【正文】 ateBhattacharyya說明：計算Bhattachryya*/Float MeanShiftSegger::CalculateBhattacharyya( float initHistogram [HISTOGRAM_LENGTH],float tempHistogram[HISTOGRAM_LENGTH]){ float dis = 0。MeanShiftTrackProcess（frameBuffer，index）Mean Shift進行運動目標跟蹤的實驗結(jié)果如下: 圖（41）Mean Shift算法目標跟蹤 圖（42）Mean Shift算法目標跟蹤圖（43）Mean Shift算法目標跟蹤 圖（44）Mean Shift算法目標跟蹤在算法中，相似度函數(shù)衡量了目標模式的匹配程序，Mean Shift算法迭代過程的目的是實現(xiàn)快速算法。其關(guān)鍵是找出閾值。 （413）經(jīng)過二值化處理就能分割出圖像中的目標像元，再根據(jù)分割出的全體目標像元位置數(shù)據(jù)和目標像元的總點數(shù)，計算出目標的形心。 = 0。 for(j=EDGE_SPACE。 M10bh+=j。在科技、生活等諸多領(lǐng)域有非常好的應用前景，本文對運動目標檢測與跟蹤原理進行研究，把運動目標檢測跟蹤分為兩個部分即目標的實時檢測和目標的實時跟蹤來分析，目標檢測部分分為靜止背景下的運動目標檢測和動態(tài)背景下的目標檢測，靜態(tài)目標檢測方法采用了幀間差分法和背景相減法的結(jié)合的方法。致 謝論文完成之際，我要感謝我的畢業(yè)設(shè)計指導老師李旭超老師。實驗結(jié)果如下：圖（45）形心法跟蹤效果圖 圖（46）形心法跟蹤效果圖圖（47）形心法跟蹤效果圖 圖（48）形心法跟蹤效果圖這種基于形心法的跟蹤方法計算簡單、穩(wěn)定性好，稍加改進，對多目標的檢測跟蹤也有不錯的效果。 if(sGray[k]sThreshold) { iLine++。 int M10bh = 0。/*GravityTrack函數(shù)說明：形心法目標跟蹤程序*/GravityTrack (unsigned char* sGray, int sWidth, int sHeight, int sThreshold){ WININFO win。這時，可把閾值取為一個隨圖像中位置緩慢變化的函數(shù)，自適應閾值的的二值化處理可以很好地處理這個問題。對于場景，選用合適的閾值，然后對圖像進行二值化處理。則以下的形式調(diào)用初始化Mean Shift過程：InitMeanShiftTracker（frameBuffer，width，width，targetX,targetY，targetWidth，targetHeight）在后續(xù)幀中，調(diào)用MeanShiftTrackProcess函數(shù)進行MeanShift的目標跟蹤過程。 frame[j * imgWidth * 3 + min(imgWidth 1,currentX + trackWinWidth) * 3 + 1] = 0。 frame[min(imgHeight 1,currentY + trackWinHeight) * imgWidth * 3 + i * 3 + 1] = 0。 //獲得新位置 //更新直方圖 iteratorCoumt++。U39。 int ptr = (int)(256 * (int)r + 16 * (int)g + (int)b)。 } float sumOfWeights = 。 } return pxValue。 pixel g = frame[j * imgWidth * 3 + i * 3 + 1] / 16。 i++) histogram[i] = 0。 thisimgHeight = frameHeight。 i HISTOGRAM_LENGTH。 //Mean Shift 迭代過程 void MeanShiftProcessSp(unsigned char * frame)。 //窗口寬度 int trackWinHeight。7) 當停止，否則，執(zhí)行第1步。為了使得達到最大，在當前幀圖像中，以前一幀中的目標中心位置作起始位置，從起始位置開始求最優(yōu)的匹配位置，這里中心為。因為遮擋或者背景的影響，目標模型中心周圍的像素相比于其他部分像素更為可靠，所以可對目標不同位置的像素賦不同權(quán)值，即遠離中心的位置像素可以賦一個小值，而鄰近中心的位置像素可以賦一個大值。假設(shè)一組一維的數(shù)據(jù)點的集合，未知的概率密度函數(shù)設(shè)為，核函數(shù)設(shè)為，計算在x點處的密度公式如下： （41）式中：——是核函數(shù)的帶寬；——核函數(shù)的中心點這里可以得出結(jié)論：核密度估計就是將以每個采樣點為中心單位局部函數(shù)的平均作為該采樣點概率密度函數(shù)的估計值。大于閾值的像素將被認為是目標區(qū)域，用白色表示并通過frame1輸出。 frame2[j*frameWidth+i]=abs(frame4[j*frameWidth+ i] frame2[j * frameWidth + i])。 readyCount ++。}/* ~ChafenMul函數(shù)說明：析構(gòu)函數(shù)，釋放內(nèi)存空間*/ChafenMul::~ChafenMul(){ if(frame1 != NULL) delete[] frame1。 frame2 = new unsigned char[width * height]。 //第4幀數(shù)據(jù) int frameWidth。5) 利用形心法計算出目標的形心位置坐標，作為下一幀跟蹤的初始位置。為了克服干擾，可以采用多幀圖像差分相乘，銳化二維差分圖像中運動邊緣的相關(guān)峰，增強圖像邊緣，減少甚至消除光照不均、噪聲和自然場景中變化帶來的干擾，能夠準確地檢測出目標的邊緣信息。下面闡述一個基于圖像配準和差分相乘的目標檢測的方法。 else m_pBackground[t] = BYTE(pixel)。 for(j=0。 } else { m_pDiffImage[j*nWidth+i]=0。 DeNoise(m_pDiffImage,WIDTH,HEIGHT)。 memset(m_pTemplate,0,IMAGESIZE*sizeof(UINT))。 delete []m_pDetectImage。 memset(m_pBackHistgram,0,IMAGESIZE*256*sizeof(short int))。 memset(m_pBackground,0,IMAGESIZE)。 WIDTH = nwidth。 void Erosion(BYTE *sGray,int nWidth, int nHeight,int structure[3][3])。 BYTE *image3。 short int *m_pBackHistgram。 靜態(tài)背景目標檢測你算法的實現(xiàn) 類的定義靜態(tài)背景檢測程序類為CStaticDetectinclude define BACK_ALL_NUM 100 //計算背景所需幀數(shù)define BACK_SEQ_NUM 3 //背景計算循環(huán)數(shù)目define THRESHOLD 20 //設(shè)置差分閾值class CStatsticDetect{public: CStatsticDetect(int nwidth, int nheight)。QP 圖（31）運動變化區(qū)域這里設(shè)和分別為圖像序列中連續(xù)的兩幀圖像，將這兩個量按下面的規(guī)則進行幀間差分處理。而回歸遞推建模方法是通過回歸方式依據(jù)輸入的每幀圖像來更新背景，不需要始終維持保存背景估計幀的緩沖區(qū)，常用的有線性卡爾曼濾波法、混合高斯模型等。然后對差分圖像進行二值化，如果對應像素值的變化小于規(guī)定的閾值，認為是背景像素:如果對應像素值變化較大，則認為這些像素區(qū)域是前景像素，這樣就確定了目標在圖像中所處位置。靜止背景產(chǎn)生背景靜止的動態(tài)圖像序列，可采用幀間差分或自適應背景相減對消的方法來消除背景的干擾，計算方法比較簡單；變化背景是指目標運動同時，拍攝的攝像機也作相對運動，產(chǎn)生背景變化的運動圖像序列，這時情況比較復雜，目標的變化和背景的變化混合在一起。直方圖方法的基本思路是僅保留運動的方向信息，并將運動方向（0到360度）分為若干個間隔，把運動矢量場上每點的數(shù)據(jù)劃到與它運動方向最接近的間隔里，最后得到的統(tǒng)計結(jié)果為運動矢量方向直方圖。在運動圖像分析中，前景和背景的運動或靜止有四種情況：兩者都運動、兩者都靜止以及其中一個運動而另一個靜止。 運動圖像的分析檢測場景中是否存在運動目標。本設(shè)計把運動目標檢測跟蹤分為兩個部分即目標的實時檢測和目標的實時跟蹤來分析，目標檢測部分分為靜止背景下的運動目標檢測和動態(tài)背景下的目標檢測，靜態(tài)目標檢測方法有：幀間差分法、背景相減法、塊匹配法和光流法等，本文主要簡述了背景差分法和幀間差分法，并把兩種方法結(jié)合起來改進實現(xiàn)了對目標的檢測。運用數(shù)字圖像處理的方法進行目標檢測跟蹤的困難主要在一下幾個方面:l 環(huán)境復雜實際的運動目標檢測和跟蹤系統(tǒng)所處的環(huán)境不同，背景復雜，檢測跟蹤的穩(wěn)定性和準確性就會受到諸多因素的影響。第一，圖像的預處理技術(shù)，主要目的是消除或消減背景自身運動、光照變化、噪聲等條件對目標檢測與跟蹤的影響。隨著激光技術(shù)、紅外技術(shù)和電視技術(shù)進一步成熟，以及成像技術(shù)、數(shù)字圖象處理技術(shù)、跟蹤算法和濾波技術(shù)的研究，各種研究成果相繼問世。l 軍事國防目標檢測跟蹤技術(shù)在軍事國防領(lǐng)域的應用相當廣泛。運動目標的檢測和跟蹤在科技、生活等諸多領(lǐng)域有非常重要的研究價值，在視頻監(jiān)控、人工智能、醫(yī)學研究、軍事國防等諸多領(lǐng)域有廣泛的應用。動態(tài)圖像序列由一組連續(xù)的圖像組成，它們具有一定的次序，并存在時間間隔關(guān)系。運動目標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，當然也存在這樣的情況，場景中沒有目標運動，但由于光照等條件的改變，也引起了相鄰幀灰度值的改變。動態(tài)圖像的基本特征就是灰度發(fā)生了改變。運動目標檢測與跟蹤是數(shù)字圖像處理重要部分，也成為圖像處理技術(shù)理論和應用的研究熱點，其中動態(tài)圖像序列的研究逐漸成為熱點。運動目標檢測是指對動態(tài)圖像序列運用進行數(shù)字圖像處理，除去背景，篩選出運動目標和運動信息，并對其進行分析，從而得到運動參數(shù)。l 醫(yī)療研究在醫(yī)學中，圖像診斷非常重要，其主要有兩個方面的應用：一個是對圖像進行一系列如增強、去噪等處理來幫助醫(yī)生更好地診斷疾病；第二個是利用對圖像進行自動分析處理，檢測識別出可疑區(qū)域，得出診斷結(jié)論。2005年，一套名為COCOA的系統(tǒng)在美國中央佛羅里達大學研制完成，專門用于對無人機低空飛行航拍獲得的圖像序列進行目標檢測跟蹤。目前運動目標檢測與跟蹤技術(shù)的研究主要設(shè)計以下幾個關(guān)鍵的技術(shù)。 目標檢測跟蹤存在的問題目前，目標檢測跟蹤技術(shù)存在的問題主要是由于實際背景環(huán)境的復雜性、目標運動的復雜性和視頻圖像復雜性造成的。 主要研究內(nèi)容與論文結(jié)構(gòu)本設(shè)計主要是對運動目標檢測與跟蹤原理進行分析，并通過在VC++編程實現(xiàn)對目標的檢測與跟蹤。2 運動目標檢測跟蹤基礎(chǔ)運動目標檢測跟蹤與工程應用結(jié)合緊密，涉及很多運動圖像處理的知識，首先介紹一下運動圖像涉及的一些基本內(nèi)容和原理。前景運動也叫作局部運動，是指目標在場景中自身的運動；背景運動也叫作全局運動（或攝像機運動），是指由攝像機的運動所造成的拍攝背景的移動。圖21 矢量場表達為了表示目標運動具有的復雜性和多變性，進行連續(xù)短時間運動分析，采用運動矢量方向直方圖的表達方式。包含運動目標的圖像序列可以分為兩種情況即靜止背景和變化背景。首先將相鄰幀圖像對應的像素值進行差分運算得到差分圖像，減掉灰度不會變化的背景部分。非回歸遞推建模方法是利用一段時間內(nèi)存儲的觀測數(shù)據(jù)進行建模，常用的有幀間差分、中值濾波等。檢測出的這個區(qū)域?qū)嶋H上包含了運動物體在前一幀所處區(qū)域P和其在當前幀所處的區(qū)域Q，它們的關(guān)系如下圖。這樣，一些小的空洞和毛刺就被去除。 int WIDTH, HEIGHT,IMAGESIZE。 BYTE *image2。 void Dilation(BYTE *sGray,int nWidth, int nHeight,int structure[3][3])。 count = 0。 m_pBackground = new BYTE[IMAGESIZE]。 m_pBackHistgram = new short int[IMAGESIZE*256]。 delete []m_pBackground。if(m_nFrameBACK_ALL_NUM){ if(m_nFrame==(BACK_ALL_NUM+1)) { GetBgImage()。 }DiffImage(m_pGrayImage,m_pBackground,WIDTH,HEIGHT,THRESHOLD)。 if(diffnThreshold||diffnThreshold) { m_pDiffImage[j*nWidth+i]=255。}/*GetBgImage函數(shù)說明：用于獲取背景圖像*/void CStatsticDetect::GetBgImage(){