數(shù)字視頻處理論文(共18頁)

1、數(shù)字視頻處理(chl)論文分割(fng)視頻序列中行人的方法綜述 為了檢測行人的任務(wù)，人們通常需在執(zhí)行具體的行人檢測算法前對目標圖像進行一些有效的預(yù)處理。視頻圖像預(yù)處理可以去除或減少視頻圖像中的噪聲和雜波，提高傳輸給主處理器的圖像質(zhì)量和信噪比，減少需處理的數(shù)據(jù)量。一般的圖像預(yù)處理思路可歸納為：通過對原始視頻圖像進行某些操作，如從空間(kngjin)域或頻率域進行某種變換或計算，增強圖像中潛在的行人目標，抑制圖像中的背景雜波和噪聲，提高目標的檢測概率，降低虛警概率，從而改善系統(tǒng)的總體性能。現(xiàn)已提出了多種目標圖像預(yù)處理方法，且這些方法是各具特點的。如在空間域中有：高通模板濾波、中值濾波、數(shù)學(xué)形態(tài)學(xué)

2、濾波和局部標準差濾波等；在頻率域中有：理想高通濾波、Butterworth高通濾波、高斯(o s)高通濾波和小波模預(yù)處理方法等。1 視頻序列圖像的目標檢測算法從歷史上來看，各國研究人員都提出了多種檢測算法并獲得應(yīng)用，這些方法的分類也相互不同。首先最簡單的分類，考慮到檢測算法中使用到的被測圖像序列幀的數(shù)目，可分為單幀檢測算法和多幀檢測算法；然后考慮到檢測算法執(zhí)行時被測目標的狀態(tài)，可分為運動目標檢測和靜止目標檢測；最后，可根據(jù)整個系統(tǒng)運行時檢測過程與跟蹤過程的前后順序可以分為“先檢測后跟蹤”算法（即DBT算法，Detect Before Track）和“先跟蹤后檢測”算法（即TBD算法，Track

3、 Before Detect）?！跋葯z測后跟蹤”（DBT，Detect Before Track）算法，主要有自適應(yīng)運動檢測方法、差分法、小波變換方法和光流法等，主要是先利用目標的像素檢測出目標，然后計算得到目標的運動軌跡；“先跟蹤后檢測”（TBD，Track Before Detect）算法，主要有多級假設(shè)檢測的方法、動態(tài)規(guī)劃方法和基于高階相關(guān)的方法等，主要是先進行一次掃描后，并將結(jié)果存儲，然后對假設(shè)軌跡包含的點做相關(guān)的處理，使得沒有信息損失，經(jīng)過一段時間，得到檢測結(jié)果與目標軌跡。根據(jù)目前公開發(fā)表的文獻中介紹，此處我們將目標檢測(jin c)算法分為“先檢測后跟蹤（DBT）”類檢測(jin

4、c)算法和“先跟蹤后檢測（TBD）”類檢測(jin c)算法兩大類來研究。1.1 典型的DBT目標檢測算法經(jīng)典的DBT目標檢測算法較為清晰分解了單幀目標初檢測和多幀目標確定這兩項任務(wù)，所以從宏觀上說，將不同的圖像預(yù)處理及單幀目標分割算法與不同的多幀目標運動軌跡確定算法組合起來，就可以構(gòu)成適合于不同具體研究對象的DBT目標檢測算法。目標單幀初檢測（圖像分割）圖像在去除背景干擾后，接下來的任務(wù)是從含白噪聲的圖像中分割出可能的目標像素點。清華大學(xué)的章毓晉教授結(jié)合算法實現(xiàn)的原理和方式將圖像分割技術(shù)劃分為：（1）并行邊界分割技術(shù)，實現(xiàn)的方法有：1）微分算子邊緣檢測；2）邊緣擬合；3）基于哈夫變換的邊緣檢

5、測；4）利用切線信息的亞像素目標邊緣檢測。（2）串行邊界分割技術(shù)，實現(xiàn)的方法有：1）邊界跟蹤；2）曲線擬合；3）狀態(tài)空間搜索；4）動態(tài)規(guī)劃。（3）并行區(qū)域分割技術(shù)，實現(xiàn)的方法有：1）基于像素值的閾值分割；2）基于區(qū)域性質(zhì)的閾值分割；3）基于坐標位置的閾值分割；4）特征空間聚類；5）連通區(qū)域標記。（4）串行區(qū)域分割技術(shù)，實現(xiàn)的方法有：1）區(qū)域增長；2）分裂合并；3）松弛迭代法。（5）結(jié)合特定理論工具的分割技術(shù)，實現(xiàn)的方法有：1）基于形態(tài)學(xué)的分割方法，如邊緣的形態(tài)檢測，區(qū)域的形態(tài)提取，水線區(qū)域分割等；2）借助統(tǒng)計模式識別方法的分割方法，如基于特征統(tǒng)計的分割，最大化后驗概率的貝葉斯統(tǒng)計方法；3）利用

6、神經(jīng)網(wǎng)絡(luò)的分割方法；4）基于信息論的分割方法，如交叉熵分割函數(shù)，類內(nèi)最小交叉熵閾值化分割，類間最大交叉熵閾值化分割；5）基于模糊集合和邏輯的分割技術(shù)：類間最大模糊散度閾值化分割，類內(nèi)最小模糊散度閾值化分割，模糊 C 一均值聚類分割；6）基于小波分析和變換的分割技術(shù)，如多尺度邊緣檢測，多分辨率閾值選取等；7）利用遺傳算法的分割技術(shù)，如基于閾值曲面的二維遺傳算法，基于模糊隸屬度曲面的二維遺傳算法。下面選取主要的基于單幀紅外圖像的圖像分割方法說明如下：（1） 閾值法 依據(jù)分割閾值將目標從背景中分割出來，通常是成像跟蹤(gnzng)算法中必須首先解決的一個重要環(huán)節(jié)，它包括閾值計算和目標分割兩個過程。能

7、否有效地提取出目標，問題的關(guān)鍵是尋找一個合理的閾值。閾值的選取有固定閾值和自適應(yīng)閾值兩種方法，閾值法又可以分為全局閾值法和局部閾值法。全局閾值法：經(jīng)濾波后的背景噪聲近似(jn s)看作是高斯白噪聲，可使用全局門限分割算法。設(shè)輸入圖像為，門限(mnxin)處理后的圖像為，令門限為Th(k)，則有：式中，Th(k)是隨序列圖像的變化而自適應(yīng)改變的。即： 其中，為加權(quán)值，的選擇范圍為3一5，mean(k)、var(k)分別表示第k幀經(jīng)抑制背景起伏后的圖像灰度均值和方差，設(shè)輸入圖像的大小為N1N2，則圖像均值和方差可表示為： 經(jīng)過上述的閾值處理以后，得到一個去除背景干擾和弱噪聲的目標圖像，這時，可能除

8、了目標，還有強噪聲點。 局部閾值法：設(shè)f (i,j)周圍的33方陣中灰度值為E= f (i,j)，經(jīng)過3x3的高通濾波后，該點灰度值變?yōu)?，則： 此方法的關(guān)鍵是值的確定，提出了一種自適應(yīng)確定方法，即=|均值一標準方差| /標準方差。通過將高通濾波后的目標與它周圍的背景作自適應(yīng)門限比較可以很好地分割出點目標，這樣既可以解決由單純的自適應(yīng)門限造成的預(yù)選點過多，又可解決單純的高通濾波，當目標出現(xiàn)在強噪聲下分割不出來的弊病。（2） 最大距離(jl)法 直方圖分割法中的最大距離(jl)法是一種簡單有效的圖像分割方法。它的基本思想是：在直方圖取值范圍內(nèi)，任一灰度級可將直方圖分為左右兩部分，如果這兩部分的灰度

9、均值與總體的灰度均值相距最大，則該灰度級就取為分割門限。假設(shè)(jish)紅外圖像總的灰度級為L，在l灰度級處有nl個像點，則總的像點數(shù)為，令l灰度級處的概率Pl接近于頻率，則。在任一灰度級處將直方圖分割成左、右兩部分，于是我們有：左邊部分：；右邊部分：，它們發(fā)生的概率和分別為： 因為總體灰度均值為： 所以若令 (1) (2) 則它們分別是集合和集合的灰度均值，于是有： (3)進一步，令 (4)則(1)式可化為 (5)考慮到,所以式(2)可表示為： (6)由(3)、(4、(5)和(6)式可以看出，對于0一L灰度級之間的任一灰度級，可以計算出 、和?，F(xiàn)在，定義一個均值距離測度為至和至距離的加權(quán)之和

10、，即： (7)將(5)和(6)式代入(7)式中，并考慮(kol)到，則(7)式可簡化為： 分割(fng)的準則是使為最大值的灰度級作為圖像分割的門限值。圖像中凡是灰度值小于分割門限的像點，均認為是背景中的點，并加以濾除。反之，則認為是潛在目標區(qū)域(qy)中的點，予以保留。（3） 類間方差法 類間方差門限法是OTSUR從最小二乘法的原理推導(dǎo)而來的，他認為將圖像分割后的類內(nèi)方差應(yīng)該具有最小值，類間方差應(yīng)該具有最大值。 設(shè)門限t將C分為兩組，；產(chǎn)生的概率為：產(chǎn)生的概率為：產(chǎn)生的概率為：產(chǎn)生的概率為：其中為整幅圖像的灰度平均值，是門限值為t時的灰度平均值，所以全部采樣灰度的平均值為：類間方差定義為：

11、最佳門限值： （4） 基于(jy)局部熵的圖像分割 熵是信息論中事件出現(xiàn)(chxin)概率的不確定性的量度，它能有效反映事件包含的信息，用圖像熵值作目標分割是一種有效的手段。對于背景圖像而言，由于其紋理特性是確定的，所以其熵值應(yīng)該是確定的。當圖像中出現(xiàn)目標時，圖像的紋理特性被破壞，其熵值會發(fā)生變化。對于紅外圖像點目標而言，點目標對整幅圖像的熵值貢獻較小，可能會認為是噪聲被淹沒，對檢測幫助不大。況且，對整幅圖像進行熵值計算時間開銷太大，不利于實時處理。在局部窗口內(nèi)，目標引起的灰度變化，可能會引起局部熵值有較大的變化，這樣就容易檢測目標的存在。設(shè)f(x,y)為圖像(t xin)中點(x,y)處灰度

12、，顯然f(x,y)o，對于一幅MN大小的圖像，定義：式中，為該圖像的熵；為圖像灰度分布。如果MN是圖像的局部窗口，則稱為圖像的局部熵。 局部熵反映了圖像灰度的離散程度，在局部熵大的地方，圖像灰度相對較均勻；局部熵小的地方，圖像灰度離散性較大，而與圖像灰度的均值無關(guān)，所以可以根據(jù)圖像的局部熵把相對均勻的小目標分割出來。由于局部熵是窗口內(nèi)多像素點共同的貢獻，對于單點噪聲不敏感，所以局部熵本身具有一定的濾波效果。最后在局部熵數(shù)組中搜索最小局部熵值，當最小局部熵值小于給定判決閾值時，最小局部熵值位置即為目標所處位置。 在檢測過程中，最小局部熵值判決根據(jù)實際情況而定，一般條件下應(yīng)小于背景紋理的局部熵值，

13、即由在沒有目標時的紋理圖像的局部熵統(tǒng)計最小值作為閾值，這樣當出現(xiàn)局部熵統(tǒng)計最小值作為閾值，這樣當出現(xiàn)局部熵小于最小統(tǒng)計局部熵時，說明有目標存在。但該算法涉及對數(shù)運算，計算量大，實時性比較差。1.2 典型(dinxng)的TBD目標檢測(jin c)算法 TBD 算法流程概括起來(q li)包含三個步驟 ：一是背景抑制，通過各種單幀圖像背景抑制算法，或通過濾波將紅外圖像低頻和高頻部分進行分離，提高信噪比，盡可能抑制原始圖像中的低頻背景雜波干擾；二是可疑目標跟蹤，利用相鄰幾幀中目標的運動信息來分割可能目標，從背景抑制后的圖像中分割出少量候選目標進行跟蹤；三是目標檢測，利用序列圖像中目標運動的連續(xù)性

14、和軌跡的一致性，進一步排除虛假目標，從候選目標中檢測出真正的目標。 這里所謂的“先跟蹤”是指先根據(jù)小目標運動速度和運動方向等運動特性，預(yù)測和跟蹤(求取)所有可能的目標運動軌跡；而相應(yīng)的“后檢測”是指根據(jù)目標的短時灰度特性、目標像素大小和目標能量變化特性來求取各條軌跡的后驗概率。如果某條軌跡的后驗概率大于某一個門限值，則就可認為該軌跡對應(yīng)于一個真實的運動小目標。以下是幾種具有代表性的TBD目標檢測算法。基于三維匹配濾波器的TBD目標檢測算法 基于如下兩條假設(shè)：（a）在短時間內(nèi)目標亮度保持不變；（b）在短時間內(nèi)目標以恒定速率做直線運動，Reeds等將經(jīng)典的空間二維匹配濾波理論推廣到三維圖像序列中，

15、構(gòu)造得到一類三維匹配濾波器。如果可以預(yù)知目標的運動速率和方向，則匹配濾波器在速度匹配的情況下能使輸出的信噪比達到最大，從而能在低信噪比條件下檢測出恒速運動的弱小目標。但實際問題中，我們往往不知道目標運動的具體速率，所以在實際問題中我們必須先假設(shè)可能存在的多種速率，然后針對每一種假設(shè)設(shè)計一個速度匹配濾波器。由于三維匹配濾波器設(shè)計復(fù)雜且濾波器的參數(shù)計算量大，所以并不適于在要求一定實時性的實際系統(tǒng)中使用?；趧討B(tài)規(guī)劃的TBD目標檢測算法 二十世紀五十年代初，美國數(shù)學(xué)家Bellman在處理多階段決策問題時，提出了動態(tài)規(guī)劃(Dynamic Programming)的思想，其基本思路是把多變量的復(fù)雜優(yōu)化問

16、題轉(zhuǎn)化為多單變量的組合優(yōu)化問題。 對于低信噪比下做直線運動的小目標軌跡，動態(tài)規(guī)劃法的計算量小，并且能夠表現(xiàn)出良好的檢測效果。但當目標速度難于預(yù)知(y zh)時，計算過程中所需速度窗參數(shù)無法確定?；?jy)多級假設(shè)檢驗的TBD目標檢測(jin c)算法若將背景像素點看作互不相關(guān)的高斯白噪聲隨機變量，則圖像序列中的目標運動軌跡可看做是一個（或數(shù)個）由數(shù)目龐大的候選軌跡組成的樹形結(jié)構(gòu)中篩選出來。所謂多級假設(shè)檢驗算法，就是在圖像序列中這個樹形結(jié)構(gòu)的每一層上用假設(shè)檢驗的方法對結(jié)構(gòu)做出刪節(jié)修正，以隨時去掉沒有通過檢驗的樹，達到控制運算量和存儲量的目的。此類算法具有同時檢測出多個做不同方向直線運動目標能力

17、。但在低信噪比條件下，由于候選軌跡的起始點數(shù)非常多，所以常導(dǎo)致算法計算量迅速增加。同時，樹狀結(jié)構(gòu)要求在系統(tǒng)的內(nèi)存中維持一個復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，所以說該算法的多目標檢測能力的擴充是以犧牲內(nèi)存為代價的。（4） 基于求差法的方法求差法是利用當前圖像幀的值和參考圖像的值按像素點的方式進行相減來完成對運動目標的檢測。圖像的值可以采用像素點的灰度值或梯度值。相減的結(jié)果反映了當前幀圖像和參考圖像不同的像素點，包括運動目標和噪聲。按采用的參考圖像不同，求差法可分為幀差法和背景差法。幀差法的參考圖像是當前幀的前一幀，或前幾幀的結(jié)合；而背景差法采用的參考圖像是當前場景的一個參考背景圖像，幀差法：幀差法需要存儲前一幀圖

18、像，然后用實時提取的后一幀與前一幀對應(yīng)像素點做差，或者是間隔幾幀之間對應(yīng)像素點做差。做差之后會形成一個差值圖像，有些是因為光照不均勻而形成的噪聲，有些是目標的位置，所以需要對差值圖像進行閾值處理，將噪聲去除掉，挑選出目標，也即標定目標的位置。如果某點的像素值小于設(shè)定的閾值，則說明該點像素變化不大，所以將其歸背景，否則就是目標像素。通常情況下采集到的視頻，如果比較相鄰兩幀圖像，則可以發(fā)現(xiàn)其中背景部分的像素大小大部分都保持不變。而有前景目標移動的部分，相鄰幀之間的像素大小差異就比較大。幀差法就是利用一序列視頻圖像中相鄰幀做相減的運算，從而提取出運動目標的信息。幀差法在運動目標檢測方面，對于動態(tài)環(huán)境

19、背景表現(xiàn)出較強的自適應(yīng)性，但缺點是一般不能完整地提取出目標所有相關(guān)的特征像素點，這樣就容易會在運動目標區(qū)域內(nèi)部產(chǎn)生空洞現(xiàn)象，只能夠檢測到運動目標的邊緣和輪廓。而且，當運動的目標突然停止運動時，一般使用幀差法會失去效果。 幀差法進行目標檢測的基本過程為：用輸入圖像像素點減去之前某幀圖像對應(yīng)像素點，得到差，取絕對值，然后選擇合適的閾值，把絕對值大于閾值的像素認為是目標像素點；反之，則認為是噪聲或是背景(bijng)像素點。其數(shù)學(xué)表達式如式(8)，(9)所示： (8) (9)式(8)中，fk(x, y)代表(dibio)第k幀圖像(t xin)某點像素值，fk-s(x, y)表示保存的第k-s幀圖像

20、對應(yīng)點像素值，s為間隔的幀數(shù)，一般取13，在本課題中取為1。然后再利用式(9)，對式(8)所得到的絕對值進行閾值分割（閾值為T），得到的結(jié)果Rk(x, y)是一個二值圖像。顯然，式(9)中T的值將直接影響檢測效果，閾值T的大小通常情況下取決于所檢測目標視頻圖像的特點。背景差法：背景相減法的原理是首先提取背景圖像，然后用當前圖像與背景圖像作差，即可得到目標的大致區(qū)域，然后對得到的差分結(jié)果圖像進行二值化和形態(tài)學(xué)處理。它的優(yōu)點在于，一般情況下能夠提供相對比較完整的目標的特征，但缺點在于，對于動態(tài)的背景條件下，如光照情況或是外來物體產(chǎn)生的干擾等，也十分敏感。就現(xiàn)在的研究現(xiàn)狀來看，背景提取比較典型的建模

21、方法有平均法、中值法、運動平均法、高斯背景模型、混合高斯模型等。 平均法就是取一定的視頻幀數(shù) N ，將這些視頻圖像進行累加，最后用累加的視頻圖像除以 N 取平均即可得到背景圖像。假設(shè)進行I 幀圖像累加，以對應(yīng)像素點電壓值按其功率關(guān)系相加，其一般表達式如式(10)： (10)式(10)中，Vi、Vj是幀間對應(yīng)(duyng)像素的圖像信號電壓幅值，Cij是圖像信號(xnho)之間的相關(guān)系數(shù)而且有。平均法計算簡單(jindn)，數(shù)據(jù)量小，但是如果 N 太小則會把目標疊加到背景上。中值法是對一段時間內(nèi)的視頻圖像的各個像素點進行排序，然后選取中值作為該點的背景像素值，中值法需要先存儲n幀圖像，計算機內(nèi)存

22、消耗較大。運動平均法是先提取一幅視頻圖像，然后將后續(xù)的圖像逐漸疊加到這幅圖像上一次來實現(xiàn)背景的提取，其實也就是背景的更新。本文中采用的是一種自適應(yīng)背景估計IIR濾波方法，如式(11)所示： (11)式(11)中，fk表示第k幀圖像，Bk表示第k幀圖像的背景，Bk-1表示第k-1幀圖像的背景， 表示背景更新率。 值的選取是運動平均濾波法效果的關(guān)鍵，它表示了在目標檢測過程中以多快的速率消除前面的幀所產(chǎn)生的影響。在得到第k幀圖像的背景Bk后，減去當前幀圖像fk，得到的差值取絕對值，最后進行閾值分割，即可得到運動目標。高斯分布是一種最常見的概率分布模型，自然科學(xué)中很多隨機變量都服從高斯分布，因此在數(shù)據(jù)

23、量較大的圖像處理領(lǐng)域經(jīng)常用它來描述例如噪聲，像素灰度等變量。高斯背景模型更新就是對高斯分布均值和方差這兩個參數(shù)的更新。高斯背景模型對每個背景點上的顏色分布相對不是很分散的場合即簡單的圖像建模效果較好，而且隨著光照、目標的運動和改變等都將影響目標檢測的效果?；旌细咚鼓Ｐ突旌夏Ｐ兔枋鱿袼刈兓^程，不同于高斯背景模型，它是若干高斯概率密度的加權(quán)和。該方法的原理如下：圖像灰度直方圖反映的是圖像中某個灰度值出現(xiàn)的頻次，是圖像概率密度的估計。如果圖像所包含的目標區(qū)域和背景區(qū)域相比比較大，且背景區(qū)域和目標區(qū)域在灰度上有一定差異，那么該圖像的灰度直方圖呈現(xiàn)雙峰-谷形狀，其中一個峰對應(yīng)于目標，另一個峰對應(yīng)于背景

24、的中心灰度。對于比較復(fù)雜的醫(yī)學(xué)圖像一般是多峰的。將直方圖的多峰特性看成是多個高斯分布的疊加，便可解決圖像的分割問題。首先定義視頻中的某個像素點(x0, y0)的分布模型，設(shè)當視頻運行到t時刻，該像素點的取值可用集合X1, , Xt = I(x0, y0, i) : 1 i t表示，其中I為視頻中某幀?？梢允褂肒個高斯模型來近似該像素點的所有歷史值，在此基礎(chǔ)上得到的當前時刻像素值的概率如式12所示： (12)式中k,t表示(biosh)該像素點在t時刻(shk)，第k個高斯(o s)模型的權(quán)值，且滿足，k,t的大小體現(xiàn)了該像素點使用此高斯模型表示像素值時的可靠程度。k,t表示t時刻第k個高斯模型

25、的均值，k,t表示t時刻第k個高斯模型的和協(xié)方差。K表示使用的高斯模型的個數(shù)，K的大小主要取決于系統(tǒng)的計算能力，通常取35。是高斯概率密度函數(shù)，其定義如式13所示： (13)為了減少計算復(fù)雜度，則定義協(xié)方差矩陣為：k,t = k,t2I。通常情況下，權(quán)值k,t比較大，而方差k,t比較小的模型被認為是與背景匹配的模型，這是因為，當一個新的物體出現(xiàn)在背景場景中，它就遮擋住了一部分的背景，此時，當前的所有選用的高斯模型中都不存在與之相匹配的模型，就導(dǎo)致必須產(chǎn)生一個新的高斯模型或是加大己知模型中一個模型的方差，并且如果運動物體未停止，那它的方差總大于背景像素點所有值的方差。為了能在混合模型中找到匹配背

26、景的模型，首先要將所有的高斯模型按照/的大小進行排序，當其中某個高斯模型收集到更多有關(guān)于背景的信息時，方差就會減小，/值就會增大。重新計算得到混合模型的各個參數(shù)以后，匹配的模型和候選的背景分布模型得到了另一次排序，使得最有可能是背景的模型被排到了最前面，而最沒有可能是背景的模型則被排到了最后，然后重新選擇前B個模型，計算得到背景模型，其如式14所示： (14)式中，T表示最小模型個數(shù)度量。如果T取值較小，背景模型則會被認為是單峰的；如果T的值選得較大，背景模型則會被認為是多峰的。在運行過程中，需要不斷更新混合高斯模型，對于每個像素點的值來說，首先檢查是否與混合模型中的某個模型匹配，檢查方法如下

27、：for k = 1 to Kif Xt k,t k,t then matchedelse unmatched其中(qzhng) 的值取決于背景中的噪聲(zoshng)，通常取值為2.5，即當新像素值的大小與現(xiàn)有模型的均值(jn zh)之差小于該模型的方差的2.5倍時，認為新像素與該模型匹配，否則認為不匹配。檢測完是否匹配以后，如果發(fā)現(xiàn)新像素值的大小與現(xiàn)有某個模型匹配，那么增加該模型的權(quán)值k,t的大小，減小該模型的方差k,t的大小，并重新計算均值k,t；但如果新的像素值出現(xiàn)與現(xiàn)有任意模型都失配，則生成一個新的高斯模型，并將其置于模型隊列的最后面。（5）基于光流的方法光流法一般假設(shè)：1) 運動物

28、體表面平坦，圖像的反射模式除了在有限個點上不連續(xù)外，圖像的灰度函數(shù)處處平滑；2) 物體表面入射光均勻；3) 在小的時間間隔內(nèi)，運動物體上某點的亮度不變；4) 物體沒有被遮擋。在這種假設(shè)條件下，圖像中灰度模式的運動將直接由物體表面相應(yīng)點的運動確定，由此可以導(dǎo)出瞬時速度場(光流場)，然后根據(jù)光流場進行運動的檢測。Horn 等指出光流計算存在病態(tài)解問題，必須引入附加條件才能確定光流的唯一解；Bimbo 等提出了兩種計算光流場的新方法，并和其他光流場計算方法進行了比較。Horn-Schunck的光流計算方法使用全局約束方法，全局約束的方法是假定光流在整個圖像范圍內(nèi)滿足一定的約束條件。首先導(dǎo)出光流計算方

29、程。假定圖像上某點在時刻t的灰度值為，在經(jīng)過時間間隔后，對應(yīng)點的灰度值為，當時，則可認為這兩點的灰度值保持不變，也就是： (15)如果圖像灰度值隨緩慢變化，可以將是式(15)式左邊泰勒級數(shù)展開： (16)其中代表二階無窮小項。由于，可忽略，得到： (17)令，各代表(dibio)方向(fngxing)上的光流，分別代表圖像(t xin)灰度相對于的偏導(dǎo)，式(17)可以寫成： 18)式(18)即為光流場的基本方程。寫成向量形式，即： (19) 其中是圖像在點m處的梯度，是點m的光流。式(19)就是光流約束方程，是基于梯度的光流計算算法的基礎(chǔ)。但僅僅是光流約束方程并不能唯一確定圖像的光流場，在此需

30、要引入另外的約束條件。在Horn-Schunck算法中提出了平滑性約束。平滑性約束的表述就是圖像上任一點的光流都不是獨立的，而是在整個圖像范圍內(nèi)平滑變化。因此Horn-Schunck算法引入的約束條件是一種全局約束的方法。首先設(shè)平滑性約束項為極小化： (20)要求極小化： (21)于是，綜合式(20)和式(21)式，得到光流應(yīng)該滿足式(22)： (22)這里的取值要考慮圖中的噪聲情況，如果噪聲較強，說明圖像數(shù)據(jù)本身的置信度較低，需要更多的依賴光流約束，所以可以取較大的值；反之，取較小的值。為了滿足式(22)，對u和v分別求導(dǎo)，令導(dǎo)數(shù)等于0。計算得到： (23) (24)式(23)，(24)稱為

31、Euler方程。如果令和分別表示u鄰域和v鄰域中的均值，并令和，則式(23)和(24)改寫成： (25) (26)從上式解得： (27) (28)式(27)和(28)提供(tgng)了用迭代法求解u和v的基礎(chǔ)。實際(shj)中，常用松弛迭方程進行求解： (29) (30)其中(qzhng)k是循環(huán)數(shù)，和是初始值，可以取為0。和是局部平均，為權(quán)重系數(shù)，根據(jù)導(dǎo)數(shù)求取的精確度確定。 根據(jù)以上步驟就可以求出圖像中每個點x和y方向上的光流值。在圖像中，無運動目標經(jīng)過的區(qū)域，光流場的值為0，而運動目標流過的區(qū)域，光流場的值則不為0，這樣就可以標記出目標區(qū)域。光流法的理論和算法存在以下幾方面的問題：約束方程

32、只有在梯度很大的點上才嚴格成立；計算的不穩(wěn)定性；運算量大；難以實時實現(xiàn)等。上述問題限制了光流法的理論和算法的應(yīng)用。（6）其余方法另外，Roth等引入Hopfield神經(jīng)網(wǎng)絡(luò)對做直線運動的目標對象實施檢測，Liou等使用高階相關(guān)（High order correlation）法來檢測復(fù)雜波背景中的目標等。參考文獻：1 楊磊，復(fù)雜背景條件下的紅外小目標檢測與跟蹤算法研究. D，上海交通大學(xué)圖像處理與模式識別研究，20062 于雪蓮，復(fù)雜背景條件下紅外運動目標的實時探測和跟蹤技術(shù). D，南京理工大學(xué)，20043 陳麗，視頻圖像中感興趣的目標檢測與跟蹤算法(sun f)研究. D，黑龍江大學(xué)(dxu)

33、，20124 趙娟，基于視頻圖像(t xin)的運動目標檢測和跟蹤. D，中北大學(xué)，20125 張珊珊，基于紅外掃描圖像的運動目標識別和跟蹤技術(shù)研究. D，武漢理工大學(xué)，20106 王長軍，基于視頻的目標檢測和跟蹤技術(shù)研究. D，浙江大學(xué)，2006.7 Yang Degui Li Xiang Xiao Shunping, Ground Targets Detection and Tracking Based on Integrated Information in Infrared Images. J,20108 邱思琪，紅外復(fù)雜背景條件下低空小目標檢測技術(shù)研究及其工程實現(xiàn). D，國防科技大學(xué)

34、，20099 Song Dan Zhao Baojun Tang Linbo ,A Real-time Middle Wavelength Infrared ulti-target Detection and Tracking Algorithm Based on LoG . J The Tenth International Conference on Electronic Measurement & Instruments,201110 Tan Liu Xiang Li ,Infrared Small Targets Detection and Tracking based on Soft

35、 Morphology Top-Hat and SPRT-PMHT .J 3rd International Congress on Image and Signal Processing,201011 杜峰 施文康 鄧勇 朱振幅, 一種快速紅外圖像分割方法. J,紅外與毫米波學(xué)報,24(3),200512 袁偉才 徐向民, 一種有效的動態(tài)背景提取及更新方法. J,計算機工程與應(yīng)用,46(4),20102關(guān)于分割視頻中行人的方法分析和總結(jié)前文已經(jīng)綜述了目前國內(nèi)外常用的視頻中目標檢測的方法，當然，目標檢測包括行人的檢測。下面我們來看看以上一些行人檢測算法的分析和比較：2.1對于DBT目標檢測算法

36、中的幾種分割算法 最大距離法和類間方差法均適應(yīng)于目標灰度高于背景的情況，但對暗目標處理的效果不太好；基于局部熵的圖像分割法對不同目標大小和信噪比的圖像均產(chǎn)生很好的分割效果，且受目標大小的影響小，可用于小目標分割，但由于其涉及對數(shù)運算，運算速度慢，但對相鄰幀取差后的圖像處理，實時性還可以。2.2對于TBD目標檢測算法上述(shngsh)各種典型的 TBD 方法均是通過對多幀圖像的相關(guān)處理，利用目標的運動特性，沿目標軌跡進行能量積累，提高信噪比，達到檢測弱小目標的目的。它們(t men)的不同點是軌跡相關(guān)方法不同，確認準則不同。這些方法的缺點是大部分算法結(jié)構(gòu)較復(fù)雜，存儲量大，運算量大。但隨著芯片工藝和硬件結(jié)構(gòu)的改善，算法在芯片上的處理速度會越來越快，TBD 算法將是最好(zu ho)的選擇。其中我們目前做目標檢測中最常用的就是求差法，求差法包括幀差法和背景