模型建立與求解

1、1模型法背景建模 本文對于背景建模采用非模型方法，其關(guān)鍵在于灰度值選取的假設(shè)規(guī)則。本文采用混合高斯背景建模方法。用K個高斯模型來描述背景像素值的分布。它的基本思想是，對于緩慢變化的背景，可以用正態(tài)分布來表征像素灰度值的變化。每一個背景像素的值都可以通過多個正態(tài)分布的加權(quán)和來描述。所有背景建模算法的目標(biāo)都是建立能夠有效地描述背景變化的模型。相應(yīng)地，衡量背景模型有效性的主要標(biāo)準(zhǔn)是模型對動態(tài)背景的魯棒性。混合高斯模型考慮到背景運動的多模型，因此較之其他算法具有對動態(tài)背景更好的魯棒性。下面以灰度視頻為例來描述混合高斯模型的算法流程。對于彩色圖像，只需要對各個顏色通道分別建立混合高斯模型即可。 假設(shè)背景

2、靜止不動，理論上只需要一個整數(shù)值就足以描述某背景圖像像素點的灰度變化。考慮到存在外界噪聲，如攝像機噪聲等因素，可以用一個高斯分布N切，動來描述某像素點x的灰度統(tǒng)計信息。N恤，動就是單高斯背景模型，其中包含兩個模型參數(shù)，均值尸與標(biāo)準(zhǔn)差6。即使對于靜止的背景，其成像灰度也會隨著時間的推移而逐漸發(fā)生緩慢的變化，這就要求我們所建立的背景模型的參數(shù)必須隨著時間不斷更新。為了適應(yīng)背景變化，必須實時地更新模型參數(shù)。以參數(shù)尸為例，可以使用如下公式實現(xiàn)模型參數(shù)更新。式中，為t時刻的均值，a為更新率，x為t時刻二像素點的灰度值。 單高斯模型通常只適合于一些靜態(tài)不變場景，如室內(nèi)場景，的背景建模，對于動態(tài)場景無法獲得

3、準(zhǔn)確的背景模型。而基于背景運動通常是多模的這一觀點，采用多個高斯模型來模擬背景更加符合實際?；旌细咚鼓Ｐ停褪鞘褂脁個高斯模型(x取3到s>來模擬某個像素點的灰度分布情況。我們以像素點二為例，在像素點x的混合高斯模型定義為前景分割后處理的基本流程圖如圖所示獲取當(dāng)前幀與背景幀的差分圖像 增加閱值控制消除部分噪點 形態(tài)學(xué)處理 獲取較清晰運動圖像 我們首先采用形態(tài)學(xué)的處理方法，先對前景圖像進(jìn)行膨脹操作，再對圖像進(jìn)行腐蝕操作。處理完成后可填補部分空洞，但仍不可避免一些存在運動物體被割裂的情況。這類問題主要可以分為兩類，一類問題是在提取的前景物體中存在孔洞，檢測時會誤認(rèn)為有多個目標(biāo)存在，如圖2.1

4、1-(a)所示;另一類問題是一個物體被分割成兩個物體，二者不連通，如圖2.12-(a)所示。 對于圖2.11-(a)所示的第一類問題，只需要判斷兩運動物體的相對位置，當(dāng)判斷出一運動物體被另一運動物體包圍時，則認(rèn)為是孔洞造成的，不將其列入運動物體序列;對于圖2.12-(a)所示的第二類問題，將所檢出的前景前后物體伸縮一定像素值，若伸縮后與另一前景物體相交，且邊界上的相交像素點百分?jǐn)?shù)大于一閡值，則認(rèn)為這兩個前景物體是同一個運動物體。 通過改進(jìn)的自適應(yīng)參數(shù)更新背景建模，并經(jīng)過f值處理、形態(tài)學(xué)處理和前景圖像融合等一系列后處理，可以得到一幅較為清晰的、噪點較少的運動物體圖像，供后續(xù)處理過程使用。陰影去除

5、 在2.1節(jié)背景建模和2.2節(jié)運動物體分割、并完成后處理后，我們實現(xiàn)了對前景運動物體的提取工作。能夠從圖像序列中提取出運動物體是后續(xù)一切處理工作的基礎(chǔ)，而不準(zhǔn)確地或是錯誤地提取出運動物體則會嚴(yán)重妨礙后續(xù)流程的處理工作(Sun et al, 2010 ) a 由于陰影區(qū)域與背景區(qū)域的差異，它會被劃分成運動物體，加之其運動軌跡幾乎完全與運動物體軌跡一致，且具有邊緣的茹連，在很多時候，他都會被算法判斷成是運動物體的一部分。這種誤劃分會導(dǎo)致運動物體外輪廓的畸形，運動物體所占圖像像素點數(shù)的劇增以及多個運動物體的茹連，直接影響后續(xù)處理的效果。綜上，去除陰影區(qū)域是運動物體檢測和分類過程中很重要的一個步驟。陰

6、影檢測和去除的現(xiàn)有成果主要可以分為兩大類，如圖2.13所示。由圖可見，陰影檢測和去除方法主要可以分為兩大類:基于特征的方法和基于模型的方法(Zha et al, 2007 )?；谔卣鞯姆椒ㄓ挚梢苑譃槿N:提取RGB空間中特征的方法、提取HSv空間中特征的方法以及提取紋理特征的方法。 RGB空間的方法的優(yōu)點在于計算量小，但是在低分辨率圖像中，顏色特征并不明顯，此時RGB空間方法就失效了，需要對RGB空間進(jìn)行變化，變成HSV空間再進(jìn)行處理。HSV空間是用色度、飽和度和明度三個值來描述一幅圖像的顏色信息。這種基于HSV空間特征的陰影方法基于一個假設(shè):陰影區(qū)域內(nèi)的明度值會明顯低于非陰影區(qū)域內(nèi)的明度值

7、，但是陰影區(qū)域內(nèi)外色度值幾乎不變?；贖SV空間的陰影檢測 HSV空間是指由色度(hue H )、飽和度(saturation S)和明度(value V )三個值來表示的顏色空間。HST顏色空間實際上是對RGB空間描述的顏色進(jìn)行變換，把顏色描述在圓柱坐標(biāo)系內(nèi)。圓柱的中心軸取值為自底部的黑色到頂部的白色，在它們的中間是灰色。繞這個軸的角度對應(yīng)于“色度”，到這個軸的距離對應(yīng)于“飽和度”，而沿著這個軸的高度對應(yīng)于“明度”。這種對RGB空間的重新排列，試圖使得這種描述對亮度信息更加敏感，也顯得更加直觀?；贖SV空間的陰影檢測方法基于以下假設(shè):2.4.2基于運動估計的運動物體跟蹤 視頻圖像序列是由在

8、時間上相互間隔為幀周期的一系列圖像構(gòu)成的，交通視頻的幀率一般是25f/s至30f/s，可見幀周期一般為1/25s到1/30s。在攝像機固定不動的場景中，以這樣的幀率采集的相鄰兩幀乃至數(shù)幀圖像之間的變化程度都不會很大。也就是說出現(xiàn)在當(dāng)前幀中的運動物體很有可能在隨后幾幀中都出現(xiàn)在圖像中相近的位置上，這就給我們進(jìn)行運動物體運動估計創(chuàng)造了條件。 基于運動估計的跟蹤方法，通過采用卡爾曼濾波思想，對物體在下一幀中出現(xiàn)的位置進(jìn)行預(yù)測，再通過計算下一幀中運動物體區(qū)域和預(yù)測區(qū)域的重合情況來判斷二者是否匹配。其流程圖如圖2.18所示。預(yù)估的運動物體出現(xiàn)區(qū)域的吻合程度來判斷這二者是不是同一個運動物體，從而完成對其的跟蹤。 從圖2.18中可以看出，在計算第N+1幀中運動物體區(qū)域和預(yù)測區(qū)域的重合比例之后，如果比例不能滿足閡值要求，我們并不立刻判斷該運動物體已離開檢測區(qū)域，而是繼續(xù)以物體消失時的速度繼續(xù)估計物體在N十2, N+3等接下來幀中可能出現(xiàn)的位置，若物體再度出現(xiàn)，則仍認(rèn)為匹配，若連續(xù)消失的幀數(shù)大于一定閡值，才認(rèn)為物體A消失。 在運動估計的運動物體跟蹤方法中加入閡值控制，是由于交通視頻實際應(yīng)用中的