【正文】 背景為中心的方法中，這樣效果較好。 壓縮感知跟蹤（ Compressive Tracker） 壓 縮感知跟蹤概述 通過稀疏感知理論可以知道，通過一個(gè)滿足 RIP 條件的非常稀疏的測(cè)量矩陣對(duì)原圖像特征空間做投影，就可以得到一個(gè)低維壓縮子空間。這樣就實(shí)現(xiàn)了從 t 幀到 t+1 幀的目標(biāo)跟蹤。所以我們通過稀疏測(cè)量矩陣去提取前景目標(biāo)和背景的特征，作為在線學(xué)習(xí)更新分類器的正樣本和負(fù)樣本，然后使用該樸素貝葉斯分類器去分類下一幀圖像的目標(biāo)待測(cè)圖像片（感知空間下） ,這就是所謂的壓縮感知跟蹤 ,其過程如下： （ 1）在 t 幀的時(shí)候，采樣得到若干張目標(biāo)（正樣本）和背景（負(fù)樣本）的圖像片，然后對(duì)他們進(jìn)行多尺度變換，再通過一個(gè)稀疏測(cè) 量矩陣對(duì)多尺度圖像特征進(jìn)行降維，然后通過降維后的特征（包括目標(biāo)和背景，屬二分類問題）去訓(xùn)練樸素貝葉斯分類器。 但是，算法需要大量的建模和更新時(shí)間，則使得速度相對(duì)緩慢了。 對(duì)第 m 個(gè)高斯模型分量的均值和方差的更新： ),(),()1(),(1 yxIyxyx tmtmt ???? ???? （ ） 222 1 )),(),((),()1(),( yxyxIyxyx mtttt mm ????? ???? ?? （ ） 對(duì)于未匹配的高斯分布，不做更新。當(dāng)像素值 It(x, y)符合第 m 個(gè)高斯分布時(shí)，算法將在 t+1 時(shí)刻對(duì)該像素的各高斯分布的各個(gè)參數(shù)做相應(yīng)更新，方法如下。 圖 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 26 混合高斯背景模型的更新 在一段時(shí)間內(nèi)，已建立的混合高斯模型是適用的。 當(dāng)各個(gè)像素的混合高斯模型建立后，便可通過此模型來匹配當(dāng)前幀各像素是否為背景。同時(shí)，使用 混合高斯模型方法，可以分別對(duì)彩色圖像的 R、 G、 B 分量分別建立模型，使算法適應(yīng)于對(duì)彩色圖像下的運(yùn)動(dòng)目標(biāo)跟蹤，能充分利用目標(biāo)的顏色信息。若當(dāng)前幀中像素的特征與對(duì)應(yīng)像素點(diǎn)的背景高斯模型相匹配，則此點(diǎn)被判定為背景；否則，此點(diǎn)為前景目標(biāo)的一部分。其中，以高斯分布背景建模及其改進(jìn)方法使用最為廣泛。而 cood_book 算法目前并不成熟，在實(shí)際應(yīng)用中，遠(yuǎn)不及混合高斯模型應(yīng)用廣泛。如梁勇提出的用多方位形態(tài)學(xué)結(jié)構(gòu)元素進(jìn)行邊緣檢測(cè)算法既具有較好的邊緣定位能力，又具有很好的噪聲平滑能力。 可見，二值形態(tài)膨脹與腐蝕可轉(zhuǎn)化為集合的邏輯運(yùn)算，算法簡(jiǎn)單，適于并行處理，且易于硬件實(shí)現(xiàn)，適于對(duì)二值圖像進(jìn)行圖像分割、細(xì)化、抽取骨架、邊緣提取、形狀分析。 先腐蝕后膨脹的過程稱為開運(yùn)算。 用 B（ x） 對(duì) E 進(jìn)行腐蝕的結(jié)果就是把結(jié)構(gòu)元素 B 平移后使 B 包含于 E 的所有點(diǎn)構(gòu)成的集合。 腐蝕效果圖如下圖 所示： 圖 ： })(:{ ????? EYBYBEY （ ） 上式表明用 B 膨脹 E 的過程是，先對(duì) B 做關(guān)于原點(diǎn)的映射，再將其 映象平移 x，這里 E 與 B 映象的交集不為空集。換句話說，用 E 來腐蝕 A 得到的集合是 B 完全包含在 E 中時(shí) B 的原點(diǎn)位置的集合。 在形態(tài)學(xué)中，結(jié)構(gòu)元素是最重要最基本的概念。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 20 效果如下圖 所示： 圖 腐蝕與膨脹處理 數(shù)學(xué)形態(tài)學(xué)中二值圖像的形態(tài)變換是一種針對(duì)集合的處理過程。所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為 255 表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值為 0，表示背景或者例外的物體區(qū)域。 效果如下圖 所示： 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 19 圖 二值化處理 圖像的二值化處理就是講圖像上的點(diǎn)的灰度置為 0 或 255，也就是講整個(gè)圖像呈現(xiàn)出明顯的黑白效果。對(duì)于一維情況，中值濾波器不影響階躍函數(shù)和斜坡函數(shù)，并可以有效地消除單、雙脈沖，使三角函數(shù)的頂端變平；對(duì)于二維情況，中值濾波的窗口形狀和尺寸對(duì)濾波器效果影響很大。 效果如下圖 所示 圖 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 18 中值濾波處理 中值濾波原理 中值濾波的基本思想是用象素點(diǎn)鄰域灰度值的中值來代替該象素點(diǎn)的灰度值，對(duì)于奇數(shù)個(gè)元素，中值是指按大小排序后中間的數(shù)值；對(duì)于偶數(shù)個(gè)元素，中值是指排序后中間兩個(gè)元素灰度值的平均值?；叶葓D像的描述與彩色圖像一樣仍然反映了整幅圖像的整體和局部的色度和亮度等級(jí)的分布和特征。 上述， IplImage 的結(jié)構(gòu)被定義在 Intel Image Processing Library(圖像處理庫 )中，OpenCV 是其中的一個(gè)自己，對(duì)于結(jié)構(gòu)體的更詳細(xì)的信息請(qǐng)參考 OpenCV 的技術(shù)手冊(cè)。//圖像數(shù)據(jù)大小 char *imageData。當(dāng)該值非空只對(duì)該區(qū)域進(jìn)行處理 struct _IplImage *maskROI。//0:頂 左結(jié)構(gòu)， 1:底 左結(jié)構(gòu) int width。//大多數(shù) OPENCV 函數(shù)支持 1,2,3 或 4 個(gè)信道 int alphaChannel。 OpenCV 中常用數(shù)據(jù)結(jié)構(gòu)體系 OpenCV 設(shè)計(jì)了一些基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)類型和一些幫助數(shù)據(jù)類型。 圖像標(biāo)注（線、二次曲線、多邊形、畫文字） OpenCV 模塊： cv – 主要的 OpenCV 函數(shù)。 攝像頭定標(biāo)（發(fā)現(xiàn)與跟蹤定標(biāo)模式、定標(biāo)、基本矩陣估計(jì)、齊次矩陣估計(jì)、立體對(duì)應(yīng)）。 矩陣和向量的操作以及線性代數(shù)的算法程序（矩陣積、解方程、特征值以及奇異值等）。 OpenCV 是用 C/C++編寫的開源計(jì)算機(jī)視覺庫。 OpenCV 對(duì)非商業(yè)應(yīng)用和商業(yè)應(yīng)用都是免費(fèi) （ FREE） 的。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 14 第三章 軟件平臺(tái) OpenCV 簡(jiǎn)介 OpenCV 是 Intel 資助的開源計(jì)算機(jī)視覺庫。 簡(jiǎn)單地說，壓縮感知理論指出：只要信號(hào)是可壓縮的或在某個(gè)變換域是稀疏的，那么就可以用一個(gè)與變換基不相關(guān)的觀測(cè)矩陣將變換所得高維信號(hào)投影到一個(gè)低維空間上，然后通過求解一個(gè)優(yōu)化問題就可以從這些少量的投影中以高概率重構(gòu)出原信號(hào)，可以證明這樣的投影包含了重構(gòu)信號(hào)的足夠信息。整個(gè)學(xué)習(xí)過程可以被看作是一個(gè)獨(dú)立的離散的動(dòng)態(tài)過程模型，并且在該過程模型下能夠發(fā)現(xiàn)學(xué)習(xí)器所能夠帶來的效果提升。學(xué)習(xí)器估計(jì)出檢測(cè)器的錯(cuò)誤，并及時(shí)更新檢測(cè)器，以避免后續(xù)再出現(xiàn)這些錯(cuò)誤。因此需要提出了一個(gè)全新的跟蹤框架 （ TLD） 。 (2)(3)(4)(2)如是反復(fù)循環(huán)，即完成了目標(biāo)的動(dòng)態(tài)跟蹤。 （ 4）重采樣階段 Resampling 既然是做目標(biāo)跟蹤，一般說來，目標(biāo)是跑來跑去亂動(dòng)的。每只小白鼠計(jì)算它所處的位置處圖像的顏色特征，得到一個(gè)色調(diào)直方圖，向量 Vi，計(jì)算該直方圖與目標(biāo)直方圖的相似性。小白鼠有很多種放法。 具體地流程如下： （ 1）初始化階段 提取跟蹤目標(biāo)特征 該階段要人工指定跟蹤目標(biāo)，程序計(jì)算跟蹤目標(biāo)的 特征，比如可以采用目標(biāo)的顏色特征。所以說粒子濾波較之蒙特卡洛濾波，計(jì)算量較小。 經(jīng)過步驟三后，我們又重新獲得了這一時(shí)刻的校正值，后面就不斷循環(huán)步驟二和步驟三即可完成 Kalman 濾波過程。H 為 Kalman 類初始化給定的測(cè)量矩陣。 (3)調(diào)用 Kalman 這個(gè)類的 correct 方法得到加入觀察值校正后的狀態(tài)變量值矩陣，其公式為： ))(39。(pr kuBkxAkxkxs t a t ee d i c t e d ????? （ ） 其中 x(k1)為前一狀態(tài)的校正值，第一個(gè)循環(huán)中在初始化過程中已經(jīng)給定了，后面的循環(huán)中 Kalman 這個(gè)類內(nèi)部會(huì)計(jì)算。 在這個(gè)理論框架中，有兩個(gè)公式一定要懂，即： kkkk wuBxAx ????? ?1 （ ） kkk vxHz ??? （ ） 第一個(gè)方程為系統(tǒng)的運(yùn) 動(dòng)方程，第二個(gè)方程為系統(tǒng)的觀測(cè)方程，學(xué)過自控原理中的現(xiàn)代控制理論的同學(xué)應(yīng)該對(duì)這 2 個(gè)公式（ 與 ）很熟悉。 卡爾曼跟蹤算法 Kalman 濾波理論主要應(yīng)用在現(xiàn)實(shí)世界中個(gè)，并不是理想環(huán)境。光流的研究是利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時(shí)域變化和相關(guān)性來確定各自像素位置的“運(yùn)動(dòng)”。 跟蹤視線內(nèi)運(yùn)動(dòng)狀態(tài)物體的方法 基于光流跟蹤算法 流的概 念是 Gibson 在 1950 年首先提出來的。 codebook 算法 該算法為圖像中每一個(gè)像素點(diǎn)建立一個(gè)碼本，每個(gè)碼本可以包括多個(gè)碼元，每個(gè)碼元有它的學(xué)習(xí)時(shí)最大最小閾值，檢測(cè)時(shí)的最大最小閾值等成員。 到這里為止，混合高斯模型的建?；就瓿?。 混合高斯模型使用 K（基本為 3 到 5 個(gè)）個(gè)高斯模型來表征圖像中各個(gè)像素點(diǎn)的特征 ,在新一幀圖像獲得后更新混合高斯模型，用當(dāng)前圖像中的每個(gè)像素點(diǎn)與混合高斯模型匹配 ,如果成功則判定該點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。而建模正是背景目標(biāo)提取的一個(gè)重要環(huán)節(jié)。如果圖像所包含的目標(biāo)區(qū)域和背景區(qū)域相比比較大，且背景區(qū)域和目標(biāo)區(qū)域在灰度上有一定的差異，那么該圖像的灰度直方圖呈現(xiàn)雙峰 谷形狀，其中一個(gè)峰對(duì)應(yīng)于目標(biāo)，另一個(gè)峰對(duì)應(yīng)于背景的中心灰度。其實(shí) 2D 速度矢量就是可見的 3D 速度矢量在平面上的一個(gè)投影，給圖像中的每個(gè)像素一個(gè)速度的矢量，從而形成一個(gè)圖像的運(yùn)動(dòng)場(chǎng)，每時(shí)每刻圖形上的點(diǎn)都 與 3D 立體物體上的點(diǎn)一一對(duì)應(yīng)，即投影關(guān)系就是 2D 轉(zhuǎn)換到 3D 的兩者間的關(guān)系，根據(jù)速度矢量的特征，從而分析動(dòng)態(tài)情況。不適用于攝像頭運(yùn)動(dòng)的情況。 定位運(yùn)動(dòng)狀態(tài)物體即對(duì)于視線范圍中運(yùn)動(dòng)物體的檢測(cè)，主要措施分為兩種：宏觀檢測(cè)法以及微觀檢測(cè)法。 MATLAB: MATLAB 是矩陣實(shí)驗(yàn)室 （ Matrix Laboratory） 之意。 HALCON 源自學(xué)術(shù)界，它有別于市面一般的商用軟件包。它包含了超過 500 個(gè)函數(shù)來實(shí)現(xiàn)用于圖形處理和基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 5 計(jì)算機(jī)視覺方面的通用算法。研究的主要方向?yàn)閺?fù)雜環(huán)境中的運(yùn)動(dòng)物體的跟蹤算法以及模型定位。 針對(duì)于計(jì)算機(jī)視覺技術(shù)廣闊的發(fā)展前景，很多發(fā)達(dá)國家都早已瞄準(zhǔn)了這個(gè)應(yīng)用市場(chǎng)，并且開展了大量的相關(guān)技術(shù)項(xiàng)目的開發(fā)和研究。 （ 2） 在簡(jiǎn)單場(chǎng)景下，分析目標(biāo)物體是相對(duì)比較簡(jiǎn)單的。為了有效的完善計(jì)算機(jī)對(duì)數(shù)據(jù)處理已經(jīng)應(yīng)用的能力，人們開始研究計(jì)算機(jī)視覺技術(shù)，從最初的人工智能的子方向，計(jì)算機(jī)視覺技術(shù)作為一個(gè)完整的研究領(lǐng)域已經(jīng)活躍了長(zhǎng)達(dá) 40 年之久。其研究方向的實(shí)質(zhì)是：針對(duì)連續(xù)的圖像中，一幀幀圖像的差分比較，提取出不同的部分，根據(jù)圖像的分割技術(shù)，就可以提取出每幀圖像的不同部分，即運(yùn)動(dòng)的物體，同時(shí)根據(jù)數(shù)學(xué)算法和函數(shù)就可以針對(duì)于運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別和跟蹤了。生活中，人們所看到的一切連續(xù)活動(dòng)的場(chǎng)景，實(shí)際上就是一系列連續(xù)變化的模擬圖 像組成的。而計(jì)算機(jī)工業(yè) 水平的飛速提高以及人工智能、并行處理和神經(jīng)元網(wǎng)絡(luò)等學(xué)科的發(fā)展，更促進(jìn)了計(jì)算機(jī)視覺系統(tǒng)的實(shí)用化和涉足許多復(fù)雜視覺過程的研究。 60 年代， Roberts(1965)通過計(jì)算機(jī)程序從數(shù)字圖像中提取出諸如立方體、楔形體、棱柱體等多面體的三維結(jié)構(gòu)，并對(duì)物體形狀及物體的空間關(guān)系進(jìn)行描述。因?yàn)樗坏梢蕴峁┠繕?biāo)的運(yùn)動(dòng)軌跡，也為場(chǎng)景中運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)分析、場(chǎng)景分析提供了可靠的數(shù)據(jù)來源。相信在不久的將來，擁有高級(jí)視覺系統(tǒng)的智能電子產(chǎn)品會(huì)給人們的 生活帶來更大的方便?？梢哉f所有人都有這么一個(gè)期盼，人機(jī)之間的交流可以像人與人之間的交流一樣暢通和友好。 隨著日益發(fā)展成熟的計(jì)算機(jī)自身的視覺技術(shù) ，以及日益顯現(xiàn)的計(jì)算機(jī)視覺技術(shù)的光明未來，綜合應(yīng)用與計(jì)算機(jī)視覺技術(shù)的處理軟件程序相繼的研發(fā)，能夠預(yù)期到期在現(xiàn)代以及未來的各個(gè)尖端的技術(shù)領(lǐng)域中將開拓出越來越大的應(yīng)用市場(chǎng)。計(jì)算機(jī)視覺（ Computer Vision, CV） 是一門研究如何讓計(jì)算機(jī)達(dá)到人類那樣“看”的學(xué)科。 詳細(xì)闡述了基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)的動(dòng)態(tài)物體檢測(cè)系統(tǒng)的設(shè)計(jì)方案、工作原理、以及實(shí)現(xiàn)。本文在研究了計(jì)算機(jī)視覺技術(shù)的基礎(chǔ)上，針對(duì)于運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤在未來的發(fā)展，提出了一套基于 OpenCV 視覺庫的檢測(cè)、跟蹤視線范圍內(nèi)動(dòng)態(tài)物體的檢測(cè)系統(tǒng)，以達(dá)到模擬人眼的識(shí)別、追蹤、分類功能。 ：任 務(wù)書 、 開題報(bào) 告、外文 譯 文、 譯 文原文（ 復(fù) 印件）。 作者 簽 名： 日期： 年 月 日 學(xué) 位 論 文版 權(quán) 使用授 權(quán)書 本 學(xué) 位 論 文作者完全了解 學(xué) 校有 關(guān) 保留、使用 學(xué) 位 論 文的 規(guī) 定，同意 學(xué) 校保留 并 向 國 家有 關(guān) 部 門 或機(jī) 構(gòu) 送交 論 文的 復(fù) 印件和 電 子版，允 許論 文被 查閱 和借 閱 。 作者 簽 名： 日 期： 學(xué) 位 論 文原 創(chuàng) 性 聲 明 本人 鄭 重 聲 明：所呈交 的 論 文是本人在 導(dǎo)師 的指 導(dǎo) 下 獨(dú) 立 進(jìn) 行 研究所取得的 研 究成果。畢業(yè)設(shè)計(jì) （ 論 文）原 創(chuàng) 性 聲 明和使用授 權(quán)說 明 原 創(chuàng) 性 聲 明 本人 鄭 重承 諾 ：所呈交的 畢業(yè)設(shè)計(jì) （ 論 文），是我 個(gè) 人在指 導(dǎo)教師 的指 導(dǎo) 下 進(jìn) 行