【正文】 它們格式分別是： cvCreateImage( CvSize size, int depth, int channels )。 define cvZero cvSetZero arr 要被清空數(shù)組 . 函數(shù) cvSetZero 清空數(shù)組 . 對于密集型號數(shù)組 (CvMat, CvMatND or IplImage) cvZero(array) 就相當于 cvSet(array,cvScalarAll(0),0), 對于稀疏數(shù)組所有的元素都將被刪除 . 函數(shù) cvSetZero()僅僅是 cvSet()別名。 2) cv ConvertScale(本程序用的是 cvConvert) 使用線性變換轉(zhuǎn)換數(shù)組 void cvConvertScale( const CvArr* src, CvArr* dst, double scale=1, double shift=0 )。 類型轉(zhuǎn)換主要用舍入和溢出截斷來完成。 3) cvCmpS 比較數(shù)組的每個元素與數(shù)量的關(guān)系 void cvCmpS( const CvArr* src, double value, CvArr* dst, int cmp_op )。, 39。, 39。 or 39。) 否則為 0。 mask 操作掩碼是 8 比特單通道的數(shù)組，它指定了輸出數(shù)組中被改變的元素。函數(shù)也可以用來復制散列數(shù)組（這種情況下不支持 mask）。 double cvGetRealND( const CvArr* arr, int* idx )。 double cvGetReal2D( const CvArr* arr, int idx0, int idx1 )。 如果輸入輸出數(shù)組中的一個是 IplImage 類型的話，其 ROI 和 COI 將被使用。 src 輸入數(shù)組。. 如果元素之間的關(guān)系為真則設置 dst(I)為 0xff (也就是所有的位都為 39。, 39。, 39。 value 用與數(shù)組元素比較的數(shù)量值 dst 輸出數(shù)組必須是 8u 或 8s 類型 . cmp_op 該標識指定要檢查的元素之間的關(guān)系： CV_CMP_EQ src1(I) 等于 value CV_CMP_GT src1(I) 大于 value CV_CMP_GE src1(I) 大于等于 value CV_CMP_LT src1(I) 小于 value CV_CMP_LE src1(I) 小于等于 value CV_CMP_NE src1(I) 不等于 value 函數(shù) cvCmpS 比較數(shù)組元素與數(shù)量并且添充目標復蓋面數(shù)組： dst(I)=src(I) op scalar, 這里 op 是 39。 如果 scale=1, shift=0 就不會進行比例縮放 . 這是一個特殊的優(yōu)化，相當于該函數(shù)的同義函數(shù)名： cvConvert 。該函數(shù)首先對輸入數(shù)組的元素進行比例縮放，然后將 shift 加到比例縮放后得到的各四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 22 元素上，即： dst(I)=src(I)*scale + (shift,shift,...)，最后可選的類型轉(zhuǎn)換將結(jié)果拷貝到輸出數(shù)組。 這些函數(shù)能將數(shù)組的所有通道的所有值設置為指定的參數(shù) value。Image)。 Origin 變量有兩種取值： IPL_ORIGIN_TL 或 OPL_ORIGIN_BL，分別設置坐標原點的位置于圖像的左上角或左下角。 width 和 height 這兩個變量很重要，其次是 depth 和 nchannals。 int BorderMode[4]。 struct _IplTileInfo* tileInfo。 int height。 int dataOrder。 int alphaChannel。這個結(jié)構(gòu)最初被定義為 Intel 圖像處理庫 (IPL)的一部分。 /* 列數(shù) */ endif } CvMat。 int width。 /* data 指針 */ ifdef __cplusplus union { int rows。 int* i。 /* CvMat 標識 (CV_MAT_MAGIC_VAL), 元素類型和標記 */ int step。任何時候需要向量，都只需要一個列矩陣。 2. CvSize 類型與 cvPoint 非常相似，但它的數(shù)據(jù)成員是 integer 類型的 width 和 height。 /* X 坐標 , 通常以 0 為基點 */ int y。 該文件中都是圖像處理 的函數(shù)與數(shù)據(jù)結(jié)構(gòu)。 OpenCV 目錄下還有一個 IPLMAN 的 PDF 文 件，它是 OpenCV 的早期文檔。經(jīng)過多次實驗，得到最佳數(shù)值（見后）。但這些算法沒有充分考慮運動矢量概率分布的方向性，因此，在搜索過程中還需要比較多的搜索點數(shù)[17]。由于這些算法充分考慮了運動矢量概率 (MVP)分布，因此在保持與相當?shù)膱D像質(zhì)量的同時，提高了搜索速度。另外， DS 搜索時各步驟之間有很強的相關(guān)性，模板移動時只需要在幾個新的檢測點處進行匹配計算，所以也提高了搜索速度。搜索共分 5 步， MBD 點分別為 (2， 0)、 (3， 1)、 (4， 2)，使用了 4 次 LDSP 和 l 次SDSP，共搜索了 24 個點。 Step 2:以上一次找到的 MBD 點為中心點，用新的 LDSP 來計算，若 MBD 點位于中心點，則進行 Step 3。另外，統(tǒng)計數(shù)據(jù)表明，視頻 圖像中進行運動估計時，最優(yōu)點通常在零矢量周圍 (以搜索窗口中心為圓心，兩像素為半徑的圓內(nèi) )，如圖 28a 所示。 ① 基本思想 :搜索模板的形狀和大小不但影響整個算法的運算速度，而且也影響它的性能。7 時， FSS 最多需要進行 27 次塊匹配。由于該點處于搜索窗的角上，故用圖 26b 的模板進行搜索，結(jié)果為模板中心點 [2， 41。 Step 3:搜索模式同 Step 2，但最終要進行 Step 4。 Step 2:窗口保持 5x5 大小，但搜索模式取決于上一步的 MBD 點位置。 本思想 :TSS 算法第一步用了 99 的搜索窗，這很容易造成搜索方向的偏離， FSS算法首先采用 55 的搜索窗口，每一步搜索窗的中心移向 MBD 點處，且后兩步搜索窗的大小依賴于 MBD 點的位置。 ④ 算法分析 :CSA 的最大搜索點數(shù)為 5+4lbW，搜索速度很快，但是運動補償?shù)男Ч皇翘?。由當前?MBD 點得到的最佳運動矢量，算法結(jié)束。若步長為 1，則進行 Step 3。 本思想 :CSA 是從原點開始，以 ―‖字形分布的五個點構(gòu)成每次搜索的點群，以 TDL的搜索方法檢測為 MBD 點，僅在最后一步采用 ―十 ‖字形點群。圖 24 中點 [+4， +4]、 [+6，+4]是第一、第二步的最小塊誤差點。 Step 2:將步長減半，中心移到上一步的 MBD 點，重新在中心點及周圍的 8 個點處進行塊匹配計算并比較。 圖 23 二維對數(shù)法過程 (3)三步搜索法 (TSS，而 Three Step Search) 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 11 三步搜索法與 TDL 類似，由于其簡單、健壯、性能良好的特點，已被人們所重視。后來有人提出應該在搜索的每個階段都將步長減半。否則，重復 Step 2。 ② 算法描述 : Step 1:從原點開始，選取一定的步長，在以 ―十 ‖字形分布的五個點處進行塊匹配計算并比較。 ③ 模板及搜索過程圖示 :如圖 22 所示。 (l)全搜索法 (FS， Full Seacrh method) ① 算法思想 :全搜索法也稱為窮盡搜索法，或螺旋向外搜索法，是對搜索范圍內(nèi)所有可能的候選位置計算其 SAD(i， j)值，從中找出最小 SAD，其對應偏移量即為所求運動矢量。 典型的塊匹配算法 在 MPEG24 視頻編碼算法中，運動估計 (ME)的計算量占整個編碼計算量的 2/3 以上 [16]。如四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 9 全搜索法，它對搜索范圍內(nèi)的每一個像素點進行塊匹配運算以得到一個最優(yōu)的運動矢量。 (3)歸一化互相關(guān)函數(shù)： （ 3） 式中 NCCF 的最大值點為最優(yōu)匹配點。在下一節(jié)中將介紹在運動估計常用的一些匹配準則。如果當前塊的各相鄰塊的運動矢量相等，則以其作為當前塊運動矢量的預測值 。序列圖像的運動矢量在空間、時間上具有很強的相關(guān)性。分別求出 當前塊與其相鄰塊間的 SAD 值，然后選取 SAD 最小的塊的運動矢量作為預測值。由于相鄰塊之間和相鄰幀之間具有很強的相關(guān)性，因而許多算法都利用這種相關(guān)性先對初始搜索點進行預測，以預測點作為搜索起點。 初始搜索點的選擇 (1)直接選擇參考幀對應塊的中心位置。本程序主要用基于塊的運動方式開發(fā)出的運動估計算法——塊匹配算法。匹配塊與當前塊之間的坐標位移就是運動矢量，匹配塊與當前塊的對應象素點逐個做差就的到差值塊。 BMA 并不 借助人群中個體的信息，而是通過統(tǒng)計視頻中各宏塊的運動矢量估計出人群整體的運動 [13] 。 在一幅幅復雜的人群圖像中，如果依靠每個步行者的個體信息來估計人群總體的運動，必須要分離出每個個體的運動。 運動估計 運動估計已發(fā)展得較為成熟，最常用于人群監(jiān)控與視頻壓縮編碼。介紹實現(xiàn)該算法的工具 ，并對程序各模塊一一實現(xiàn)； 第 5 章：算法的驗證和評價。 論文組織與結(jié)構(gòu) 第 1 章：緒論。其中第 2 點通過改進模板的方法來減少搜索點數(shù)更是當前的研究熱點，出現(xiàn)了許多算法。 Rourke 等人的人群運動估計的方法都限于低密度人群，如果人群密度較高，出現(xiàn)個體間的相互遮擋使得個體信息提取不全對，就會遇到困難 [9]。在密度估計上主要有Davies， Chow， Marana 等人的方法；在運動估計上主要有 Rourke 等人的方法。要想用精確的數(shù)學模型來描述人群的狀態(tài)和行為非常困難，但我們?nèi)匀豢吹搅艘恍┠軌虮平巳赫鎸嵭袨榈臄?shù)學模型的出現(xiàn)，如 ， Corwd Dynamic Limted 公司依據(jù) AuotCAD 做出了一些建筑設施的設計方案。這種方法雖然解決了建筑物某個入口處的擁擠問題，但是人群很可能又涌向別的入口造成新的擁擠。 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 4 但是這樣做主要有如下缺 點 : ① 不能起到預防的作用。 傳統(tǒng)的保障人群安全的途徑主要有 : 人群的密度估計與運動估計 ① 采用物理方法修正建筑物。 為了更好的進行人群運動估計，前期準備必不可少， 1. 學習圖像處理的基本原理，了解人群監(jiān)控的意義，采集 若干組實驗用視頻序列； 2. 了解現(xiàn)有圖像處理的運動估計方法，學習 OpenCV 視頻處理的基本知識，掌握塊匹配的主要方法，利用 OpenCV 實現(xiàn)塊匹配的原理和技術(shù)。 它包含許多常用的算法，為圖像處理、模式識別、三維重建、物體跟蹤、機器學習和線性代數(shù)提供了各種各樣的算法 [7]。運動估計的估計精度和運算復雜度取決于搜索策略和塊匹配準則。高質(zhì)量的運動估計算法是高效 視頻編碼 的前提和基礎(chǔ)。 運動估計法的基本思想是將圖像序列的每一幀分成許多互不重疊的宏塊，并認為宏塊內(nèi)所有象素的位移量都相同，然后對每個宏塊到參考幀某一給定特定搜索范圍內(nèi)根據(jù)一定的匹配準則找出與當前塊最相似的塊，即匹配塊，匹配塊與當前塊的相對位移即為運動矢量。 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 2 人群監(jiān)控分為人群密度估計和人群運動估計，本文著手解決人群運動估計。隨著智能化技術(shù)的發(fā)展，智能化的人群監(jiān)控技術(shù) 已成為研究的熱點。 現(xiàn)代社會，伴隨經(jīng)濟的發(fā)展 ,各種高層建筑、地下建筑和大型商 業(yè)娛樂設施也越來越多 ,同時出入或圍繞這些建筑物的人群也在加大，一旦擁擠人群發(fā)生突發(fā)事件 ,容易造成群死群傷事故，因此必須考慮到人群的安全問題。 智能化人群監(jiān)控是智能視頻監(jiān)控研究中的一個重要課題，它作為智能監(jiān)控中的一項關(guān)鍵技術(shù)，在人群管理、公共場所設計、虛擬環(huán)境建模、視覺監(jiān) 控、智能環(huán)境模擬等方面都有著重要的應用價值 [1]。 本文結(jié)合 OpenCV，采用塊匹配算法對人群的運動進行估計，并在功能實現(xiàn)前對OpenCV 與塊匹配各重要環(huán)節(jié)有具體分析。如何對公共場合的人群進行有效管理與控制，是不得不考慮的重大問題。 隨著經(jīng)濟社會的發(fā)展，各種公共場地和設施中的人群流動越來越頻繁。它們能夠直接