【正文】 使用二維中值濾波最值得注意的是要保持圖像中有效的細(xì)線狀物體，如果圖像中的線、尖角細(xì)節(jié)較多，則不宜采用中值濾波。如果某特定 物體在內(nèi)部有均勻一致的灰度值，并且其處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。結(jié)構(gòu)元素在形態(tài)變換中的作用相當(dāng)于信號(hào)處理中的“濾波窗口”。 膨脹運(yùn)算的作用是把圖像周圍的背景點(diǎn)合并到物體中。它具有消除細(xì)小物體，在纖細(xì)處分離物體和平滑較大物體邊界的作用。許超提出的以最短線段結(jié)構(gòu)元素構(gòu)造準(zhǔn)圓結(jié)構(gòu)元素或序列結(jié)構(gòu)元素生成準(zhǔn)圓結(jié)構(gòu)元素相結(jié)合的設(shè)計(jì)方法，用于骨架的提基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 23 取，可大大減少形態(tài)運(yùn)算的計(jì)算量，并可同時(shí)滿足尺度、平移及旋轉(zhuǎn)相容性，適于對(duì)形狀進(jìn)行分析和描述。 混合高斯模型的建立 使用混合高斯模型方法 [1115]對(duì)背景進(jìn)行建模的方法，由 Stauffer 和 Grimson 等于1999 年提出。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 25 設(shè) t 時(shí)刻，圖像的每個(gè)像素點(diǎn) (x, y)的顏色 It(x, y)可由 K 個(gè)高斯分布描述， K 通常為3～ 7 個(gè)， i∈ [1, 2. ..., K]。但是，隨著時(shí)間的不斷積累，背景整體發(fā)生變化時(shí)，各個(gè)高斯模型分量將可能不再適應(yīng)。 混合高斯背景模型算法的優(yōu)缺點(diǎn) 高斯模型是使用均值和方差來衡量目標(biāo)，等同于給每個(gè)像素點(diǎn)以自 己的特有的閾值，不必因約束于統(tǒng)一的閾值而影響各個(gè)局部的效果。 （ 2）在 t+1 幀的時(shí)候，在上一幀跟蹤到的目標(biāo)位置的周圍采樣 n 個(gè)掃描窗口（避免去掃描整幅圖像），通過同樣的稀疏測(cè)量矩陣對(duì)其降維，提取特征，然后用第 t 幀訓(xùn)練好的樸素貝葉斯分類器進(jìn)行分類，分類分?jǐn)?shù)最大的窗口就認(rèn)為是目標(biāo)窗口。而且算法并未記憶任何目標(biāo)的相關(guān)特征信息，不適用于動(dòng)態(tài)場(chǎng)景下的目標(biāo)跟蹤，適用范圍也因此受到限基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 27 制 ,但隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)速度越來越快，目前的計(jì)算機(jī)條件下，高斯模型已經(jīng)取得了大規(guī)模的應(yīng)用。 對(duì)權(quán)值的更新： ? 時(shí)當(dāng)其它 miyxw yxw itityxitw ?????? ,),()1( ),()1(),(1 ??? （ ） 更新后，在對(duì)同一像素的高斯分布權(quán)值進(jìn)行歸一化，使得 K 個(gè)高斯模型的權(quán)值和為1。匹配方法如下，在 t 時(shí)刻，像素 (x, y)的特征值（如，灰度值）為 It(x, y)，則它對(duì)其第 i 個(gè)高斯模型有： ),(|),(),(|,1 ,0),( { yxitDyxityxtIyxO it ?? ??? 其它 （ ） 其中， D 為置信參數(shù)，取值一般為 2～ 3 之間，如 。 因?yàn)楸尘爸谐３：休p微擾動(dòng)的因素（如樹葉的晃動(dòng)）、不同時(shí)間段內(nèi)場(chǎng)景中光線的變化等，因此，使用單一的高斯模型表征某一像素點(diǎn)已不能滿足要求。 為解決這些問題，背景建模的跟蹤方法被提出。但是，在不同的應(yīng)用場(chǎng)合，結(jié)構(gòu)元素的選擇及其相應(yīng)的處理算法是不一 樣的，對(duì)不同的目標(biāo)圖像需設(shè)計(jì)不同的結(jié)構(gòu)元素和不同的處理算法。用 B（ x） 對(duì) E 進(jìn)行膨脹的結(jié)果就是把結(jié)構(gòu)元素 B 平移后使 B 與 E 的交集非空的點(diǎn)構(gòu)成的集合。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 21 對(duì)圖像進(jìn)行腐蝕運(yùn)算的作用是消除物體邊界點(diǎn)。其形態(tài)算子的實(shí)質(zhì)是表達(dá)物體或形狀的集合與結(jié)構(gòu)元素間的相互作用，結(jié)構(gòu)元素 的形狀就決定了這種運(yùn)算所提取的信號(hào)的形狀信息。即將 256 個(gè)亮度等級(jí)的灰度圖像通過適當(dāng)?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。中值濾波這種方法由于不依賴于鄰域內(nèi)那些與典型值差別很大的值，因而能在去除噪聲脈沖、椒鹽噪聲的同時(shí)又能保留圖像邊緣細(xì)節(jié)。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 17 第四章 圖像處理 彩色圖像灰度化處理 將彩色的圖像轉(zhuǎn)化成為灰度的圖像的過程叫作圖像的灰度化處理。//在 OpenCV 必須設(shè)置為 NULL void *imageId。//被 OpenCV 忽略 int depth。 cvaux – 輔助的（實(shí)驗(yàn)性的） OpenCV 函數(shù)。 各種動(dòng)態(tài)數(shù)據(jù)結(jié)構(gòu)（列表、隊(duì)列、集合、樹、圖等）。（細(xì)節(jié)參考發(fā)布版本的license）。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 13 在該理論框架下，采樣速率不再取決于信號(hào)的帶寬，而在很大程度上取決于兩個(gè)基本準(zhǔn)則：稀疏性和非相關(guān)性，或者稀疏性和等距約束性。既然已經(jīng)了解怎樣來識(shí)別出或檢測(cè)出檢測(cè)器的錯(cuò)誤，并且從中進(jìn)行學(xué)習(xí)訓(xùn)練。 長(zhǎng)時(shí)間跟蹤 TLD 算法 主要討論研究視頻流中的目標(biāo)物體的長(zhǎng)時(shí)間跟蹤問題。相似性有多種度量，最簡(jiǎn)單的一種是計(jì)算 sum(abs (Vi V))。具體到 Rob Hess 的代碼，開始時(shí)需要人工用鼠標(biāo)拖動(dòng)出一個(gè)跟蹤區(qū)域，然后程序自動(dòng)計(jì)算該區(qū)域色調(diào) (Hue)空間的直方圖，即為目標(biāo)的特征。 粒子濾波跟蹤算法 粒子濾波的核心思想是隨機(jī)采樣與重要性重采樣。)(()()(39。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 10 下面來看看使用 Kalman 編程的主要步驟： (1)Kalman 這個(gè)類需要初始化下面變量： 轉(zhuǎn)移矩陣，測(cè)量矩陣，控制向量 (沒有的話，就是 0)，過程噪聲協(xié)方差矩陣，測(cè)量噪聲協(xié)方差矩陣，后驗(yàn)錯(cuò)誤協(xié)方差矩陣，前一狀態(tài)校正后的值，當(dāng)前觀察值。研究光流場(chǎng)的目的就是為了從圖片序列中近似得到不能直接得到的運(yùn)動(dòng)場(chǎng)。在背景建模期間，每當(dāng)來了一幅新圖片，對(duì)每個(gè)像素點(diǎn)進(jìn)行碼本匹配，也就是說如果該像素值在碼本中某個(gè)碼元的學(xué)習(xí)閾值內(nèi)，則認(rèn)為它離過去該對(duì)應(yīng)點(diǎn)出現(xiàn)過的歷史情況偏離不大，通過一定的像素值比較，如果滿足條件，此時(shí)還可以更新對(duì)應(yīng)點(diǎn)的學(xué)習(xí)閾值和檢測(cè)閾值。通觀整個(gè)高斯模型，主要是 有方差和均值兩個(gè)參數(shù)決定，對(duì)均值和方差的學(xué)習(xí)，采取不同的學(xué)習(xí)機(jī)制，將直接影響到模型的穩(wěn)定性、精確性和收斂性。對(duì)于復(fù)雜的圖像，尤其是醫(yī)學(xué)圖像，一般是多峰的。 （ 2） 連續(xù)幀間差分法： 受光線變化影響較小，簡(jiǎn)單快速，但不能分割出完整的運(yùn)動(dòng)對(duì)象，需進(jìn)一步運(yùn)用目標(biāo)分割算法。除具備卓越的數(shù)值計(jì) 算能力外，它還提供了專業(yè)水平的符號(hào)計(jì)算，文字處理，可視化建模仿真和實(shí)時(shí)控制等功能。 OpenCV 致力于真實(shí)世界的實(shí)時(shí)應(yīng)用，通過優(yōu)化的 C 代碼的編寫對(duì)其執(zhí)行速度帶來了可觀的提升，并且可以通過購(gòu)買 Intel 的 IPP 高性能多媒體函數(shù)庫 (Integrated Performance Primitives)得到更快的處理速度。 Microsoft,IBM,EMITALL,CMU 等尖端公司包括知名技術(shù)性的實(shí)驗(yàn)室近年來都投入了大量的人力和物力致力于研發(fā)人工智能的監(jiān)控系統(tǒng)，并且開始造福于人類。近幾年來研究人員已經(jīng)漸漸將研究的重點(diǎn)從圖像中 的靜態(tài)目標(biāo)慢慢過渡到了復(fù)雜環(huán)境中的動(dòng)態(tài)目標(biāo)序列上面。對(duì)于圖像的分析其實(shí)質(zhì)就是關(guān)注這些圖像中的運(yùn)動(dòng)目標(biāo)。到了 70基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 3 年代，已經(jīng)出現(xiàn)了一些視覺應(yīng)用系統(tǒng)。 計(jì)算機(jī)視覺要處理的一個(gè)重要內(nèi)容，就是對(duì)視線范圍內(nèi)物體運(yùn)動(dòng)的檢測(cè)與跟蹤。 目前，計(jì)算機(jī)視覺技術(shù)已經(jīng)應(yīng)用在制造業(yè)、工業(yè)檢驗(yàn)、文檔分析、醫(yī)療診斷、軍事目標(biāo)跟蹤、自主導(dǎo)航等系統(tǒng)當(dāng)中。其中著重討論混合高斯背景模型與壓縮感知算法的 C++代碼設(shè)計(jì)（結(jié)合 OpenCV 庫） 的實(shí)現(xiàn)，并通過采樣視頻給出了程序的運(yùn)行結(jié)果以及說明算法的可行性。 、 圖 表要求： 1）文字通 順 ， 語 言流 暢 ， 書寫 字跡工整，打印字體及大小符合要求，無 錯(cuò)別 字，不準(zhǔn) 請(qǐng) 他人代 寫 2）工程 設(shè)計(jì)類題 目的 圖紙 ，要求部分用尺 規(guī)繪 制，部分用 計(jì) 算機(jī) 繪 制，所有 圖紙應(yīng) 符合 國(guó) 家技 術(shù)標(biāo) 準(zhǔn) 規(guī) 范。除了文中特 別 加以 標(biāo) 注引用的 內(nèi) 容外，本 論 文不包含任何其他 個(gè) 人或集體已 經(jīng)發(fā) 表或撰 寫 的成果作品。 對(duì) 本 研 究提供 過幫 助和做出 過貢獻(xiàn) 的 個(gè) 人或集體，均已在文中作了明確的 說 明 并 表示了 謝 意。 涉密 論 文按 學(xué) 校 規(guī) 定 處 理。本文在現(xiàn)有研究成果的基礎(chǔ)上，對(duì)靜態(tài)和動(dòng)態(tài)場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤進(jìn)行了深入的討論。作為一個(gè)新興學(xué)科，計(jì)算機(jī)視覺是通過對(duì)相關(guān)的理論和技術(shù)進(jìn)行研究，從而試圖建立從圖像或多維數(shù)據(jù)中獲取“信息”的人工智能系統(tǒng)。經(jīng)過研究人員不懈努力，全新的信息技術(shù)和媒體手段的出現(xiàn)，使得更加有效和友好的人機(jī)交互方式得到了發(fā)展，新型的人機(jī)交互將不再依賴傳統(tǒng)輸入設(shè)備。當(dāng)時(shí)的工作主要集中在二維圖像分析和識(shí)別上，如光學(xué)字符識(shí)別。 計(jì)算機(jī)視覺圖像分析技術(shù) 對(duì)于信息化的時(shí)代，人們?cè)缫呀?jīng)越來越注重于信息的處理與獲取。圖像分析一般劃分為四個(gè)主要的過程： 傳感設(shè)備的輸入； 目標(biāo)物體的分割； 目標(biāo)物體的識(shí)別； 解釋識(shí)別所得到的信息。 （ 3） 對(duì)于實(shí)時(shí)采集到的圖像信息，所具有的原始數(shù)據(jù)極其豐富，因?yàn)椴杉臅r(shí)間間隔非常小，所以圖像相鄰幀之間有很強(qiáng)的相關(guān)性，利用好這個(gè)關(guān)鍵點(diǎn)，對(duì)于提高整個(gè)檢測(cè)、跟蹤系統(tǒng)的效率極其具有實(shí)際意義。 Visual C++是 Microsoft 公司推出的開發(fā) Win32 環(huán)境程序，面向?qū)ο蟮目梢暬删幊滔到y(tǒng)。其中包含了各類濾波，色彩以及幾何，數(shù)學(xué)轉(zhuǎn)換，型態(tài)學(xué)計(jì)算分析，校正，分類辨識(shí)，形狀搜尋等等基本的幾何以及影像計(jì)算功能，由于這些功能大多并非針對(duì)特定工作設(shè)計(jì)的，因此只要用得到圖像處理的地方，就可以用 HALCON 強(qiáng)大的計(jì)算 分析能力來完成工作。 定位視線內(nèi)運(yùn)動(dòng)狀態(tài)物體 的方法 常見的傳統(tǒng)檢測(cè)方法 （ 1） 背景差分法： 原理是 實(shí)時(shí)輸入的圖像與背景進(jìn)行比較， 能完整快速地分割出運(yùn)動(dòng)圖像。 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 7 高斯混合背景建模法 高斯模型就是用高斯概率密度函數(shù)（正態(tài)分布曲線）精確地量化事物，將一個(gè)事物分解為若干的基于高斯概率密度函數(shù)（正態(tài)分布曲線）形成的模型。建模的基本思想是從當(dāng)前幀中提取前景，其目的是使背景更接近當(dāng)前視頻幀的背景。其次，對(duì)于每一幀中的每一個(gè)像素進(jìn)行 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 8 處理，看其是否匹配某個(gè)模型，若匹配，則將其歸入該模型中，并對(duì)該模型根據(jù)新的像素值進(jìn)行更新，若不匹配，則以該像素建立一個(gè)高斯模型，初始化參數(shù)，代理原有模型中最不可能的模型。一般而言，光流是由于場(chǎng)景中前景目標(biāo)本身的移動(dòng)、相機(jī)的運(yùn)動(dòng)，或者兩者的共同運(yùn)動(dòng)所產(chǎn)生的。另一個(gè)依據(jù)是可以用測(cè)量手段 來測(cè)量那個(gè)變量的值，當(dāng)然該測(cè)量也是有誤差的，也只能作為依據(jù)，不過這兩個(gè)依據(jù)的權(quán)重比例不同。這樣進(jìn)過計(jì)算就得到了系統(tǒng)狀態(tài)的預(yù)測(cè)值 x39。()(39。 RANSAC 的思想也是 (比如用在最簡(jiǎn)單的直線擬合上 )，既然不知道直線方程是什么，那就隨機(jī)的取兩個(gè)點(diǎn)先算個(gè)直線出來，基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 11 然后再看有多少點(diǎn)符合這條直線。 Rob Hess 的代碼用的是后一種方法。綜合所有小白鼠的報(bào)告，一號(hào)小白鼠處的相似度最高，三號(hào)小白鼠處的相似度最低，于是要重新分布，在相似度最高的小白鼠那里放更多的小白基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 12 鼠，在相似度最低則少放，甚至可以將原有的撤銷掉。跟蹤器在一幀幀的視頻幀中跟蹤目標(biāo)。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。 OpenCV 擁有包括 300 多個(gè) C/C++函數(shù)的跨平臺(tái)的中、高層 API。 特征： 圖像數(shù)據(jù)的操作 (分配、釋放、復(fù)制、設(shè)置和轉(zhuǎn)換 )。 目標(biāo)識(shí)別（特征法、隱馬爾可夫模型： HMM）。//IplImage 大小 int ID。//圖像搞像素?cái)?shù) struct _IplROI *roi。//排列的圖像大小，以字節(jié)為單位 char *imageDataOrigin。 第一種方法使求出每個(gè)像素點(diǎn)的 R、 G、 B 三個(gè)分量的平均值，然后將這個(gè)平均值賦予給這個(gè)像素的三個(gè)分量。 中值濾波特性 中值濾波有兩大特性： (1)對(duì)某些輸入信號(hào)中值濾波的不變性； (2)中值 濾波去噪性能：可以用來減弱隨機(jī)干擾和脈沖干擾。如果物體同背景的差別表現(xiàn)不在灰度值上（比如紋理不同），可以將這個(gè)差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值選取技術(shù)來分割該圖像。用 B（ x） 代表結(jié)構(gòu)元素，對(duì)工作空間 E 中的每一點(diǎn) x。如果兩個(gè)物體之間的距離比較近，那么膨脹運(yùn)算可能會(huì)使兩個(gè)物體連通在一起。 先膨脹后腐蝕的過程稱為閉運(yùn)算。 效果圖如下圖 所示： 圖 基于 OpenCV 的計(jì)算機(jī)視覺技術(shù)研究與實(shí)現(xiàn) 24 第五章 混合高斯模型與壓縮感知跟蹤算法原理詳解 混合高斯模型原理 背景差分法和幀間差分法以及光流法，雖然有算法簡(jiǎn)單、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)，但當(dāng)攝像機(jī)場(chǎng)景中，背景自身含有（如隨風(fēng)晃動(dòng)的樹葉等）運(yùn)動(dòng)的物體存在時(shí)，此兩種方法將出現(xiàn)大量的誤檢測(cè)信息。該方法假定，在噪聲影響下，背景圖像各個(gè)像素點(diǎn)的顏色值變化符合高斯分布。當(dāng)前幀像素觀測(cè)值的概率為： )),(),(),((),(),( 1t yxyxyxINyxwyxIP itittki it ???? ??）（ （ ） 其中， wti(x, y)是 t 時(shí)刻，像素 (x, y)的第 i 個(gè)高斯模型的權(quán)值。因此，需要對(duì)已建立