【正文】 低維壓縮子空間可以很好的保留高維圖像特征空間的信息。如果取值過小，適應(yīng)環(huán)境變化的能力就低，只能適用緩慢的環(huán)境變化；如果取值較大，適用環(huán) 境變化的能力強(qiáng)，但容易將噪聲也作為背景變化而做更新。如圖 ，顯示了混合高斯模型的原理和匹配示意圖。由此，提出使用多個高斯模型來描述同一像素點(diǎn)的混合高斯模型。該方法提取的背景具有很高的質(zhì)量和適應(yīng)能力，因而得到廣泛運(yùn)用。因此，很多學(xué)者結(jié)合自己的應(yīng)用實(shí)際，提出了一系列的改進(jìn)算法。例如，可先對圖像進(jìn)行腐蝕然后膨脹其結(jié)果，或先對圖像進(jìn)行膨脹然后腐蝕其結(jié)果 (使用同一個結(jié)構(gòu)元素 )。另外，如果兩個物體之間有細(xì)小的連通，那么選擇適當(dāng)?shù)慕Y(jié)構(gòu)元素，通過腐蝕運(yùn)算就可以把兩個物體分開。 基本的形態(tài)運(yùn)算是腐蝕和膨脹。 為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。 本文在對圖像進(jìn)行濾波時(shí)正是考慮了圖像中多為尖峰狀干擾，中值濾波能去除點(diǎn)狀尖峰干擾而邊緣不會變壞，若用低通濾波雖能去除噪聲但陡峭的邊緣將被模糊。而灰度圖像是 R、 G、 B 三個分量相同的一種特殊的彩色圖像，其一個像素點(diǎn) 的變化范圍為 255 種，所以在數(shù)字圖像處理種一般先將各種格式的圖像轉(zhuǎn)變成灰度圖像以使后續(xù)的圖像的計(jì)算量變得少一些。//必須設(shè)置為 NULL 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 16 int imageSize。//0:交叉存取顏色信道， 1:分開的顏色信道 .只有 cvCreateImage 可以創(chuàng)建交叉存取圖像 int origin。 highgui – 圖像界面函數(shù)。 結(jié)構(gòu)分析（連接部件、輪廓處理、距離變換、各自距計(jì)算、模板匹配、 Hough 變換、多邊形逼近、直線擬合、橢圓擬合、 Delaunay 三角劃分等）。這意味著如果有為特定處理器（當(dāng)然是 INTEL 的處理器了） 優(yōu)化的的 IPP 庫，OpenCV 將在運(yùn)行時(shí)自動加載這些庫。 理論依據(jù)： （ 1）設(shè)長度為 N 的信號 X 在某個正交基 Ψ 上是 K稀疏的（即含有 k 個非零值）； （ 2）如果能找到一個與Ψ不相關(guān)（不相干）的觀測基 Φ ； （ 3）用觀測基Φ觀測原信號得到長度 M 的一維測量值 M 個觀測值 Y， KMN； （ 4）那么就可以利用最優(yōu)化方法從觀測值 Y 中高概率恢復(fù) X。正約束可以檢測出是否丟失，負(fù)約束可以檢測出錯誤的警告。在連 續(xù)的視頻幀中，需要做的就是確定出目標(biāo)物體的位置和其特征，或者是能夠指出目標(biāo)丟失或遮擋。設(shè) N 號小白鼠的圖像像素坐標(biāo)是 (Xn,Yn),它報(bào)告的相似度是 Wn,于是目標(biāo)最可能的像素坐標(biāo) X = sum(Xn*Wn),Y = sum(Yn*Wn)。 （ 2）搜索階段 放小白鼠（為了方便模擬，所以以小白鼠作為粒子） 已經(jīng)掌握了目標(biāo)的特征，下面放出很多只小白鼠，去搜索目標(biāo)對象，這里的小白鼠就是粒子 particle。撒完粒子后，根據(jù)特征相似度計(jì)算每個粒子的重要性，然后在重要的地方多撒粒子，不重要的地方少撒粒子。(k)為步驟二算出的結(jié)果， z(k)為當(dāng)前測量值，是我們外部測量后輸入的向量。:))(39。 光流法用于目標(biāo)跟蹤的原理： （ 1） 對一個連續(xù)的視頻幀序列進(jìn)行處理； （ 2） 針對每一個視頻序列，利用一定的目標(biāo)檢測方法，檢測可能出現(xiàn)的前景目標(biāo)； （ 3） 如果某一幀出現(xiàn)了前景目標(biāo)，找到其具有代表性的關(guān)鍵特征點(diǎn)（可 以隨機(jī)產(chǎn)生，也可以利用角點(diǎn)來做特征點(diǎn)）； （ 4） 對之后的任意兩個相鄰視頻幀而言，尋找上一幀中出現(xiàn)的關(guān)鍵特征點(diǎn)在當(dāng)前幀中的最佳位置，從而得到前景目標(biāo)在當(dāng)前幀中的位置坐標(biāo)； （ 5） 如此迭代進(jìn)行，便可實(shí)現(xiàn)目標(biāo)的跟蹤。因此，在背景學(xué)習(xí)的過程中，每個像素點(diǎn)可以對應(yīng)多個碼元，這樣就可以學(xué)到復(fù)雜的動態(tài)背景。為提高模型的學(xué)習(xí)能力，改進(jìn)方法對均值和方差的更新采用不同的學(xué)習(xí)率；為提高在繁忙的場景下，大而慢的運(yùn)動目標(biāo)的檢測效果，引入權(quán)值均值的概念，建立背景圖像并實(shí)時(shí)更新，然后結(jié)合權(quán)值、權(quán)值均值和背景圖像對像素點(diǎn)進(jìn)行前景和背景的分類。 在智能監(jiān)控系統(tǒng)中，對于運(yùn)動目標(biāo)的檢測是中心內(nèi)容，而在運(yùn)動目標(biāo)檢測提取中，背景目標(biāo)對于目標(biāo)的識別和跟蹤至關(guān)重要。 （ 3） 光流法： 光流法的概念：圖像中模型運(yùn)動的速度，擬定其一種 2D 的瞬時(shí)速度場。這種情況下一般使用單個固定的攝像機(jī)對場景進(jìn)行拍攝。 CXCORE：數(shù)據(jù)結(jié)構(gòu)與線性代數(shù)支持； HIGHGUI：圖像界面函數(shù)； ML：機(jī)器學(xué)習(xí)，包括模式分類和回歸分析等； CVCAM ：負(fù)責(zé)讀取攝像頭數(shù)據(jù)的模塊（在新版本中，當(dāng) HIGHGUI 模塊中加入DirectShow 支持后，此模塊將別廢除）。目前處于領(lǐng)先地位的是中國科學(xué)院北京自動化研究所下屬的模式識別國家重點(diǎn)實(shí)驗(yàn)室。 在當(dāng)今對于圖像處理，視頻中動態(tài)物體的檢測技術(shù)中，存在的主要問題有： （ 1） 在采集到的圖像信息中，對于想要檢測的目標(biāo)物總不能避免地出現(xiàn)相互遮擋的現(xiàn)象，從而導(dǎo)致了獲取到不完整的目標(biāo)信息，這樣的結(jié)果就給只能通過結(jié)合圖像信息來識別世界的人工智能技術(shù)帶來了一定困擾。在數(shù)字圖像處理技術(shù)和計(jì)算機(jī)視覺技術(shù)中，基于序列圖像形成的視頻圖像的運(yùn)動物體的分析研究是最為復(fù)雜的一個方向。 80 年代以來，計(jì)算機(jī)視覺的研究已經(jīng)歷從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的發(fā)展階段。目前，運(yùn)動目標(biāo)檢測與跟蹤在醫(yī)學(xué)研究、交通監(jiān)視、客流量統(tǒng)計(jì)、天文觀測等領(lǐng)域有著非常重要的實(shí)用價(jià)值，有著廣闊的發(fā)展前景。人們?yōu)榱俗層?jì)算機(jī)實(shí)現(xiàn)看到這個世界并主動從這個世界尋找信息，因此發(fā)展了計(jì)算機(jī)視覺；為了讓計(jì)算機(jī)實(shí)現(xiàn)自主 處理和判斷所得到的信息，因此發(fā)展了人工智能科學(xué)。s working principle, and the realization based on. With the emphasis on the C++ code design of mixed Gauss background model and pressed sensing algorithm (with OpenCV Library) implementation, and by sampling the video gives running result of program and the feasibility that algorithm. Keywords: puter vision, moving object detection, OpenCV, mixed Gauss background model 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 1 引 言 隨著計(jì)算機(jī)設(shè)備逐漸融入到社會生活的各個方面，利用計(jì)算機(jī)進(jìn)行視覺和數(shù)字圖像處理技術(shù)也日趨成熟，并在各個尖端的技術(shù)領(lǐng)域中早已嶄露鋒芒。計(jì)算機(jī)視覺系統(tǒng)就是創(chuàng)建了能夠在平面圖像或者三維立體圖像的數(shù)據(jù)中，以獲取需要的信息的一個完整的人工智能系統(tǒng)。本人完全意 識 到本 聲 明的法律后果由本人承擔(dān)。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 人在指 導(dǎo)教師 的指 導(dǎo) 下 進(jìn) 行的 研 究工作及取得的成果。 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 。本文在研究了計(jì)算機(jī)視覺技術(shù)的基礎(chǔ)上，針對于運(yùn)動目標(biāo)檢測與跟蹤在未來的發(fā)展，提出了一套基于 OpenCV 視覺庫的檢測、跟蹤視線范圍內(nèi)動態(tài)物體的檢測系統(tǒng)，以達(dá)到模擬人眼的識別、追蹤、分類功能。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。可以說所有人都有這么一個期盼，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。因?yàn)樗坏梢蕴峁┠繕?biāo)的運(yùn)動軌跡，也為場景中運(yùn)動目標(biāo)的運(yùn)動分析、場景分析提供了可靠的數(shù)據(jù)來源。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。其研究方向的實(shí)質(zhì)是：針對連續(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)動的物體，同時(shí)根據(jù)數(shù)學(xué)算法和函數(shù)就可以針對于運(yùn)動目標(biāo)進(jìn)行識別和跟蹤了。 （ 2） 在簡單場景下，分析目標(biāo)物體是相對比較簡單的。研究的主要方向?yàn)閺?fù)雜環(huán)境中的運(yùn)動物體的跟蹤算法以及模型定位。 HALCON 源自學(xué)術(shù)界，它有別于市面一般的商用軟件包。 定位運(yùn)動狀態(tài)物體即對于視線范圍中運(yùn)動物體的檢測，主要措施分為兩種：宏觀檢測法以及微觀檢測法。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投影，給圖像中的每個像素一個速度的矢量，從而形成一個圖像的運(yùn)動場，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，從而分析動態(tài)情況。而建模正是背景目標(biāo)提取的一個重要環(huán)節(jié)。 到這里為止，混合高斯模型的建?；就瓿?。 跟蹤視線內(nèi)運(yùn)動狀態(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。 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，并不是理想環(huán)境。(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 這個類內(nèi)部會計(jì)算。H 為 Kalman 類初始化給定的測量矩陣。所以說粒子濾波較之蒙特卡洛濾波，計(jì)算量較小。小白鼠有很多種放法。 （ 4）重采樣階段 Resampling 既然是做目標(biāo)跟蹤，一般說來，目標(biāo)是跑來跑去亂動的。因此需要提出了一個全新的跟蹤框架 （ TLD） 。整個學(xué)習(xí)過程可以被看作是一個獨(dú)立的離散的動態(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。 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 OpenCV 簡介 OpenCV 是 Intel 資助的開源計(jì)算機(jī)視覺庫。 OpenCV 是用 C/C++編寫的開源計(jì)算機(jī)視覺庫。 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)、立體對應(yīng)）。 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。//0:頂 左結(jié)構(gòu)， 1:底 左結(jié)構(gòu) int width。//圖像數(shù)據(jù)大小 char *imageData?；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的分布和特征。對于一維情況，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；對于二維情況，中值濾波的窗口形狀和尺寸對濾波器效果影響很大。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。 在形態(tài)學(xué)中，結(jié)構(gòu)元素是最重要最基本的概念。 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 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。 先腐蝕后膨脹的過程稱為開運(yùn)算。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。其中，以高斯分布背景建模及其改進(jìn)方法使用最為廣泛。同時(shí)，使用 混合高斯模型方法，可以分別對彩色圖像的 R、 G、 B 分量分別建立模型，使算法適應(yīng)于對彩色圖像下的運(yùn)動目標(biāo)跟蹤，能充分利用目標(biāo)的顏色信息。 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。 對第 m 個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 ????? ???? ?? （ ） 對于未匹配的高斯分布，不做更新。所以我們通過稀疏測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，然后對他們進(jìn)行多尺度變換，再通過一個稀疏測 量矩陣對多尺度圖像特征進(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。 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，通過一個滿足 RIP 條件的非常稀疏的測量矩陣對原圖