基于视频的运动目标检测与跟踪（演讲版).pptVIP

基于视频的运动目标检测与跟踪 2013.06.05 研究应用背景 视频运动目标检测与目标跟踪具有很强的实用价值，主要应用在视频监控、视频图像压缩、智能交通、人机交互、机器人导航、医学图像分析、工业检测等领域。 视频图像 运动目标检测 阴影去除 后处理 运动目标跟踪 光流法 帧差法 背景减法 预处理 视频图像的预处理 彩色图像灰度化 图像的平滑滤波 (1)中值滤波 (2)邻域均值滤波 (3)高斯滤波 运动目标检测 光流法 帧间差分法 背景减除法 背景相减法 均值滤波法 W4模型 自适应背景模型 单高斯模型 混合高斯模型 ICA：独立分量分析 PSO：粒子群优化算法 光流法 光流法是通过计算图像的光流场实现运动目标检测的一种方法。所谓光流场是指空间运动物体被观测表面上的像素点运动产生的瞬时速度场,一个二维的速度场，包含了物体表面结构和动态行为的重要信息。 原理：给图像中的每一个像素点赋予一个光流矢量(即速度矢量)，当物体和图像背景存在相对运动时，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，通过对序列图像光流场的分析，计算出运动场后，对场景进行分割，从而检测出运动目标。 光流法的核心是求解出运动目标的光流，即速度。  邻帧差分法 将连续的两帧或三帧图像对应像素点的灰度值相减，当环境亮度变化不大时，如果对应像素值相差很小，则认为此处是静止的，标记为背景；如果对应像素值相差较大，则认为这是由目标运动引起的，该处像素标记为运动目标。 第n-1帧 第n帧 背景相减法 原理：建立一个无运动目标的背景图像(第一帧无运动目标的图像或前N帧无运动目标的图像的均值或中值)，然后将当前图像的像素值与背景图像的像素值相减，通过设置一定的阈值，分割运动目标。 优点：算法简单、实时性较高 缺点：对背景的依赖性较高 均值滤波法 均值滤波法采用当前帧之前的L帧的平均值作为背景，首先创建一个可以存储L帧图像的存储空间，之后求这L帧图像的相同位置的像素值的平均，即  优点：运算量低，速度快，在有实时性要求且对准确性要求不高时得到广泛的应用； 缺点：对存储空间需求较高，速度慢的物体时可能出现空洞。 W4模型 将背景中的每个像素用最大灰度值MAX(x，y，t) 、最小灰度值MIN(x，y，t)和最大邻间差分值DMAX(x，y，t)描述。其中DMAX(x，y，t)是相邻帧对应位置像素灰度差的最大值，这三个参数可以用图像序列的前L帧估计，之后新观测值f(x，y，t)与背景模型的三个值比较，若满足下列两式，则认为该像素是背景，否则就是前景点。 优点：同均值滤波法相比检测效果较好，运算量也不大，能够满足实时性要求，而且对目标比较敏感。 缺点：当运动目标面积小且与背景对比度低或者目标颜色深时分割效果较差。 自适应背景模型 将 第 一 帧 （无运动物体的图像） 作为背景 ； 选 取 阈值T ； 求 当前 帧 的差 分 图 像 由 二值 图像 更新背景图像 单高斯法 对每一个像素利用高斯函数建模，每一像素点都认为服从均值和标准方差的分布，且每一点的高斯分布是独立的。每一个像素处理的都是一系列在相应时间内(从起始时间到当前时间)的该点值的集合，即在任意时间t像素点 的值应该是以时间为轴的点的集合中的一个,可由下式表示： 其中，表示这一个图像序列，也就是这个集合；表示第 帧。那么从时间轴上看，这些点的集合符合高斯分布，即， 这里，a称为更新参数，表示背景变化的速度。 优点：单高斯分布背景模型在室内(或其他简单场景)进行运动目标检测可以得到较好的效果，由于运算量小，处理速度非常快，而且检测到的目标比较完整。 缺点：当场景比较复杂时，模型会变得不稳定，而且抗噪声干扰的能力较差。 混合高斯法 混合高斯模型使用K（基本为3到5个）个高斯模型来表征图像中各个像素点的特征；用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点； 获得后更新混合高斯模型；通观整个高斯模型，主要是有方差和均值两个参数决定。 对均值和方差的学习，采取不同的学习机制, 将直接影响到模型的稳定性、