【正文】 5) GetReal*D(本程序用的是 cvGetReal2D) 返回單通道數(shù)組的指定元素 double cvGetReal1D( const CvArr* arr, int idx0 )。所有的數(shù)組必須有相同的大?。ɑ?ROI 大?。? 4) cvCopy 拷貝一個數(shù)組給另一個數(shù)組 void cvCopy( const CvArr* src, CvArr* dst, const CvArr* mask=NULL )。39。 src 原數(shù) ,必須有一個單通道。 define cvCvtScale cvConvertScale define cvScale cvConvertScale define cvConvert( src, dst ) cvConvertScale( (src), (dst), 1, 0 ) src 輸入數(shù)組 . dst 輸出數(shù)組 scale 比例因子 . shift 該加數(shù)被加到輸入數(shù)組元素按比例縮放后得到的元素上 函數(shù) cvConvertScale 有多個不同的目的因此就有多個同義函數(shù)（如上面的 define 所示）。 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 21 cvReleaseImage(amp。 } IplImage。 四川大學本科畢業(yè)論文 基于塊匹配的人群運 動估計 20 void* imageId。 char channelSeq[4]。CvMat） IplImage 從本質(zhì)上講，它是一個 CvMat 對象，但它還有其他一些成員變量將矩陣解釋為圖像。 union 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 19 { int cols。/* 矩陣頭，指向矩陣第 0 行第 0 個元素 */ short* s。實際上， IplImage 是 CvMat 的派生，而 CvMat 由 CvArr 派生： 四川大學本科畢業(yè)論文 基于塊匹配的人群運 動估計 18 圖 31 CvArr， CvMat， IplImage 的關(guān)系圖 在 OpenCV 中沒有向量結(jié)構(gòu)。 CvPoint 是一個簡單的機構(gòu)體，定義如下： CvPoint 二維坐標系下的點，類型為整型 typedef struct CvPoint { int x。 在這些庫函數(shù)的支持下，用戶可以直接調(diào)用濾波函數(shù)，形態(tài)學處理，圖像特征提取，輪廓提取算法和跟蹤算法，也可以添加自己編寫的子函數(shù)，不但能完成復雜的開發(fā)任務(wù)，還可以提高效率，達到事半功倍的效果。為此，近來出現(xiàn)了十字 —菱形搜索 (CDS)算法、十字 —菱形 —六邊形搜索 (CDHS)算法等。當粗定位結(jié)束后，可以認為最優(yōu)點就在 LDSP 周圍 8 個點所圍的菱形區(qū)域內(nèi)，這時再用 SDSP 來準確定位，使搜索不至于有大的起伏，所以它的性能優(yōu)于其它算法。否則，到 Step 2。 1999 年 10 月， DS 算法被 MPEG4 國際標準采用并收入驗證模型。首先搜索點 [0， 2]，由于該點處于邊的中心點處，故采用圖 26c 的模板進行搜索，結(jié)果為 [2， 4]。否則進行 Step2。第三步箭頭說明了兩種不同的搜索模式。若步長大于 1，則重復 Step 2。 ③ 搜索過程圖示 :一個可能的搜索過程如圖 24 所示。不能保證找到全局最優(yōu)點也正是大部分快速搜索算法的缺點。 Step 3::若步長為 1，在中心及周圍 8 個點處找出 MBD 點，該點所在位置即對應(yīng)最佳運動矢量，算法結(jié)束 。 StPe2:在所有的 SAD 中找到最小塊誤差 (MBD)點 (即 SAD 最小值的點 )，該點所在位置即對應(yīng)的最佳運動矢量。這以后的許多搜多策略都是為了平衡搜索精度與計算速度而產(chǎn)生的。 (2)最小均方誤差 : （ 2） 能夠使 MSE 值最小的點為最優(yōu)匹配點。 方法 3:基于 相鄰運動矢量相等的起點預(yù)測方法。 方法 1:基于 SAD(the Sum of Absolute Differences)值的起點預(yù)測方法。通常是通過研究初始搜索點的選擇、匹配準則和運動搜索策略等來提高算法效率的 [13]。如果塊足夠小，那么這種模型是相當合理的。目前這種方法被廣泛用于視頻標準變換運動補償濾波和采用基于塊的運動補償進行的數(shù)字視頻壓縮 [11~12] 。說明運動估計視頻處理的各個步驟所需處理，并分析處理所需算法，介紹背景建模； 第 4 章：算法的實現(xiàn)。目前， 其研究主要集中在： 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 5 1)利用不同幀相同位置塊和相同幀內(nèi)相鄰塊運動矢量的相關(guān)性，從同幀中左上、上、左等塊的運動矢量及前一幀或前幾幀相同位置塊的運動矢量中挑選出當前塊運動矢量的最優(yōu)初始值 然后再按照某一種算法進行搜索； 2)不斷改進運動估計匹配模板的形狀和大小，旨在減少搜索點數(shù)，從而減少搜索時間，提高編碼速度； 3)通過數(shù)學不等式來改進目標函數(shù)，通過判斷提前結(jié)束搜索，達到節(jié)約運算量和運算時間的目的。二十世紀以來，人群人群密度和運動估計的自動方法逐漸發(fā)展起來。 當人群己經(jīng)發(fā)生擁塞時，一般采取的方法是 :關(guān)閉人群正在大量涌入的入口。本文的研究對象是運動群體 (這里的群體特指人群 )，研究內(nèi)容是運動人群的運動估計。 OpenCV 四川大學本科畢業(yè)論文 基于塊匹配的人群運動估計 3 計算機視覺是在圖像處理的基礎(chǔ)上發(fā)展起來的新興學科， OpenCV(Open Source Computer Vision Library，開源計算機視覺庫 ) 是一種數(shù)字圖像處理和計算機視覺的函數(shù)庫， 它是一個跨平臺的開源計算機視覺庫， 最初 由 Intel公司微處理器實驗室 (Intel’S Microprocessor Research Lab)的視覺交互組 (The Visual Interactivity Group)開發(fā) [6]，是 Intel資助 的兩大圖像處理利器之一，以 BSD 許可證授權(quán)發(fā)行，可免費用于商業(yè)和研究領(lǐng)域， 它可以在 Windows 系統(tǒng)、 Linux 系統(tǒng)、Mac0Sx 系統(tǒng)等操作平臺上使用，也可以和其他編程工具結(jié)合，以滿足不同的使用要求。 運動估計算法是視頻壓縮編碼的核心算法之一。自智能化人群監(jiān)控技術(shù)提出以后 ,人們對其進行了廣泛研究 ,目前已有許多算法 ,一些實用的系統(tǒng)也開始應(yīng)用在廣場、車站等場合的人流監(jiān)控中。隨著人口的增加，人群活動日益增加，相對應(yīng)地，人群安全問題也越來越突出，對人群的分析研究分別在社會學、心理學、建筑學、計算機等各個學科受到了極大的關(guān)注。它們能夠直接或間接地提高上述場合工作人員的工作效率和建筑設(shè)施的利用率，因此對人群密度估計和運動估計方法的研究有著深遠的意義和廣闊的前景。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。 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(shè)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(yīng)用價值 [1]。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。 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。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。 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)。 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(yù)防的作用。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(shè)施的設(shè)計方案。 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]。 論文組織與結(jié)構(gòu) 第 1 章：緒論。 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。 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] 。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。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(yù)測，以預(yù)測點作為搜索起點。序列圖像的運動矢量在空間、時間上具有很強的相關(guān)性。在下一節(jié)中將介紹在運動估計常用的一些匹配準則。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。 (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(yīng)偏移量即為所求運動矢量。 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。后來有人提出應(yīng)該在搜索的每個階段都將步長減半。 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。 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。由當前為 MBD 點得到的最佳運動矢量，算法結(jié)束。 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。 Step 3:搜索模式同 Step 2，但最終要進行 Step 4。7 時， FSS 最多需要進行 27 次塊匹配。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。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。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。經(jīng)過多次實驗，得到最佳數(shù)值（見后）。 該文件中都是圖像處理 的函數(shù)與數(shù)據(jù)結(jié)構(gòu)。 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。 /* CvMat 標識 (CV_MAT_MAGIC_VAL), 元素類型和標記 */ int step。 /* data 指針 */ ifdef __cplusplus union { int rows。 /* 列數(shù) */ endif } CvMat。 int alphaChannel。 int height。 int BorderMode[4]。 Origin 變量有兩種取值： IPL_ORIGIN_TL 或 OPL_ORIGIN_BL，分別設(shè)置坐標原點的位置于圖像的左上角或左下角。 這些函數(shù)能將數(shù)組的所有通道的所有值設(shè)置為指定的參數(shù) value。 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 。, 39。. 如果元素之間的關(guān)系為真則設(shè)置 dst(I)為 0xff (也就是所有的位都為 39。 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。 double cvGet。 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。 or 39。, 39。 類型轉(zhuǎn)換主要用舍入和溢出截斷來完成。 define cvZero cvSetZero arr 要被清空數(shù)組 . 函數(shù) cvSetZero