基于視頻的運動目標(biāo)檢測與跟蹤(演講版)課件

1、基于視頻的運動目標(biāo)檢測與跟蹤2013.06.05研究應(yīng)用背景 視頻運動目標(biāo)檢測與目標(biāo)跟蹤具有很強的實用價值，主要應(yīng)用在視頻監(jiān)控、視頻圖像壓縮、智能交通、人機交互、機器人導(dǎo)航、醫(yī)學(xué)圖像分析、工業(yè)檢測等領(lǐng)域。視頻圖像運動目標(biāo)檢測陰影去除后處理運動目標(biāo)跟蹤光流法幀差法背景減法預(yù)處理視頻圖像的預(yù)處理彩色圖像灰度化圖像的平滑濾波 (1)中值濾波 (2)鄰域均值濾波 (3)高斯濾波運動目標(biāo)檢測 光流法 幀間差分法 背景減除法 背景相減法 均值濾波法 W4模型 自適應(yīng)背景模型單高斯模型混合高斯模型ICA：獨立分量分析PSO：粒子群優(yōu)化算法光流法光流法是通過計算圖像的光流場實現(xiàn)運動目標(biāo)檢測的一種方法。所謂光流

2、場是指空間運動物體被觀測表面上的像素點運動產(chǎn)生的瞬時速度場,一個二維的速度場，包含了物體表面結(jié)構(gòu)和動態(tài)行為的重要信息。原理：給圖像中的每一個像素點賦予一個光流矢量(即速度矢量)，當(dāng)物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和鄰域背景速度矢量不同，通過對序列圖像光流場的分析，計算出運動場后，對場景進行分割，從而檢測出運動目標(biāo)。光流法的核心是求解出運動目標(biāo)的光流，即速度。 鄰幀差分法 將連續(xù)的兩幀或三幀圖像對應(yīng)像素點的灰度值相減，當(dāng)環(huán)境亮度變化不大時，如果對應(yīng)像素值相差很小，則認為此處是靜止的，標(biāo)記為背景；如果對應(yīng)像素值相差較大，則認為這是由目標(biāo)運動引起的，該處像素標(biāo)記為運動目標(biāo)。

3、 第n-1幀第n幀背景相減法原理：建立一個無運動目標(biāo)的背景圖像(第一幀無運動目標(biāo)的圖像或前N幀無運動目標(biāo)的圖像的均值或中值)，然后將當(dāng)前圖像的像素值與背景圖像的像素值相減，通過設(shè)置一定的閾值，分割運動目標(biāo)。優(yōu)點：算法簡單、實時性較高缺點：對背景的依賴性較高均值濾波法 均值濾波法采用當(dāng)前幀之前的L幀的平均值作為背景，首先創(chuàng)建一個可以存儲L幀圖像的存儲空間，之后求這L幀圖像的相同位置的像素值的平均，即 優(yōu)點：運算量低，速度快，在有實時性要求且對準(zhǔn)確性要求不高時得到廣泛的應(yīng)用； 缺點：對存儲空間需求較高，速度慢的物體時可能出現(xiàn)空洞。 W4模型 將背景中的每個像素用最大灰度值MAX(x，y，t) 、最

4、小灰度值MIN(x，y，t)和最大鄰間差分值DMAX(x，y，t)描述。其中DMAX(x，y，t)是相鄰幀對應(yīng)位置像素灰度差的最大值，這三個參數(shù)可以用圖像序列的前L幀估計，之后新觀測值f(x，y，t)與背景模型的三個值比較，若滿足下列兩式，則認為該像素是背景，否則就是前景點。優(yōu)點：同均值濾波法相比檢測效果較好，運算量也不大，能夠滿足實時性要求，而且對目標(biāo)比較敏感。缺點：當(dāng)運動目標(biāo)面積小且與背景對比度低或者目標(biāo)顏色深時分割效果較差。 自適應(yīng)背景模型 將 第 一 幀 （無運動物體的圖像） 作為背景 ； 選 取 閾值T ； 求 當(dāng)前 幀 的差 分 圖 像 由 二值 圖像 更新背景圖像 單高斯法對每一

5、個像素利用高斯函數(shù)建模，每一像素點都認為服從均值和標(biāo)準(zhǔn)方差的分布，且每一點的高斯分布是獨立的。每一個像素處理的都是一系列在相應(yīng)時間內(nèi)(從起始時間到當(dāng)前時間)的該點值的集合，即在任意時間t像素點 的值應(yīng)該是以時間為軸的點的集合中的一個,可由下式表示：其中，表示這一個圖像序列，也就是這個集合；表示第 幀。那么從時間軸上看，這些點的集合符合高斯分布，即，這里，a稱為更新參數(shù)，表示背景變化的速度。 優(yōu)點：單高斯分布背景模型在室內(nèi)(或其他簡單場景)進行運動目標(biāo)檢測可以得到較好的效果，由于運算量小，處理速度非常快，而且檢測到的目標(biāo)比較完整。 缺點：當(dāng)場景比較復(fù)雜時，模型會變得不穩(wěn)定，而且抗噪聲干擾的能力較

6、差。混合高斯法 混合高斯模型使用K（基本為3到5個）個高斯模型來表征圖像中各個像素點的特征；用當(dāng)前圖像中的每個像素點與混合高斯模型匹配,如果成功則判定該點為背景點, 否則為前景點； 獲得后更新混合高斯模型；通觀整個高斯模型，主要是有方差和均值兩個參數(shù)決定。對均值和方差的學(xué)習(xí)，采取不同的學(xué)習(xí)機制, 將直接影響到模型的穩(wěn)定性、精確性和收斂性 ； 由于我們是對運動目標(biāo)的背景提取建模，因此需要對高斯模型中方差和均值兩個參數(shù)實時更新；為提高模型的學(xué)習(xí)能力,改進方法對均值和方差的更新采用不同的學(xué)習(xí)率;為提高在繁忙的場景下,大而慢的運動目標(biāo)的檢測效果,引入權(quán)值均值的概念；建立背景圖像并實時更新,然后結(jié)合權(quán)值

7、、權(quán)值均值和背景圖像對像素點進行前景和背景的分類優(yōu)點 ：(1)混合高斯模型可以模擬復(fù)雜的多峰背景(如搖動的樹枝，擺動的旗幟等)，(2)不僅能準(zhǔn)確的檢測出大面積目標(biāo)還能檢測出小面積的目標(biāo)，(3)運算量不是非常大，能夠滿足實時性需要。 缺點 ：(1) 能夠有效的解決光線漸變的問題，但是對于光線突變非常敏感；陰影去除 RGB色彩空間的陰影消除算法 在RGB色彩模型空間中，任何一種顏色都可由R、G、B三原色按一定的比例構(gòu)成，而陰影區(qū)域中的像素亮度值一般比非陰影區(qū)域要小，特別是R、G 顏色分量一般都較小，所以依據(jù)這種差別可進行陰影消除。HSV色彩空間的陰影消除算法 在HSV色彩空間進行圖像處理時，并不是

8、將H、S、V這3個值作為判斷的參數(shù)，主要考慮參數(shù)V(圖像的亮度)，并依次進行陰影消除，其對于圖像中極亮和極暗的物體能夠很好地反映出相應(yīng)的信息。陰影不會顯著改變背景點的色度，但通常會降低其亮度和飽和度。 檢測后處理形態(tài)學(xué)處理：腐蝕、膨脹 運動目標(biāo)由于顏色和背景接近或者其他噪聲的干擾，可能導(dǎo)致檢測的結(jié)果出現(xiàn)鏤空或者稱為空洞現(xiàn)象。采用形態(tài)學(xué)濾波方法解決這一問題。形態(tài)學(xué)濾波是一種以形態(tài)為基礎(chǔ)的分析圖像的數(shù)學(xué)工具。其基本思想是采用一些具有特定形態(tài)的結(jié)構(gòu)元素提取圖像中的對應(yīng)形狀從而實現(xiàn)圖像分析的目的。連通域處理、孔洞填充 在使用形態(tài)學(xué)濾波處理完圖像后，一些小的干擾區(qū)域已經(jīng)被除去，小的間隙被連接上，小的孔洞

9、被填充上，但是仍然會有相對較大的孔洞存在于檢測目標(biāo)內(nèi)部。因此，我們使用連通性檢測的方法進行處理，來去除檢測到的運動目標(biāo)內(nèi)部的孔洞。運動目標(biāo)跟蹤Mean Shift算法（均值偏移） 通過視頻圖像中運動物體的顏色信息來達到跟蹤的目的Kalman濾波器 利用反饋控制系統(tǒng)估計運動狀，用當(dāng)前的狀態(tài)和誤差協(xié)方差估計下一時刻的狀態(tài)Mean Shift算法Mean shift ：均值偏移方法。采用彩色直方圖作為匹配特征。Mean Shift 跟蹤算法反復(fù)不斷地把數(shù)據(jù)點朝向MeanShift 矢量方向進行移動，最終收斂到某個概率密度函數(shù)的極值點。在Mean Shift 跟蹤算法中，相似度函數(shù)用于刻畫目標(biāo)模板和候

10、選區(qū)域所對應(yīng)的兩個核函數(shù)直方圖的相似性，采用的是Bhattacharyya 系數(shù)。因此，這種方法將跟蹤問題轉(zhuǎn)化為Mean Shift 模式匹配問題。優(yōu)缺點：Mean Shift 算法假設(shè)特征直方圖足夠確定目標(biāo)的位置，并且足夠穩(wěn)健，對其他運動不敏感。該方法可以避免目標(biāo)形狀、外觀或運動的復(fù)雜建模，建立相似度的統(tǒng)計測量和連續(xù)優(yōu)化之間的聯(lián)系。但是，Mean Shift 算法不能用于旋轉(zhuǎn)和尺度運動的估計。Mean Shift算法過程 (1)選擇窗口的大小和初始位置 (2)計算此時窗口內(nèi)的質(zhì)心 (3)調(diào)整窗口的中心到質(zhì)心 (4)重復(fù)2和3，直到每次窗口移動的距離小于一定的閾值Kalman濾波器 基本思想：從本質(zhì)上講，卡爾曼濾波器就是一個有噪聲線性動態(tài)系統(tǒng)狀態(tài)預(yù)估的遞歸算法，它是一個不斷地預(yù)測與校正的過程。當(dāng)假設(shè)系統(tǒng)狀態(tài)模型和觀測模型都是線性且符合高斯分布，同時假設(shè)噪聲也是高斯分布時，線性卡爾曼濾波器是最優(yōu)