【正文】 采用幀間差分相乘方法有效地降低了高頻噪聲、光照改變和自然場景中一些微小變化的影響，使檢測結(jié)果更精確。 if(iLine0) ++。 for(i=EDGE_SPACE。 = FALSE。所以形心為跟蹤點，跟蹤的隨機誤差較小，穩(wěn)定性好，抗干擾能力強。如果背景灰度在圖像中某一塊區(qū)域中可近似地看作為恒定，且所有物體與背景具有幾乎相同的對比度，這時，只需要選取合適的閾值，就可很好地確定邊界。然后計算目標(biāo)區(qū)域坐標(biāo)的加權(quán)平均，并認(rèn)為這個坐標(biāo)的加權(quán)平均就是當(dāng)前幀中目標(biāo)所在的位置。i ++) dis += float(sqrt(double(currHistogram[i] * tempHistogram[i])))。 frame[j * imgWidth * 3 + currentX * 3 + 1] = 0。 frame[currentY * imgWidth * 3 + i * 3 + 1] = 0。U39。 currentY = int((newY/sumOfWeights) + )。i ++){ pixel r = frame[j * imgWidth * 3 + i * 3] / 16。iHISTOGRAM_LENGTH。 i HISTOGRAM_LENGTH。 j ++){ for(int i = max(0,currentX trackWinWidth / 2)。}/* CalculateHistogramSp函數(shù) 說明：統(tǒng)計直方圖，建立區(qū)域模型*/int MeanShiftSegger::CalculateHistogramSp(unsigned char* frame,char kernel, float *histogram){ int pxValue = 0。 //SetZeroHistogram(tempHistogram)。 i HISTOGRAM_LENGTH。 //目標(biāo)直方圖摸板public: //計算Bhattacharyya系數(shù) float CalculateBhattacharyya(float initHistogram[HISTOGRAM_LENGTH],float tempHistogram[HISTOGRAM_LENGTH])。private: int imgWidth。4) 根據(jù)Mean Shift向量，計算目標(biāo)新的位置：。 相似性函數(shù)一般情況下，候選模型與目標(biāo)模型的相似程度可以用相似性函數(shù)表示，這里選用系數(shù)作為相似性函數(shù)。假設(shè)已經(jīng)知道了密度最大數(shù)據(jù)所對應(yīng)的位置，就可以估計出密度梯度。此時用二值化閾值方法無法很好地分割出目標(biāo)和背景，必須利用目標(biāo)特征匹配來實現(xiàn)目標(biāo)的正確跟蹤，基于Mean shift的目標(biāo)跟蹤方法運用的比較廣泛。} 函數(shù)調(diào)用第一步，建立ChafenMul對象，并提供給構(gòu)造函數(shù)幀圖像大小和目標(biāo)閾值參數(shù)。 j ++) { for(int i = 0。 if(readyCount == 1) memcpy(frame2,buffer,width * height * sizeof(unsigned char))。 memset(frame3,0,sizeof(unsigned char) * width * height)。 void process()。 //第1幀數(shù)據(jù) unsigned char *frame2。2) 將配準(zhǔn)后的圖像第一幀與第三幀做差分，第二幀與第四幀做差分。如果用和來表示兩幅圖像，和表示它們各自的強度值，這種映射關(guān)系可以表示為： （35）式中，——二維空間變換，即為；G——一個一維變換。對于動態(tài)背景下的運動目標(biāo)檢測，如果在動態(tài)背景中的目標(biāo)檢測中沿用靜態(tài)背景下得目標(biāo)檢測思想，那么在進行圖像處理時，可以這樣，首先將連續(xù)幾幀的背景圖像確定于同一幀的相同位置，這樣就把運動目標(biāo)給顯現(xiàn)出來。 pixel = UINT(m_pTemplate[t]/count+)。inWidth。inWidth。 count = 0。RGBToYUV(m_pCurImage,m_pGrayImage,WIDTH,HEIGHT)。 delete []m_pBgImage。 m_pDetectImage = new BYTE[IMAGESIZE*3]。 m_pGrayImage = new BYTE[IMAGESIZE]。 }。 void DeNoise(BYTE *sGray,int nWidth, int nHeight)。 //存取多幀數(shù)據(jù) BYTE *m_pPreGrayImage。 //背景圖像 BYTE *m_pDetectImage。首先，需要定義結(jié)構(gòu)元素： （34）然后進行圖像形態(tài)學(xué)腐蝕，結(jié)構(gòu)元素像“探針”一樣對二值圖像進行探測，尋找出圖像內(nèi)能夠放下它的區(qū)域，這樣就可以消除一些小而無意義的毛刺。 建立背景模型目前常用的背景建模方法有兩種：一種是取圖像序列中的一系列圖像的平均值作為背景的參考圖像，這個參考圖像十分接近于背景圖像，適用于目標(biāo)連續(xù)運動的情況，不適用目標(biāo)緩慢運動的情況；另一種是通過訓(xùn)練的方法，先設(shè)定圖像像素值服從某一種空間分布模型，通過訓(xùn)練不斷地更新分布參數(shù)。使用背景差分方法的關(guān)鍵在于背景的建模及其實時更新。下面介紹一下這兩種方法。圖23 運動軌跡表達在實際工程應(yīng)用中可以根據(jù)具體的場景、運動的類型、目標(biāo)的類型等來選擇合適的表達方式描述運動。 矢量場表達因為運動有大小，有方向，所以可以用矢量表示，為了表示瞬時運動得矢量場，這里將運動矢量用不帶箭頭的線段表示，線段的長度、矢量的大小與運動的速度均成正比關(guān)系。目前有很多運動目標(biāo)的跟蹤方法，不同的目的可采用不同的跟蹤算法，以保證目標(biāo)跟蹤的準(zhǔn)確性和實時性。第四章， 論述課題的目標(biāo)跟蹤環(huán)節(jié)主要闡述了運動目標(biāo)檢測跟蹤中的跟蹤部分，簡述了兩種方法——Mean Shift算法和形心跟蹤算法，以及他們的應(yīng)用和實現(xiàn)。而就目標(biāo)檢測和跟蹤的準(zhǔn)確性來講，高準(zhǔn)確性是建立在大量復(fù)雜運算處理的基礎(chǔ)上的。第三，目標(biāo)特征提取和目標(biāo)跟蹤技術(shù)，從檢測出的目標(biāo)中提取出可識別的特征，用于后續(xù)圖像序列中目標(biāo)的跟蹤。全國的許多大學(xué)和研究所也都投入到目標(biāo)檢測跟蹤和視頻監(jiān)控的研究當(dāng)中。1997年，美國國防高級研究項目署設(shè)立關(guān)于視覺監(jiān)控的項目，主要研究用于戰(zhàn)場及普通民用場景進行監(jiān)控的自動視頻理解技術(shù)。期望機器通過裝配的攝像設(shè)備檢測環(huán)境，能夠?qū)崿F(xiàn)跟蹤和識別環(huán)境中的物體，并做出相應(yīng)動作。相比與靜止圖像，圖像序列增加了時間這一變量，使得動態(tài)圖像序列幀間存在一定的時間和空間上的對應(yīng)關(guān)系，這也導(dǎo)致我們可以利用動態(tài)圖像序列更好地研究運動目標(biāo)的檢測與跟蹤過程。實驗證明，通過以上方法能夠很好地實現(xiàn)對運動目標(biāo)的檢測與跟蹤。運動目標(biāo)檢測與跟蹤是數(shù)字圖像處理重要部分，也成為圖像處理技術(shù)理論和應(yīng)用的研究熱點。本設(shè)計主要是對運動目標(biāo)檢測與跟蹤原理進行分析，并通過編程實現(xiàn)對目標(biāo)的檢測與跟蹤。運動目標(biāo)位置的改變在圖像上的反映就是相鄰幀灰度的空間分布改變。在智能交通監(jiān)控系統(tǒng)中，期望系統(tǒng)能夠在不需要人的干預(yù)、或者很少干預(yù)的情況下，通過對攝像機拍錄的視頻序列進行分析來實現(xiàn)相應(yīng)的需求。 國內(nèi)外發(fā)展與研究現(xiàn)狀1974年，美國白沙導(dǎo)彈靶場聯(lián)合新墨西哥州立大學(xué)以及亞利桑那大學(xué)科學(xué)中心開始研制實時電視跟蹤系統(tǒng)。但我國的圖像處理技術(shù)、運動目標(biāo)識別跟蹤技術(shù)正在穩(wěn)步發(fā)展。第二，圖像分割和目標(biāo)的檢測技術(shù)，在復(fù)雜的場景中利用圖像分割技術(shù)從圖像中檢測出可能的運動目標(biāo)。l 難以選取運動目標(biāo)特征動態(tài)圖像序列包含大量信息，這些信息都可用與目標(biāo)檢測跟蹤，但由于這些信息非常龐雜，所以提取那些信息作為運動目標(biāo)檢測跟蹤的特征也需要認(rèn)真研究，需要根據(jù)運動的具體情況來選擇，很難說有一種普遍的實用的運動特征用于目標(biāo)檢測跟蹤。具體章節(jié)分配如下：第一章， 緒論部分，敘述課題研究的背景及現(xiàn)狀，以及存在的問題。檢測場景中運動目標(biāo)位置、運動軌跡和運動方向以及運動速度，根據(jù)當(dāng)前圖像包含的運動信息估測出目標(biāo)的運動趨勢和運動軌跡。全局運動具有規(guī)律、整體性比較強等特點。 圖22 直方圖表達目標(biāo)運動軌跡表達了目標(biāo)運動位置信息，它是由一系列的關(guān)鍵點和一組在這些關(guān)鍵點間插值的函數(shù)組成的。 靜止背景下的運動目標(biāo)檢測在靜止背景下常用的幾種檢測方法有幀間差分法、背景差分法、光流場法、塊匹配法和運動能量法等。算法的不足就是不能檢測完整的運動目標(biāo)。本節(jié)根據(jù)它們的特點，把這兩種方法結(jié)合用來提取運動目標(biāo)。 （33）對當(dāng)前幀圖像與背景圖像進行差分處理之后，還需要進行的步驟是閾值分割，將差分圖像轉(zhuǎn)換成二值圖像，閾值分割的關(guān)鍵是閾值的選取，閾值選得過小，一些背景區(qū)域會被錯誤標(biāo)記成運動物體；閾值選得過大，一些運動物體會被錯誤標(biāo)記為背景圖像，要根據(jù)具體的場景和要求來選取合適的閾值，才能達到預(yù)期的目標(biāo)跟蹤效果。 void ReceiveFrame(int index, BYTE* sBuf, DETECT_METHOD sMethod)。 //當(dāng)前灰度圖像 BYTE *m_pBackground。public : void RGBToYUV(BYTE *sRGB,BYTE* sGray, int nWidth, int nHeight)。 void GetBgImage()。 IMAGESIZE = WIDTH*HEIGHT。 memset(m_pBgImage,0,IMAGESIZE*3)。 memset(m_pTemplate,0,IMAGESIZE*sizeof(UINT))。 delete []m_pTemplate。 SaveBmp(m_pBackground,WIDTH,HEIGHT,8,index)。 for(j=0。for(int j=0。j++) { for(i=0。在達到預(yù)定的閾值后，ReceiveFrame函數(shù)將建立起背景模型，并進行目標(biāo)檢測，檢測結(jié)果通過成員變m_pDiffImage量輸出。當(dāng)兩幀圖像的背景只有平移變化時，只需要簡單計算出平移量就可以實現(xiàn)配準(zhǔn)。公式如下： (36)式中，分別為配準(zhǔn)后的圖像像素，為經(jīng)過差分相乘處理后后所得圖像像素。class ChafenMul{public: ChafenMul(int width,int height,int targetThreshold)。 //幀寬度和高度 int readyCount。 frame4 = new unsigned char[width * height]。 if(frame3 != NULL) delete[] frame3。}/*process函數(shù) 說明：差分相乘法檢測目標(biāo)*/void ChafenMul::process(){ int * mul = new int[frameWidth * frameHeight]。 if(mul[j*frameWidth +i] targetThreshold) { frame1[j * frameWidth + i] = 255。但如果對差分圖像進行相乘運算，圖像的噪聲被大大消減，很容易將目標(biāo)檢測出來。在維歐式空間中，給定n個點，i=1,…,n和一個正定的帶寬矩陣H，使用核的多變量核密度估計為： （42）帶寬矩陣H的兩種通用的形式如下：一種形式為對角陣，為；另一種形式是比例單位矩陣，為。上式中函數(shù)中能夠去除不同面積計算時的影響。分析式可以看出，上式類比于核密度估計函數(shù)，只多了，通過Mean shift算法進行迭代計算，求得最大，以下為具體步驟：1) 設(shè)目標(biāo)模型的分布為，目標(biāo)的估計位置為。ifndef MEANSHIFTSEGGER_H_INCLUDEdefine MEANSHIFTSEGGER_H_INCLUDEdefine HISTOGRAM_LENGTH 4096 //直方圖長度typedef unsigned char pixel。 //當(dāng)前目標(biāo)橫坐標(biāo) int currentY。 //根據(jù)當(dāng)前跟蹤窗口的大小和目標(biāo)位置繪制跟蹤窗 void DrawTrackBox(unsigned char* frame)。 //memset(currHistogram,0,sizeof(float) * HISTOGRAM_LENGTH)。 thiscurrentY = targetPosY。U39。 histogram[256 * (int)r + 16 * (int)g + (int)b] += 1。 float newX = 。j min(currentY + trackWinHeight / 2,imgHeight 1)。 newY += (weights[ptr] * (float)j)。 } else { int stopThreshold = 10。 }}/*DrawTrackBox函數(shù)說明：在輸出中畫跟蹤窗口*/void MeanShiftSegger::DrawTrackBox(unsigned char* frame){ for(int i = currentX。 } for(int j = currentY。 }}/*函數(shù)Calcul