【正文】 □ 及格 □ 不及格 （在所 選 等 級(jí) 前的□ 內(nèi)畫(huà) “√”） 評(píng)閱教師 ： （ 簽 名） 單 位： （蓋章） 年 月 日 I 教研 室（或答 辯 小 組 ）及 教學(xué) 系意 見(jiàn) 教研 室（或答 辯 小 組 ） 評(píng) 價(jià)： 一、答 辯過(guò) 程 畢業(yè)論 文（ 設(shè)計(jì) ）的基本要點(diǎn)和 見(jiàn) 解的 敘 述情 況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 對(duì) 答 辯問(wèn)題 的反 應(yīng) 、理解、表 達(dá) 情 況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學(xué) 生答 辯過(guò) 程中的精神 狀態(tài) □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、 論 文（ 設(shè)計(jì) ） 質(zhì) 量 論 文（ 設(shè)計(jì) ）的整體 結(jié)構(gòu) 是否符合撰 寫(xiě)規(guī) 范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的 論 文（ 設(shè)計(jì) ）任 務(wù) （包括裝 訂 及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 三、 論 文（ 設(shè)計(jì) ）水平 論 文（ 設(shè)計(jì) ）的理 論 意 義 或 對(duì) 解 決實(shí)際問(wèn)題 的 指 導(dǎo) 意 義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論 文的 觀 念是否有新意？ 設(shè)計(jì) 是否有 創(chuàng) 意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論 文（ 設(shè)計(jì)說(shuō) 明 書(shū) ）所體 現(xiàn) 的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 評(píng) 定成 績(jī) ： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 教研 室主任（或答 辯 小 組組長(zhǎng) ）： （ 簽 名） 年 月 日 教學(xué) 系意 見(jiàn) ： 系主任： （ 簽 名） 年 月 日 II 目 錄 摘 要 ...................................................... IV Abstract ..................................................... V 引 言 ....................................................... 1 第一章 緒 論 ................................................. 2 系統(tǒng)開(kāi)發(fā)背景 ...................................................... 2 計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展的歷程 .......................................... 2 計(jì)算機(jī)視覺(jué)圖像分析技術(shù) ............................................ 3 計(jì)算 機(jī)視覺(jué)國(guó)內(nèi)外研究現(xiàn)狀 .......................................... 3 系統(tǒng)開(kāi)發(fā)環(huán)境 ...................................................... 4 第二章 定位與跟蹤視線范圍內(nèi)運(yùn)動(dòng)狀態(tài)物體方法 ................... 6 定位視線內(nèi)運(yùn)動(dòng)狀態(tài)物體的方法 ...................................... 6 常見(jiàn)的傳統(tǒng)檢測(cè)方法 .......................................... 6 高斯混合背景建模法 .......................................... 7 codebook 算法 ................................................ 8 跟蹤視線內(nèi)運(yùn)動(dòng)狀態(tài)物體的方法 ...................................... 8 基于光流跟蹤算法 ............................................ 8 卡爾曼跟蹤算法 .............................................. 9 粒子濾波跟蹤算法 ........................................... 10 長(zhǎng)時(shí)間跟蹤 TLD 算法 ......................................... 12 壓縮感知跟蹤（ CT 跟蹤） ..................................... 12 第三章 軟件平臺(tái) ............................................. 14 OpenCV 簡(jiǎn)介 ...................................................... 14 OpenCV 中常用數(shù)據(jù)結(jié)構(gòu)體系 ........................................ 15 第四章 圖像處理 ............................................. 17 III 彩色圖像灰度化處理 ............................................... 17 中值濾波處理 ..................................................... 18 中值濾波原理 ............................................... 18 中值濾波特性 ............................................... 18 二值化處理 ....................................................... 19 腐蝕與膨脹處理 ................................................... 20 開(kāi)運(yùn)算和閉運(yùn)算處理 ............................................... 22 第五章 混合高斯模型與壓縮感知跟蹤算法原理詳解 ................ 24 混合高斯模型原理 ................................................. 24 混合高斯模型的建立 ......................................... 24 混合高斯背景模型的 更新 ..................................... 26 混合高斯背景模型算法的優(yōu)缺點(diǎn) ................................ 26 壓縮感知跟蹤（ Compressive Tracker） .............................. 27 壓縮感知跟蹤概述 ........................................... 27 壓縮感知跟蹤的相關(guān)理論推導(dǎo) ................................. 27 壓縮跟蹤算法 ............................................... 31 第六章 系統(tǒng)實(shí)現(xiàn)與結(jié)果 ....................................... 32 視線檢測(cè)的實(shí)現(xiàn)與結(jié)果 ............................................. 32 視線追蹤的實(shí)現(xiàn)與結(jié)果 ............................................. 34 結(jié)束語(yǔ) ...................................................... 37 參考文獻(xiàn) .................................................... 38 致 謝 ...................................................... 39 附 錄 ...................................................... 40 IV 摘 要 計(jì)算機(jī)視覺(jué)技術(shù)就是利用了攝像機(jī)以及電腦擁有人類(lèi)雙眼所具有的分類(lèi)、識(shí)別、追蹤、判別決策等視覺(jué)功能。 對(duì) 本文的 研究做出重要 貢獻(xiàn) 的 個(gè) 人和集體，均已在文中以明確方式 標(biāo) 明。 盡 我所知，除文中特 別 加以 標(biāo) 注和致 謝 的地方外，不包含其他人或 組織 已 經(jīng)發(fā) 表或公布 過(guò) 的 研究成果，也不包含我 為獲 得 及其 它教 育機(jī) 構(gòu) 的 學(xué) 位或 學(xué)歷而使用 過(guò) 的材料。本人授 權(quán) 大 學(xué) 可以 將 本 學(xué) 位論 文的全部或部分 內(nèi) 容 編 入有 關(guān)數(shù) 據(jù) 庫(kù)進(jìn) 行 檢 索，可以采用影印、 縮印或 掃 描等 復(fù) 制手段保存和 匯編 本 學(xué) 位 論 文。動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤作為計(jì)算 機(jī)視覺(jué)領(lǐng)域的一個(gè)重要部分，在工業(yè)、醫(yī)療保健、航空航天、軍事等各個(gè)領(lǐng)域具有廣泛的應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。也就是用計(jì)算機(jī)來(lái)實(shí)現(xiàn) 對(duì)客觀世界的識(shí)別與理解 ,理解是指對(duì)被觀察對(duì)象的形狀、尺寸、離開(kāi)觀察點(diǎn)的距離、質(zhì)地、運(yùn)動(dòng)特征 (包括方向和速度 ) 等的理解 ,更準(zhǔn)確點(diǎn)說(shuō)，它是利用攝像機(jī)和電腦代替人眼使得計(jì)算機(jī)擁有類(lèi)似于人類(lèi)的那種對(duì)目標(biāo)進(jìn)行分割、分類(lèi)、識(shí)別、跟蹤、判別決策的功能。 迄今為止，計(jì)算機(jī)視覺(jué)的發(fā)展已經(jīng)歷了一個(gè)漫長(zhǎng)的過(guò)程。 計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展的歷程 計(jì)算機(jī)視覺(jué)技術(shù)是在 20 世紀(jì) 50 年代從統(tǒng)計(jì)模式識(shí)別 開(kāi)始的。目前，計(jì)算機(jī)視覺(jué)技術(shù)正在廣泛的應(yīng)用于計(jì)算幾何、計(jì)算機(jī)圖形學(xué)、圖像處理、機(jī)器人學(xué)等多個(gè)領(lǐng)域中。綜上述以數(shù)字圖像處理為基礎(chǔ)，從而分析視頻圖像的運(yùn)動(dòng)的整個(gè)處理過(guò) 程，涉及到了一些不同領(lǐng)域與科學(xué)。但是在復(fù)雜的背景下，需要提高檢測(cè)目標(biāo) 物體的精確性，以及檢測(cè)的數(shù)學(xué)算法的魯棒性、實(shí)時(shí)性。 系統(tǒng)開(kāi)發(fā)環(huán)境 本系統(tǒng)是在 Windows 平臺(tái)上使用 VS2020，綜合運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)、數(shù)字圖像處理技術(shù)，基于 OpenCV 設(shè)計(jì)實(shí)現(xiàn)運(yùn)動(dòng)物體檢測(cè)與跟蹤系統(tǒng)。事實(shí)上，這是一套 image processing library，由一千多個(gè)各自獨(dú)立的函數(shù)，以及底層的數(shù)據(jù)管理核心構(gòu)成。時(shí)下應(yīng)用較為廣泛的是背景差法、幀間差分法以及綜合法。 在整個(gè)圖像中，光流失量其實(shí)是連續(xù)變化的，一但返現(xiàn)速度矢量出現(xiàn)了不連續(xù)，有斷裂的情況，那么就可以得出運(yùn)動(dòng)物體的位置。 首先要提起背景和前景的概念，前景是指在假設(shè)背景為靜止的情 況下，任何有意義的運(yùn)動(dòng)物體即為前景。 最后歸納一下其中的流程，首先初始化預(yù)先定義的幾個(gè)高斯模型， 對(duì)高斯模型中的參數(shù)進(jìn)行初始化，并求出之后將要用到的參數(shù)。它是空間運(yùn)動(dòng)物體在觀察成像平面上的像素運(yùn)動(dòng)的瞬時(shí)速度，是利用圖像序列中像素在時(shí)間域上的變化以及相鄰幀之間的相關(guān)性來(lái)找到上一幀跟當(dāng)前幀之間存在的對(duì)應(yīng)關(guān)系，從而計(jì)算出相鄰幀之間物體的運(yùn)動(dòng)信息的一種方法。主要是來(lái)跟蹤的某一個(gè)變量的值，跟蹤的依據(jù)是首先根據(jù)系統(tǒng)的運(yùn)動(dòng)方程來(lái)對(duì)該值做預(yù)測(cè)，比如說(shuō)知道一個(gè)物體的運(yùn)動(dòng)速度，那么下面時(shí)刻它的位置按照道理是可以預(yù)測(cè)出來(lái)的，不過(guò)該預(yù)測(cè)肯定有誤差，只能作為跟蹤的依據(jù)。 A,B,u(k),也都是給定了的值。 K(k)為 Kalman 增益，其計(jì)算公式為))(39。這個(gè)思想和 RANSAC 算法真是不謀而合。比如， a)均勻的放：即在整個(gè)圖像平面均勻的撒粒子 (uniform distribution)； b)在上一幀得到的目標(biāo)附近按照高斯分布來(lái)放，可以理解成，靠近目標(biāo)的地方多放，遠(yuǎn)離目標(biāo)的地方少放。在新的一幀圖像 里，目標(biāo)的所在還是放小白鼠搜索吧。該框架將目標(biāo)的長(zhǎng)時(shí)間的跟蹤任務(wù)清晰地分解成三個(gè)部分，跟蹤，學(xué)習(xí)和檢測(cè)。 壓縮感知跟蹤（ CT 跟蹤） 通過(guò)稀疏感知理論可以知道，通過(guò)一個(gè)滿(mǎn)足 RIP 條件的非常稀疏的測(cè)量矩陣對(duì)原圖像特征空間做投影，就可以得到一個(gè)低維壓縮子空間。它由一系列 C 函數(shù)和少量 C++類(lèi)構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法。目的是為了實(shí)時(shí)應(yīng)用獨(dú)立于操作系統(tǒng) /硬件 /圖形管理器，通用的圖像 /視頻載入、保存和獲取模塊，底層和高層的應(yīng)用開(kāi)發(fā)包。 運(yùn)動(dòng)分析（光流、運(yùn)動(dòng)分割、跟蹤）。 OpenCV 的算法中，圖像的格式被設(shè)定為 IplImage,其結(jié)構(gòu)具體定義如下： typedef struct _IplImage { int nSize。//圖像寬像素?cái)?shù) int height。//指向排列的圖像數(shù)據(jù) int widthStep。圖像的灰度化處理可用兩種方法來(lái)實(shí)現(xiàn)。