【正文】 ？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設計）水平 論文（設計）的理論意義或?qū)鉀Q實際問題的指導意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設計說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 建議成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 （在所選等級前的□內(nèi)畫“√”） 評閱教師： （簽名） 單位： （蓋章） 年 月 日 基于參數(shù)模型的運動目標分割方法研究 教研室（或答辯小組）及教學系意見 教研室（或答辯小組）評價： 一、答辯過程 畢業(yè)論文（設計）的基本要點和見解的敘述情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 對答辯問題的反應、理解、表達情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生答辯過程中的精神狀態(tài) □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設計）質(zhì)量 論文（設計）的整體結(jié)構(gòu)是否符合撰寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設計）任務（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 三、論文（設計）水平 論文（設計）的理論意義或?qū)鉀Q實際問題的指導意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設計說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 評定成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 （在所選等級前的□內(nèi)畫“√”） 教研室主任（或答辯小組組長）： （簽名） 年 月 日 教學系意見： 系 主任： （簽名） 年 月 日 浙江理工大學本科畢業(yè)設計 1 摘 要 近年來，隨著通信和計算機技術的日益進步，以及全球安全防范工作的迫切 需要，智能視頻監(jiān)控系統(tǒng)獲得了日益廣泛的研究與應用。 關鍵詞： 運動目標分割；高斯混合模型 ； EM 算法 ； 背景分割 基于參數(shù)模型的運動目標分割方法研究 Abstract The abstract recent years, along with the correspondence and the puter technology daily progress, as well as the global safe guard work urgent need, the intelligent video frequency supervisory system has obtained day by day the extensive research and the intelligent video frequency monitoring is refers through to the video frequency content analysis, divides goals and so on human, animal and vehicles, and gives each goal the behavior and the movement description, judges the thunderbolt the occurrence, and has policymaking behaviors and so on following the technology has included movement aspects and so on goal examination division, extraction, track, target category and behavioral analysis, involves to domain and so on puter vision, pattern recognition and artificial intelligence many core topics. The movement target tracking is an intelligent video frequency supervisory system basic movement goal division goal is withdraws from the sequence image the movement goal change region from the movement goal effective division regarding later period and so on item marking behavior understanding processing is extremely on changes the region examination is in a multitudinous division method kind, this kind of method is through the examination sequence chart picture frame on change region and the invariable region, by carries on the mobile and the static background the division. Based on changes the region examination the method is in considers the image division based on the space and time image brightness and in the gradient information independence movement region. For the noise reduction disturbance, usually all uses the neighboring two examinations to change the region. The division process has the operating parameter model and the operating parameter model method. But this article is needs to study based on the parameter model under the movement goal division main research mixes the model based on Gauss the movement goal division method. 浙江理工大學本科畢業(yè)設計 3 Key word: Movement goal division。但是視頻分割技術一直是計算機視覺及多媒體應用中最困難的問題之一。要想為分割建立起一個系統(tǒng)的理論架構(gòu)比較難，其 中的一個原因就是，很難從比舉例更實用的層次去評價一個分割方法。 而 運動目標 分割涉及對視頻內(nèi)容的分析和理解，這與人工智能、圖像理解、模式識別、神經(jīng)網(wǎng)絡和計算機視覺等學科有密切聯(lián)系。 高斯混合模型 本 文主要研究基于參數(shù)模型的運動 目標分割方法，而 參數(shù)模型是指采用某特定形式的 概率密度函數(shù) 來描述語音 特征矢量 在 特征空間 的分布情況以該概率密度函數(shù)的一組參數(shù)作為模型的特征 [6]?，F(xiàn)在我們不知道背景和前景的準確定義，因為什么是背景什么是前景是和具體應用環(huán)境密切相關的，背景和前景的區(qū)分是高層的語義，屬于圖 像理解的層面。然而，眾所周知，圖像分割本身就是一個病態(tài)問題，因為底層數(shù)據(jù)所提供的信息總是少于分割本身所需的信息，所以分割沒有唯一的結(jié)果，沒有最優(yōu)的結(jié)果，沒有正確的結(jié)果，沒有錯誤 的結(jié)果，分割應視具體應用的不同而有不同的策略、準則，沒有一個通用的方法。 差分法 圖像序列又成為動態(tài)圖像，它由一系列圖像組成，它們具有給定的活著假設的相對次序，并給出相鄰圖像獲取的時間間隔關系。對后一種情況，處理起來比較復雜，則通常需要進行幀間穩(wěn)像及配準；若采用突出目標的方法，則需要在配準的基礎上進行多幀能量積累和噪聲抑制。 ( , , ) ( , , )( , ) 1。 Snake算法的主要思想是：一條參數(shù)曲線在內(nèi)力和外力的作用下移動到某個能量函數(shù)極小的位置，以此來確定物體的輪廓。這種算法可以同時完成運動場估計和 目標 分割，但計算量比較大，而且需要選擇合適的特征并建立良好的 目標 特征概率分布模型。簡單來說就是用混合高斯過程來模擬某個點隨時間的變化過程。因此在解決第二個問題時可以引入一些與應用環(huán)境相關的因子和高層的語義來達到更好的效果。假設 P(x|Gk,B)=P(x|Gk)某點（ r， c）的背景過程在 t時刻的分布 (直觀點說就是是背景的概率 )[15]可以表示為 : 11( , , ) ( , ) ( | , ) ( | ) ( ) ( | ) ( ) ( | )k k k k kkkM r c t P x B P x B G P G B P B P x G P G P B G??? ? ???（ ） 等號最右邊的表達式表明背景的分布是由原始的混合模型中的高斯部分經(jīng)P(x|r)加權得到的。然后我們要對 P(x|q)進行估計。 當前所有觀測樣本的最大似然函數(shù)可以表示為 1 2 11( , , . . . , , | ) ( | )NN x ktP X X X k f X???? ? 表示某點某時刻的觀測值，當前總共有 N 個觀測值。定義一個時變的增益二一廠 (就是前面說的時間軸上的學習速率，把 ()簡化為如下的形式 : ? (1 ) ( | , )t t kk t t k t t P k X? ? ? ? ?? ? ? () 上述模型雖然體現(xiàn)了 X 的不平穩(wěn)性，但是有一點不足，當 t很大的時候，模型對新的觀測就會越來越不敏感，然而，相對于舊的觀測來說新 的觀測應該更加重要，這樣才能適應實際模型的變化。然而實際中， X 往往很有可能不是由這 K個高斯過程產(chǎn)生的，比如一個從未出現(xiàn)的表面進入了像素的視野。ik t tm a tc hM P k Xo th e r w is e ?????? () 如果有兩個或兩個以上的高斯都匹配，則取混合模型中峰值 G 最大的1 2 1 2 2 1 2 11 1 0 1 2 0 2 1 0 2 2 01 m a x ( , )2 2 4amp。因此，要求混合模型中高斯模型的數(shù)目至少能夠保證隨時有一個高斯處于閑置狀態(tài)可以用來模擬新出現(xiàn)的表面。 背景分割 這里的背景分割實際上指的就是判斷當前的觀測是前景還是背景。判斷當前觀測與哪一個高斯模型匹配就是前面 。 假設某隨機向量由兩部分組成 :可見部 分 Z 和隱含部分 c，滿足分布 P=（ C=i,Z|? )。 后來有人提出鄰域加權平均法作為改進，給窗口內(nèi)不同位置的像素設不同的權，從而可以減 少模糊性而較好地保留邊緣信息。當 1的數(shù)目多于模板中像素數(shù)的一半時，就認為中值為 1，反之，中值為 0。第一步之后或是第一步進行的同時，用一個搜索算法處理等價表。方法 3 在執(zhí)行時間方面要快很多，然而，它需要比較大的堆棧來存儲對樹進行的操作。 首次遍歷 :正向遍歷，遍歷時利用等價表分配臨時標記，并把臨時標記傳遞到相鄰的像素，實現(xiàn)快速標記。 ( { , ( , ) } )[ ( , ) ] ( , ) 。 ( ( , ) )BBn o o r e r a tio n if b x y Fg x y T g x i y j T x y if g x i y j F???? ? ? ? ? ? ? ?? （ ） 就這樣，正向與反向遍歷不斷進行，直到?jīng)]有臨時標記變化為止，即滿足 m in[ ( , ) ] ( , ) 。 amp。由于種種原因 (如窗口內(nèi)噪聲點的個數(shù)大于窗口寬度的一半 時，中值濾波效果不好，或是目標太小 )可能會產(chǎn)生很小的矩形方框，因為可能是噪聲或信息量太小，無法進行后續(xù)的 目標 分析，需要通過大小