【正文】 cy content analysis, divides goals and so on human, animal and vehicles, and gives each goal the behavior and the movement description, judges the thunderbolt the occurrence, and has policymaking behaviors and so on following the technology has included movement aspects and so on goal examination division, extraction, track, target category and behavioral analysis, involves to domain and so on puter vision, pattern recognition and artificial intelligence many core topics. The movement target tracking is an intelligent video frequency supervisory system basic movement goal division goal is withdraws from the sequence image the movement goal change region from the movement goal effective division regarding later period and so on item marking behavior understanding processing is extremely on changes the region examination is in a multitudinous division method kind, this kind of method is through the examination sequence chart picture frame on change region and the invariable region, by carries on the mobile and the static background the division. Based on changes the region examination the method is in considers the image division based on the space and time image brightness and in the gradient information independence movement region. For the noise reduction disturbance, usually all uses the neighboring two examinations to change the region. The division process has the operating parameter model and the operating parameter model method. But this article is needs to study based on the parameter model under the movement goal division main research mixes the model based on Gauss the movement goal division method. 浙江理工大學本科畢業(yè)設計 3 Key word: Movement goal division。 附 錄 ............................................... 39 基于參數(shù)模型的運動目標分割方法研究 第一章 緒論 研究背景及意義 人體目標的視覺分析是把計算機視覺方法應用到傳統(tǒng)的視覺監(jiān)控領域中，用計算機實現(xiàn)人體目標的視覺分析，來提高監(jiān)控系統(tǒng)的智能化，在實際應用方面非常有意義。但是視頻分割技術一直是計算機視覺及多媒體應用中最困難的問題之一。這些區(qū)域常稱為 目標 、目標或前景 (相對 前景來說其他部分稱為背景 )，它們一般對應圖像中特定的、具有獨特性質(zhì)或意義的區(qū)域。要想為分割建立起一個系統(tǒng)的理論架構比較難，其 中的一個原因就是，很難從比舉例更實用的層次去評價一個分割方法。就拿以運動為特征對視頻流進行的運動 目標 分割來說，從幀差法 [ 5]再到光流法以及混合的方法，其中，以 StauLuffeGrimson 的混合高斯模型方法效果最為出眾，以它為基礎進行改進的運動 目標 分割算法應用也最為廣泛 [ 7]。 而 運動目標 分割涉及對視頻內(nèi)容的分析和理解，這與人工智能、圖像理解、模式識別、神經(jīng)網(wǎng)絡和計算機視覺等學科有密切聯(lián)系。目前進行視頻 目標 分割的一般步驟是 :先對視頻圖像數(shù)據(jù)進行預處理以利于分割，這可通過低通濾波、中值濾波、形態(tài)濾波來完成 。 高斯混合模型 本 文主要研究基于參數(shù)模型的運動 目標分割方法，而 參數(shù)模型是指采用某特定形式的 概率密度函數(shù) 來描述語音 特征矢量 在 特征空間 的分布情況以該概率密度函數(shù)的一組參數(shù)作為模型的特征 [6]。參數(shù)模 型是一個很籠統(tǒng)的概念，實際中有著各種各樣的參數(shù)模型，而本文主要以其中的高斯混合模型為基礎，來實際進行操作?，F(xiàn)在我們不知道背景和前景的準確定義，因為什么是背景什么是前景是和具體應用環(huán)境密切相關的，背景和前景的區(qū)分是高層的語義，屬于圖 像理解的層面。同時，從最基本的理論框架開始，對混合高斯模型 算法進行了詳細的分析， 并基于混合高斯模型算法對視頻圖像中的運動目標分割進行研究。然而，眾所周知，圖像分割本身就是一個病態(tài)問題，因為底層數(shù)據(jù)所提供的信息總是少于分割本身所需的信息，所以分割沒有唯一的結果，沒有最優(yōu)的結果，沒有正確的結果，沒有錯誤 的結果，分割應視具體應用的不同而有不同的策略、準則，沒有一個通用的方法。其實很多方法都是復合的方法，最常見的是將運動的特征應用到傳統(tǒng)的圖像分 割中去達到目的，或是將傳統(tǒng)的圖像分割技術 (如形態(tài)學方法 )與運動檢測相結合，要想完全清晰的對各種方法進行分類是一件很困難的事情，業(yè)內(nèi)也沒有一個很好的方法。 差分法 圖像序列又成為動態(tài)圖像，它由一系列圖像組成，它們具有給定的活著假設的相對次序，并給出相鄰圖像獲取的時間間隔關系。 從公式（ ）能看出，圖像序列可以看成具有兩個空域坐標和一個時域坐基于參數(shù)模型的運動目標分割方法研究 標的三維物體，既圖像體，像素被擴展成體素，表示小體積單元的灰度。對后一種情況，處理起來比較復雜，則通常需要進行幀間穩(wěn)像及配準；若采用突出目標的方法，則需要在配準的基礎上進行多幀能量積累和噪聲抑制。 0 。 ( , , ) ( , , )( , ) 1。如果圖像中沒有運動目標，則光流失量在整個圖像區(qū)域是連續(xù)變化的，當物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和鄰域背景速度矢量不同，從而檢測出運動物體的位置。 Snake算法的主要思想是：一條參數(shù)曲線在內(nèi)力和外力的作用下移動到某個能量函數(shù)極小的位置，以此來確定物體的輪廓。 基于統(tǒng)計模型的方法 基于貝葉斯概率統(tǒng)計的運動估計 建立統(tǒng)計模型 [10]。這種算法可以同時完成運動場估計和 目標 分割，但計算量比較大，而且需要選擇合適的特征并建立良好的 目標 特征概率分布模型。 接下來的這種方法是混合高斯模型方法，我將在隨后章節(jié)作詳細分析。簡單來說就是用混合高斯過程來模擬某個點隨時間的變化過程?？梢赃@樣來直觀的理解這個貝葉斯框架 :把某點觀測到的樣本看成是那些不同高斯過程產(chǎn)生的 (看到的顏色是那些不同的物理表面產(chǎn)生的 )，我們首先判斷某個樣本 (某點某時刻的觀測 )是哪個高斯過程產(chǎn)生的，然后再來判斷各個高斯過程哪些是背景過程，哪些是前景過程。因此在解決第二個問題時可以引入一些與應用環(huán)境相關的因子和高層的語義來達到更好的效果。 背景模型 要使用混合高斯模型進行背景分割，只要估計出上述兩個問題中相應的分布率。假設 P(x|Gk,B)=P(x|Gk)某點（ r， c）的背景過程在 t時刻的分布 (直觀點說就是是背景的概率 )[15]可以表示為 : 11( , , ) ( , ) ( | , ) ( | ) ( ) ( | ) ( ) ( | )k k k k kkkM r c t P x B P x B G P G B P B P x G P G P B G??? ? ???（ ） 等號最右邊的表達式表明背景的分布是由原始的混合模型中的高斯部分經(jīng)P(x|r)加權得到的。這相當于一種兩分法，但作為背景的高斯的數(shù)目并不是固定的。然后我們要對 P(x|q)進行估計。有很多早期的工作對這個求解進 行了研究。 當前所有觀測樣本的最大似然函數(shù)可以表示為 1 2 11( , , . . . , , | ) ( | )NN x ktP X X X k f X???? ? 表示某點某時刻的觀測值，當前總共有 N 個觀測值。首先，由于是在線算法，而且實際過程中每一時刻的參數(shù)都可能變化，同時最近的觀測所包含的實際過程的信息量較大，所以要使得參數(shù)能根據(jù)當前的觀測進行更新。定義一個時變的增益二一廠 (就是前面說的時間軸上的學習速率，把 ()簡化為如下的形式 : ? (1 ) ( | , )t t kk t t k t t P k X? ? ? ? ?? ? ? () 上述模型雖然體現(xiàn)了 X 的不平穩(wěn)性，但是有一點不足，當 t很大的時候，模型對新的觀測就會越來越不敏感，然而，相對于舊的觀測來說新 的觀測應該更加重要，這樣才能適應實際模型的變化。 估計當前狀態(tài) 由 ()()可知，通過在線的 EM 方法估計混合高斯模型的參數(shù)歸根到底是要求 P(k|Xt， ? )，這是一個后驗概率，直觀上的意義可以理解為已知某個觀測戈，判斷這個觀測是由第 k 個高斯過程產(chǎn) 生的概率。然而實際中， X 往往很有可能不是由這 K個高斯過程產(chǎn)生的，比如一個從未出現(xiàn)的表面進入了像素的視野。當觀測落在某個高斯分布的 倍標準基于參數(shù)模型的運動目標分割方法研究 偏離 (如果是一維的高斯過程，標準偏離由 ()定義 。ik t tm a tc hM P k Xo th e r w is e ?????? () 如果有兩個或兩個以上的高斯都匹配，則取混合模型中峰值 G 最大的1 2 1 2 2 1 2 11 1 0 1 2 0 2 1 0 2 2 01 m a x ( , )2 2 4amp。在通常情況下， P(k|xt，? )的取值為 1或 0，當僅有一個高斯與觀測匹配時， P(k|xt， ? )的取值非常接近于 l，對于以前從未進入視野的表面來說，這個簡化同樣適用，因為它定義了不匹配的情況。因此，要求混合模型中高斯模型的數(shù)目至少能夠保證隨時有一個高斯處于閑置狀態(tài)可以用來模擬新出現(xiàn)的表面。經(jīng)過權衡，后驗概率的簡化還是相當有益和值得的。 背景分割 這里的背景分割實際上指的就是判斷當前的觀測是前景還是背景。然而， K并不是越大越好，從 （ ）實驗表明，五個模型以上效果就沒有多少改善的余地了。判斷當前觀測與哪一個高斯模型匹配就是前面 。 1a rg m in ( )bbkkBT????? () 至此，整個算法的理論框架及衍變來的實際算法的各個問題都已解決。 假設某隨機向量由兩部分組成 :可見部 分 Z 和隱含部分 c，滿足分布 P=（ C=i,Z|? )。因此看上去在前景部分好 像有許多小的鏤空，而在背景部分有時會出現(xiàn)一些突然出現(xiàn)的噪聲點。 后來有人提出鄰域加權平均法作為改進，給窗口內(nèi)不同位置的像素設不同的權，從而可以減 少模糊性而較好地保留邊緣信息。 中值濾波也是一種典型的低通濾波器，具體來說，是指把以某點 (x， y)為中心的小窗口內(nèi)的所有象素的灰度按順序排列， 將中間值作為 (x， y)處的灰度值 (若窗口中有偶數(shù)個像素，則取兩個中間值的平均。當 1的數(shù)目多于模板中像素數(shù)的一半時，就認為中值為 1，反之，中值為 0。 基于參數(shù)模型的運動目標分割方法研究 連通區(qū)域標定的方法有很多，但本質(zhì)上都是依據(jù)連通性準則，只是不同的方法在不同環(huán)境下計算量不同罷了。第一步之后或是第一步進行的同時，用一個搜索算法處理等價表。 方法 1相對來說最容易被硬件實現(xiàn)，因為它只包含順序的局部計算。方法 3 在執(zhí)行時間方面要快很多，然而，它需要比較大的堆棧來存儲對樹進行的操作。 具體方法 用 b(x， y)表示要進行連通區(qū)域操作的原始二值圖像，其中像素值凡代表前景，凡代表背景。 首次遍歷 :正向遍歷，遍歷時利用等價表分配臨時標記，并把臨時標記傳遞到相鄰的像素，實現(xiàn)快速標記。BBsBF if b x y Fg x y T m m if i j M g x i y j FT x y ot he rw ise????