【正文】 l Ll l ll 1 l 1 l l 1μ λ (l ) lP lP lP??? ? ? ??? ? ? ?? ? ?1 11μ (l ) [μ λ(l )]P (l )?????0μ考慮到 ,所以式 ()可表示為： 由 ()、 (、 ()和 ()式可以看出，對于 0— L灰度級之間的任一灰度級 l? ， 1μ μ可以計算出 、 和 D(l)??，F(xiàn)在，定義一個均值距離測度 0μ μ1μ 和 為 至 1μ 至 距離的加權(quán)之和，即： 220 0 1 1D ( l ) P ( l )[μ ( l ) μ ] P ( l )[μ ( l ) μ ]? ? ? ? ?? ? ? ? () () 紅外圖像的目標檢測及跟蹤 ? 將 ()和 ()式代入 ()式中，并考慮到 01P (l ) P (l ) 1????，則 ()式可簡化為： 2000[ λ (l ) μ P (l ) ]D (l ) ( 2 .1 6 )P (l ) [1 P (l ) ]???? ? ?D(l)? l?分割的準則是使 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)域中的點，予以保留。 紅外圖像的目標檢測及跟蹤 ? 典型的 TBD目標檢測算法 ? TBD 算法流程概括起來包含三個步驟 ：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。 紅外圖像的目標檢測及跟蹤 ? 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，預測和跟蹤 (求取 )所有可能的目標運動軌跡；而相應的 “ 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。 紅外圖像的目標檢測及跟蹤 ? 基于多級假設檢驗的 TBD目標檢測算法 ? 若將背景像素點看作互不相關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。 紅外圖像的目標檢測及跟蹤 ? 基于光流的方法 ? 光流法一般假設： 1) 運動物體表面平坦，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。在這種假設條件下，圖像中灰度模式的運動將直接由物體表面相應點的運動確定，由此可以導出瞬時速度場(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。光流法的理論和算法存在以下幾方面的問題：約束方程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用。 紅外圖像的目標檢測及跟蹤 ? 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， 紅外圖像的目標檢測及跟蹤 ? ① 幀差法：幀差法需要存儲前一幀圖像，然后用實時提取的后一幀與前一幀對應像素點做差，或者是間隔幾幀之間對應像素點做差。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。 紅外圖像的目標檢測及跟蹤 ? ② 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)學處理。就現(xiàn)在的研究現(xiàn)狀來看，背景提取比較典型的建模方法有平均法、中值法、運動平均法、高斯背景模型、混合高斯模型等。 紅外圖像的目標檢測及跟蹤 ? ③ 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。平均法計算簡單，數(shù)據(jù)量小，但是如果 N 太小則會把目標疊加到背景上。 紅外圖像的目標檢測及跟蹤 ? ④ 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)存消耗較大。 紅外圖像的目標檢測及跟蹤 ? ⑤ 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。 紅外圖像的目標檢測及跟蹤 ? 高斯分布是一種最常見的概率分布模型，自然科學中很多隨機變量都服從高斯分布，因此在數(shù)據(jù)量較大的圖像處理領域經(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。 紅外圖像的目標檢測及跟蹤 ? 總的來說， DBT算法思路簡單而直接，計算量少，實時性能較好，檢測效果對于前階段圖像預處理效果的依賴性較強，適合于處理信噪比較高（ ≧ 3）場合下的目標檢測問題；而 TBD算法理論上較為完善，更適于處理低信噪比條件下弱小目標的檢測問題，但由于需先對目標的運動軌跡進行跟蹤，所以算法的實時性將受到影響。 紅外圖像的目標檢測及跟蹤 ? 混合高斯模型原理及實現(xiàn)： ? 混合高斯模型就是用多個 (一般為 3到 5個 )高斯概率密度函數(shù) (正態(tài)分布曲線 )精確地量化事物，將一個事物分解為若干的基于高斯概率密度函數(shù) (正態(tài)分布曲線 )形成的模型。 ? 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。各個像素點在 t時刻的概率值為各像素值在每個高斯分布中產(chǎn)生的概率的加權(quán)和，即 紅外圖像的目標檢測及跟蹤 1( ) ( ) ( 。 。 )K kkkP x w e ig h t k f x u ??? ? ?()weight k K。( 。 )kkf xu ? kuk?( | )PB x( | )PBx11( | ) ( ) ( | )( | )( | ) ( )Kk k kkKkkkP x G P G P B GP B xP x G P G?????其中， 個高斯分布的權(quán)重， 為所用高斯分布的個數(shù)， k是均值為 ，標準差為 的高斯概率密度函數(shù)。 當前像素點屬于背景的概率為 ， 如下式表示： () () 為第 紅外圖像的目標檢測及跟蹤 ? 根據(jù)概率統(tǒng)計知識可以推出像素值 x在第 K個高斯分布中的概率： ( , ) ( | ) ( )k k kP x G P x G P G?因此上式可以表示為如下形式： 11( , ) ( | )( | )()KkkkKkP x G P B GP B xPx?????上式中的 ( | )kPB G 表示第 K 個高斯分布代表背景的概率，可用下式表示： 1( | )1 kkk aw bP B G e ??? ?? ?() () () 紅外圖像的目標檢測及跟蹤 ? 其中 a,b值根據(jù)實際情況設定?；旌细咚鼓Ｐ驮诔绦蛑械木唧w實現(xiàn)過程如下： ? 由于一幅彩色圖像有三個通道 R,G,B構(gòu)成，因此，先將每個通道提取出來，得到由 R,G,B三個分量各自組成的三幅灰度圖像，然后對三幅圖像分別用如下方法進行更新。 紅外圖像的目標檢測及跟蹤 ? 首先初始化 K個高斯模型，在新一幀圖像獲得后更新混合高斯模型。通過判斷新一幀圖像的每個像素點與前一幀圖像每個像素點的差值是否小于 threshold倍標準差 (其中 threshold為人為設定的閾值，一般設定為 )。如果小于則判定為符合分布，反之則不符合。如果至少有一個高斯分布符合分布則按照如下方法對高斯分布進行更新： 紅外圖像的目標檢測及跟蹤 ? 對符合的高斯分布按下式更新權(quán)重，均值和方差 ? 權(quán)重更新公式： ? ?( ) 1 ( 1 )w e ight t w e ight t??? ? ? ? ? () t 表示當前幀， 1t? 表示前一幀 , ? 表示更新速度； ? ?( ) 1 ( 1 )m e an t m e an t im ag e da ta??? ? ? ? ? ?均值更新公式： () imagedata 表示當前幀的像素值； 方差更新公式： ? ? ? ? 222 ()( ) 1 ( 1 ) im