四隊和一隊二區(qū)隊

：目標，目標檢測，均值漂Movingtargetdetectionandtrackingisoneofthemajorproblemsincomputervisionfield.Withtherapiddevelopmentofcomputertechnology,peoplepaymoreandmoreattentiontothedetectionandtrackingofobjectsinthefiledofimageprocessing,computervision,patternrecognition,artificialinligenceandmultimediatechnology.Thearmedisfeaturedbythelongtimeondutyandwidedistributionofthesentinel.Therefore,itisessentialtosearchforareal-time,stableandreliablesystem.Thisresearchhasanimportanttheoreticalandpracticalsignificance.Thethesisfocusontwoaspects:movingtargetdetectionandtrackingmovingtargetandareliablesystemisworkedoutforperformingatask.Consideringtherequirementsoftheinligentmonitoringsystemtoreal-timeandcomplexity,inofmovingtargetdetection,theauthorstudiestwomethodsoftheadvantagesanddisadvantagesofthesetwomethodsarealsoinvolved.Thestudyfocusonhowtotrackthemovingtargetaccuray.Intheprocessofdeferringdifferenceimageintobinaryimage,theselectionofthresholdisofgreatimportance.Alargethresholdcaninhibitsomesignificantchanges,whichmaycausetheomissionofthemovingtarget;ifthethresholdistoosmall,itwilldetectlotsofpseudochange.Ontheaspectoftrackingmovingtarget,theauthormainlystudiedthedetectionofmovingtargetbasedonMeanShiftalgorithmandtheapplicationofitintrackingmovingtarget.Themeanshiftalgorithmhaslittlecalculationandstrongabilityofreal-timetrackingsuitableforthearmedonduty.Inthepracticalaspectsofarmedsentryduty,thetwo-hourdutywillresultinvisualfatigueandbecauseofthesinglebackgroundofduty,computerassistingtodetectandtrackmovingtargetcanbeusedinordertofurtherinsurethesafetyofthetarget.。第一章緒 引 第二章運動目標檢測技 均值漂移（MeanShift）簡 第三章目標與檢測系統(tǒng)設計與實 第四章總結與展 參考文 致 第一引課題研究目的和意 國內外研究現(xiàn)運動目標的檢運動檢測就是機在整個監(jiān)視過程中不發(fā)生移動，只有被監(jiān)視目標在機的視場內運動這個過程只有目標相對于機的運動；運動目標檢測方法主要有三種：幀間差分法、背景差分法和光流法。光流法計算復雜，不宜實時處理；幀間差分法是將連續(xù)兩幀進行比較，從中提取出運動目標的信息，這種提取出運動目標的完整性較差，但對動態(tài)環(huán)境有較好的適應性；背景差分法能夠較完整地提取目標點，但對場景的動態(tài)變化如光照或外部條件引起的場景變化較為敏感。5頭的晃動使得靜態(tài)場景變化也會影響到檢測結果運動目運動目標是利用目標的有效特征，使用適當?shù)钠ヅ渌惴ǎ趫D像序列中尋找與目標模板最相似候選目標的位置，簡單說就是在圖像序列的每一幅圖像中為目標定位。在運動目標中主要理、區(qū)域、統(tǒng)計特征直方圖、各種矩特征、變換系數(shù)特征(描繪子、自回歸模型代數(shù)特征圖像矩陣的奇異值分解)等目標過程中在進行特征的匹配時直觀的方法是在下一幀圖像中全圖搜索找到與目標模板最相似的候選目標位置。常用的特征匹配算法有絕對平衡搜索法(BS)和歸一化相關法(C)這兩種都是經(jīng)典的匹配算法。絕對平衡搜索法一般包括最小均方誤差函數(shù)(MSE(MA(MPC也是沒有必要的，因為目標最有可能出現(xiàn)在其某個領域范圍內，所以就需要尋找能夠避免全圖匹配的快速算法n濾波器可被用來預測目標在下一幀可能出現(xiàn)的位置目標定位時只需在預測位置的領域進行較少的目標模板和候選目標相似性檢測就可以確定目標在下一幀中的位置。另一類減少搜索范圍的算法是優(yōu)化搜索方向，均值平移算法和置信區(qū)域算法都是利用無參估計的方法優(yōu)化目標模板和候選目標的距離的迭代收斂過程以達到縮小搜索范圍的目的為了提高效果，利用多個目標特征聯(lián)合進行的算法也是人們所常用的，如nBirhld將目標的顏色目標中所的一些問題目標過程中的定位準確度問題本研究內容及章節(jié)安主要研究內章節(jié)安第一章闡述了課題背景和研究意義，以及當前運動目標檢測與技術領域的研究現(xiàn)狀要介紹了相鄰幀差法、背景消減法；紹了運動目標的四種方法：基于模型的，基于區(qū)域，基于變形模板的，基于特征的，著重介紹了基于區(qū)域的均值漂移算法第四章是對的主要工作進行了總結在總結的基礎上對目標檢測和做了進一步的展望第二動目標檢測技運動目標檢幀間差分kk-12.1.1k-1f,

,

f,假設給定圖像序列

n

k1圖像可用如下描述Dk(x,y)

k

0,else,0,else,R背景差分2.1

,f,f

ff

,分別代表當前幀和背景幀，則差分后圖像可表示為Dk(x,y)

0,else,R0,else,R 2.1.2背景差分原理圖運動目標運動目標簡運動目標的目的就是通過對拍攝到的圖像序列進行分析，計算出目標在每幀圖像上的二維交通、飛機導航等領域有著廣泛的應用前景。它利用運動目標分割的結果，又為運動的分析理解等高級內容提供基礎。在一定的背景下對運動目標的以達到特定的目的，實時性和可靠性是 模型、基于區(qū)域、基于動態(tài)邊界和基于特征的四種方法。下面對這四種方法做個簡單的介紹運動目標的主要方基于模型的(Model-based實際的視覺算法中的是采用運動目標的3D模型進行，尤其對于剛體如汽車的。基于區(qū)域的(Region-basedSSD(thesumofsquareddifferences)，該算法還可和多種預測 te-based變形模板是紋理或邊緣可以按一定限制條件變形的面板或曲線,目標模板為一條手劃(Hand-蹤復雜背景中的目標。在視覺過程中，更為常用的變形模板是由Kass在1987年主動輪廓模型(Activecontourmodels,ACM)又稱為Snake模型，Kass用于唇動的。Snake模型非常適合等提出了一種基于Snake模型的多目標算法，思路比較新穎。但Snake模型比較適合單目標基于特征的(Feature-based且容易產(chǎn)生錯誤如果采用特征過少，又不能很好的目標。在特征提取時，一般采用Canny算子SUSAN算子獲得目標的角點信息。均值漂移算均值漂移（MeanShift）簡MeanShiftFukunaga1975年在一篇關于概率密度梯度函數(shù)的估計中MeanShift算法，一般是指一個迭代的步驟，即先算出當前點的偏移均值，移動enhift01995enift重要文獻才。在這篇重要的文獻中，izongheng對本的enhift算法以izonghegizogChng這大大擴大了enift的適用范圍另外zogCheng了enift可能應用的領域，給出了具體的例子。ComaniciuMeanShiftMeanMeanShift算法可以用來檢測概率密度函數(shù)中Comaniciu等人還把非剛體的問題近似為一個MeanShift最優(yōu)化問題,使得可以實時的均值漂移的基本思Mean給定d中的n個樣本點,i=1,2……n,在x點的MeanShift向量的基本形式定義為M(x)1(xxx x hyhS(x)y:(yx)T(yx)hk表示在這nk個點落入?yún)^(qū)域中。()xMeanShift向量(xk中的個樣本點相對xf(x)中采樣得的方向 Shift如上圖所示,大圓圈所圈定的范圍就是小圓圈代表落入?yún)^(qū)域內的樣本點,黑點就是MeanShift的xx的偏移向量可以看出，平均的偏移向量會指向樣本分布均值漂移在目標中的應Epanechikov函數(shù)。利用相似性函數(shù)度量初始幀目標模型和當前幀候選模型的相似性,通MeanShift向量,這個向量即是目標從初始位置向正確位置轉移的向量,MeanShift算法是收斂的,MeanShift向量,在當前幀中,最終目標會收斂到目標的真實位置,從而達到的目的。基于均值漂移用于目xixihq

)

hb和的作用是判斷處的顏色值是否屬u，C1。運動目標在當前幀中包含目標的區(qū)域稱之為候選區(qū)域，設其中心坐標為y，候選區(qū)域特定值u=1,2……m的概率密度為：xixihq

)

相似性函數(shù)描述初始幀目標模型和候選模型的相似性，這 (y) 的相 Bhattacharryammu

) p（ 表示從這一點開始尋找最優(yōu)匹配的目標，式 ) p q1q1m2up qhu0u02mu

quqp(y把概率密度帶入,p

q12ump(q12ump(y yh2

wwb(x)miu qup uy0動不敏感。這些優(yōu)勢使得MeanShift算法廣泛地應用于目標領域。但是算法本身也存在諸多不第三章目標與檢測系統(tǒng)設計與實幀間差分法設計思路及結果分ffk相fk3.1.1圖3.1.2（第37幀 圖3.1.3(第38幀背景差分法設計思路及實驗分3.2.1 圖3.2.2是的背景圖像，圖3.2.3是運動目標行走中的一幀圖像，圖3.2.4是目標檢測的結目標實驗結果與分u值漂移算法首先通過人工的方式對目標位置進行初始化，即手動畫出一個矩形框，然后計算出目標模型的分布函數(shù)qy0y0u pwiy, 系數(shù)pyqpy0q，則y0.5y0y)，直到漂移量小于，否則 yy yy 否Mean否MeanShift確定目標候選位否3.3.1實驗一：正常背景下的目圖3.3.2實驗背景及目 圖3.3.3選定目3.3.4實驗序列一為背景不發(fā)生變化情況下目標行走的。圖3.3.2是實驗的背景及目標，實驗二：當存在有物和顏色相似背景時的目圖3.3.5實驗背景及目 圖3.3.6目標選定并經(jīng)過圖3.3.7失。實驗序列為在背景不發(fā)生變化的情境下，一人進行勻速的行走，但途中目標會經(jīng)過一個障礙物影響到目標的一共343幀圖3.3.5是在48幀通過矩形模板進行目標選定圖。是在84幀的時候目標經(jīng)過物，矩形模板還在目標物上，但是當人物經(jīng)過物后到了幀圖像即圖3.3.7，矩形模板脫離人物目標，結果失敗3.3.8均值漂移算法計算量不大并且實 性強，適合應用 哨位執(zhí)勤任務中，士兵兩MeanShift自身不能很好的解決背景中存在物的問題第四結與展全文總進一步的展室內靜止背景相對好處理，而室外大而場景的背景建模則較難，而且非靜止機在運動目標方面被運動目標的姿態(tài)改變參考文，，[2]等．計算機圖像處理技術基礎．：杜1996：94-99，，[3]．數(shù)字圖像處理與圖像通信．：郵電大學，，78侯志強，.視覺技術綜述[J].自動化學報，2006，32(4)：603- Segmentationforamonitoringsystem[J].PatternRecognitionLetters,2003,24(1-3):113-128計文平,,.基于虛擬線圈的光流法車流量檢測[J]. 計算機仿真.Vol.21,No.1,2004.01:109-110.]N.Amamoto,A.Fujii.Detectionobstructionsandtrackingmovingobjectsbyimage 1999,Part382(11):527-535.[9王建宇，，高文等.背景變化魯棒的自適應視覺目標模型[J].軟件學報[10]CutlerR,DavisL.View-baseddetection[A].In:ProceedingsofInternationalConferenceonPatternRecognition[C]，Brisbane,Australia,1998:495-500.[11].二圖象處理和分析.：FriedmanN,RussellS.Imagesegmentationinsequences;Aprobabilisticapproach[A].In:Proceedingsofthe13’thConferenceonUncertaintyinArtificialInligence[C]，RhodeIsland,USA,1997;175-181谷口.數(shù)字圖像處理.：科學StaufferC,GrimsonW.Adaptivebackgroundmixturemodelsforreal-timetracking[A].In：ProceedingsofIEEEInternationalConferenceonComputerVisionandPatternRecognition[C]，F(xiàn)ortCollins,Colorado,USA,1999,2:246-25HARITAOGLUI,DAVISLARRYSetal.W4who?when?where?what?Areal IEEEInternationalConferenceonAutomaticFaceandGetureRecognition.Nara,Japan,1998[C].AndersonC,BertP,VanderWalG.Changedetectionandtrackingusingpyramidstransformationtechniques[A].In:ProceedingsofSPIEConferenceonInligentRobotsandComputerVision[C]Cambridge,MA,USA,1985，579:72-朱勝利.MeanShift及相關算法在中的研究[D].浙江：浙江大學MeyerF,BouthemyP.Region-basedtrackingusingaffinemotionmodelsinlongimagesequences.CVCIP:Imageunderstanding,1994,60(2):119-140BascleB,DericheR.Regiontrackingthroughimagesequences.In:ProceedingsofIEEEInternationalConferenceofComputerVision,1995,302-307,,,.,,,MItraP,MurthyC,PalS,Unsupervisedfeatureselectionusingfeaturesimilarity.IEEE 2002,24(3):301-131 classificationusingdeformabletemtes.IEEETransactionsonPatternysisandMachineInligence,1996,18(3):293-308J