复杂环境中的运动目标检测、提取与跟踪

《复杂环境中的运动目标检测、提取与跟踪》由会员分享，可在线阅读，更多相关《复杂环境中的运动目标检测、提取与跟踪（117页珍藏版）》请在金锄头文库上搜索。

1、复杂环境中的运动目标检测、 提取与跟踪复杂环境中的运动目标检测、 提取与跟踪主讲人：刘 龙主讲人：刘 龙西安理工大学西安理工大学?第一章 绪论第一章 绪论 ?第二章 基于局部多结构元素数学形态学的图像第二章 基于局部多结构元素数学形态学的图像 预处理预处理 ?第三章 复杂环境中的运动目标检测第三章 复杂环境中的运动目标检测 ?第四章 基于力场分析第四章 基于力场分析Snake的运动目标提取的运动目标提取 ?第五章 复杂环境中对运动目标的快速跟踪算法第五章 复杂环境中对运动目标的快速跟踪算法 ?第六章 总结与展望第六章 总结与展望目录目录第一章 绪论第一章 绪论?研究的背景和意义研究的背景和意义

2、 ?研究现状研究现状 ?本文的技术路线及创新之处本文的技术路线及创新之处研究的背景和意义研究的背景和意义本论文的研究是在国家重点基础研究发展规 划项目(973)“复杂自然环境时空定量信息或区 域融合处理的理论与应用”地支持下进行的。 论文的方向为“复杂自然环境中基于多源信 息融合的图像跟踪及其预处理研究”。因此论文关注于基于图像的复杂环境中运动 目标的检测、提取和跟踪以及服务于图像跟踪 的图像处理技术的研究。研究的背景和意义研究的背景和意义本研究属于视觉跟踪问题。视觉跟踪研究是计 算机视觉领域中的一个重要研究方向，应用于民 用或军事中的许多领域，主要包括 视频监视 图像压缩（Video Obj

3、ect Plane, VOP） 三维重构等研究的背景和意义研究的背景和意义视频监视研究的背景和意义研究的背景和意义图像压缩（Video Object Plane, VOP）研究现状研究现状已经出现了众多的视觉跟踪算法，为清楚地对 这些方法进行说明，首先对视觉跟踪问题进行分 类，然后介绍处理视觉跟踪问题的两种思路，最 后对具体的视觉跟踪方法进行分类介绍。研究现状研究现状视觉跟踪问题分类。 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红外图像研究现状

4、研究现状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）研究现状研究现状视觉跟踪方法分类。 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）本文的技术路线及创新之处本文的技术路线及创新之处本学位论文研究的目的在于，为建立一个 在复杂自然环境中，基于多源信息融合的视频 图像跟踪系

5、统所进行的相关算法研究 。该系 统能够在无人干涉的情况下对进入视场中的运 动目标自动实施有效地搜索、检测和跟踪。本文的技术路线及创新之处本文的技术路线及创新之处本论文的题目是： 复杂环境中的运动目标检测、提取与跟踪研究复杂环境中的运动目标检测、提取与跟踪研究 这里，所谓复杂环境是指运动目标所处的背 景中有各种自然景物如山、树、建筑物等等， 并不是在简单背景下对运动目标实施跟踪，而 所谓的简单背景如文字识别时的背景是白纸， 晴朗天空中飞行的飞机的背景是蓝天等等均匀 背景的情况。本文的技术路线及创新之处本文的技术路线及创新之处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

6、对视觉跟 踪的一般处理过程示意图如下预 处 理预 处 理运 动 检 测运 动 检 测目 标 分 类目 标 分 类目 标 跟 踪目 标 跟 踪图 像 序 列图 像 序 列本文的技术路线及创新之处本文的技术路线及创新之处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 目标跟踪-基于CPM的快速跟踪算法返回目录第二章基于局部多结构元素数学 形态学的图像预处理第二章基于局部多结构元素数学 形态学的图像预处理?问题的提出问题的

7、提出 ?数学形态学的基本原理数学形态学的基本原理 ?基于视觉模型的灰度突变像素点的确定基于视觉模型的灰度突变像素点的确定 ?基于局部多结构元素数学形态学的图像消噪算法基于局部多结构元素数学形态学的图像消噪算法 ?用于边缘检测的推广算法用于边缘检测的推广算法 ?小结小结问题的提出问题的提出图像预处理用于消除图像噪声，提高图像质 量，从而方便后续处理。已经有许多图像消噪算 法。典型的算法是，利用中值滤波消除椒盐噪 声，利用维纳滤波消除高斯噪声。在上述两类噪 声中，椒盐噪声在数字图像中是一种更为常见的 噪声。但是，中值滤波在滤除点状噪声的同时， 也将图像的细节平滑掉了。问题的提出问题的提出针对中值滤

8、波算法的不足，已提出的算法中 如递进开关中值滤波算法，基于方向可调滤波器 的图像消噪算法等需要调整参数，使得算法的推 广性很差；而基于局部极值噪声检测的迭代中值 滤波算法在椒盐噪声不是很高的情况下效果不好。 针对这些不足提出一种基于局部多结构元素数学 形态学的消噪算法。数学形态学的基本原理数学形态学的基本原理二值形态学 灰度形态学基于视觉模型的灰度突变像素点 的确定基于视觉模型的灰度突变像素点 的确定图像中的区域可以分为平坦区域，细节部分和 噪声点三类。平坦区域的像素灰度基本上比较相 似，而细节部分和噪声点像素都是图像中灰度变 化剧烈的部分，但是细节部分如图像边缘的形态 分布和噪声点的形态分布

9、又不相同。因此，在进 行图像消噪过程中，首先找出灰度突变的像素 点，然后对这些像素点进行多结构元素形态学操 作，从而能够减少大量的运算量，同时有效的剔 除噪声点，保留图像细节。基于视觉模型的灰度突变像素点 的确定基于视觉模型的灰度突变像素点 的确定通常的处理方法是针对整幅图像选取一个固定 的全局阈值，但是，如果阈值取得过高，会造成 噪声的漏检；而如果阈值取得过低，则在检出大 量噪声的同时，也会检出大量的虚假边缘，从而 增大了算法的运算量。为此提出一种基于视觉模 型的阈值选择策略。基于视觉模型的灰度突变像素点 的确定基于视觉模型的灰度突变像素点 的确定设有一亮度为I+I的光斑，其周围背景亮度 为

10、I，只有当I大于某一个值时，该光斑才能在 背景亮度为I的条件下被观察到基于视觉模型的灰度突变像素点 的确定基于视觉模型的灰度突变像素点 的确定式中，a和b如上图所示，小于a的区域为低暗 区，大于b的区域为高亮区，a和b 之间为中间区。 I为背景亮度灰度值，、和C为待定参数。I为所 定阈值。灰度级为256级。 =bIbIaIaICII,10,25610 基于视觉模型的灰度突变像素点 的确定基于视觉模型的灰度突变像素点 的确定结合基于视觉模型的阈值选择策略的Sobel算法实 验结果比较基于局部多结构元素数学形态学 的图像消噪算法基于局部多结构元素数学形态学 的图像消噪算法早期利用数学形态学进行消噪

11、处理时，只采用 一种结构元素进行,不利于信号几何特征的保持。 近几年，更多的是采用多个结构元素进行。通过 对多个结构元素性能的分析，总结出如下图所示 的8种结构元素作为判断梯度突变像素点是否为 噪声像素点的依据，基于局部多结构元素数学形态学 的图像消噪算法基于局部多结构元素数学形态学 的图像消噪算法算法分为两步： 步骤1步骤1：选择图像中的灰度突变像素点。 步骤2步骤2：在灰度突变像素点处进行多结构元素二 值形态学的腐蚀操作，以确定该像素点是否为噪 声点，若是噪声点，则在该点处进行中值滤波， 否则保留该像素点。基于局部多结构元素数学形态学 的图像消噪算法基于局部多结构元素数学形态学 的图像消噪

12、算法实验结果一：基于局部多结构元素数学形态学 的图像消噪算法基于局部多结构元素数学形态学 的图像消噪算法实验结果二：用于边缘检测的推广算法用于边缘检测的推广算法将基于局部多结构元素形态学的图像消噪算法 经过推广可以用于图像的边缘检测。尤其在对含 有脉冲噪声的图像进行边缘提取时，推广算法不 仅可以在消除图像噪声的同时，将图像的边缘提 取出来，而且由于只对梯度发生变化的像素点进 行操作，从而省去了大量没有必要的运算。用于边缘检测的推广算法用于边缘检测的推广算法由于处理问题的不同，在利用局部多结构元素形 态学进行边缘检测时所采用的多结构元素与进行 图像消噪处理时有所不同，定义以下4个方向上 的4种结

13、构元素。用于边缘检测的推广算法用于边缘检测的推广算法用于边缘检测的推广算法步骤如下： 步骤1步骤1：选择图像中的梯度突变像素点。 步骤2步骤2：在梯度突变像素点处进行多结构元素二 值形态学的腐蚀操作，以确定该像素点是边缘点 还是噪声点，若是噪声点则滤除，若是边缘点则 保留。 步骤3步骤3：采用棋盘距离，求取边缘图像。用于边缘检测的推广算法用于边缘检测的推广算法部分实验结果比较：第一行图像从左到右依次为1）lena原图；2）加入10%椒盐噪声图像； 3）Sobel算子对原图的结果；4）Sobel算子对噪声图像的结果。 第二行图像从左到右依次为1）本文算法对原图的结果；2）本文算法对噪声图像的结果

14、； 3）Canny算子对原图的结果；4）Canny算子对噪声图像的结果。小结小结图像预处理过程中，对于图像的消噪是一个研 究的热点问题。本章提出了一种基于局部多结构 元素数学形态学的图像点状噪声的消噪算法。仿 真结果表明，该算法能够很好的滤除受噪声污染 的图像中的孤立噪声点，同时保留了图像的细节 部分，提高了图像的信噪比。 同时将该消噪算法进行了推广，用于进行图像 的边缘检测。对含有脉冲噪声的图像进行边缘提 取时，推广算法可以在消除图像噪声的同时，将 图像的边缘提取出来。返回目录第三章 复杂环境中的运动目标检测第三章 复杂环境中的运动目标检测?问题的提出问题的提出 ?相关工作相关工作 ?基于像

15、素灰度归类的背景重构算法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） ?小结小结问题的提出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

16、动检测。 ?基于背景差的运动检测。问题的提出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