于颜色和背景接近或者其他噪声的干扰，可能导致检测的结果出现镂空或者称为空洞现象。本文采用形态学滤波方法解决这一问题。形态学滤波是一种以形态为基础的分析图像的数学工具。其基本思想是采用一些具有特定形态的结构元素提取图像中的对应形状从而实现图像分析的目的。 2.连通域处理 在使用形态学滤波处理完图像后，一些小的干扰区域已经被除去，小的间隙被连接上，小的孔洞被填充上，但是仍然会有相对较大的孔洞存在于检测目标内部。因此，我们使用连通性检测的方法进行处理，来去除检测到的运动目标内部的孔洞。 4.实验结果分析 (a) 原始图像 (b) 背景图像 （c）前景图像 (d)后处理结果 五.毕设工作总结及展望 1.在系统地学习了数字图像处理的基础知识后，运动目标检测过程中共研究了七种背景减除算法，对其原理及实现过程进行了深入研究，并从处理背景扰动能力、对内存的需求、运算量和准确性四个角度对各种方法进行了对比分析。最后，采用单高斯法和混合高斯法以OpenCV和VC++为开发平台进行编程实现，实现了视频序列中运动车辆的有效检测。 2.在阴影消除方面，分析了阴影形成的机理和特点，在研究了RGB色彩空间阴影消除、HSV色彩空间阴影消除和一种无阈值的阴影消除方法后，编程实现了无阈值的阴影消除算法，从而实现了对运动目标中阴影的有效消除，提高了系统检测运动目标的准确性； 毕设工作总结 3.针对运动目标检测的结果可能包含孤立的前景点，运动目标可能有镂空现象，对提取出的运动前景图像进行形态学处理和连通域分析等检测后处理，一定程度上改善了运动目标检测效果。 毕设工作总结 对于后续工作进行如下展望： 1、无阈值的阴影消除方法虽然能较好地实现