【正文】 供了這么一個可以感受人生的平臺！最后，我要感謝我的父母！不論我放了什么錯，不論我做了什么事，你們一直在我的背后支持著我！你們是我一生的動力！我愛你們！謝謝！附 錄附件清單：編號附 件 內(nèi) 容頁 數(shù)1任務(wù)書32文獻綜述73外文翻譯44開題報告105指導(dǎo)記錄卡16進程安排與考核表17指導(dǎo)教師評語及成績18評閱教師評語及成績19答辯小組評語及成績表110成績評定表111答辯記錄表1學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下進行的研究工作所取得的成果。本聲明的法律后果由本人承擔。本次畢業(yè)設(shè)計大概持續(xù)了半年，現(xiàn)在終于到結(jié)尾了。再次對周巍老師表示衷心的感謝。學(xué)友情深，情同兄妹。45。在我的十幾年求學(xué)歷程里，離不開父母的鼓勵和支持，是他們辛勤的勞作，無私的付出，為我創(chuàng)造良好的學(xué)習條件，我才能順利完成完成學(xué)業(yè)，感激他們一直以來對我的撫養(yǎng)與培育。另外，我還要感謝大學(xué)四年和我一起走過的同學(xué)朋友對我的關(guān)心與支持，與他們一起學(xué)習、生活，讓我在大學(xué)期間生活的很充實，給我留下了很多難忘的回憶。經(jīng)過這次畢業(yè)設(shè)計，我的能力有了很大的提高，比如操作能力、分析問題的能力、合作精神、嚴謹?shù)墓ぷ髯黠L等方方面面都有很大的進步。作者簽名: 二〇一〇年九月二十日對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式注明并表示感謝。同時，分割評價一直是目標分割中的一個薄弱環(huán)節(jié)，特別是對客觀評價標準的篩選和評估。然后進入第三步，連通區(qū)域合并，將分割后各個時間段在某點，和某塊區(qū)域，或者某些點的在不同時間段的圖像提取出來，合并成一個完成的連續(xù)的視屏，這樣完整的運動目標分割方法才算結(jié)束。output video39。 %打開avi = aviread(39。hold offend。r39。disp(heit)。heig=toplentpln。,s(r).BoundingBox,39。Position39。 % s = regionprops(bw1, 39。for w=1:colsfor h=1:rowsif(bw(h,w,l))leftsi = w。imshow(bw(:,:,l))hold on% % for h=1:rows% for w=1:cols% if(d(:,:,l) )% d(h,w,l)=0。d(:,:,l)39。 endrows=240。for f = 1:nFrames% F = getframe(gcf)。當: （）時，說明這兩個矩形有相交的部分，所以把它們合并,令(x1“，y1”)，(x2“，y1”)，(x1“，y2”)和(x2“，y2”)表示合并后的矩形的左上、右上、左下和右下頂點的坐標。 () () 其中，m=m+1意為把臨時標記賦值一次后要把臨時標記加1。方法4只適于在特殊的硬件結(jié)構(gòu)上執(zhí)行。然后是第二步，將臨時標記用等價表里的最小等價標記替代。因此，中值濾波簡化為簡單的求和，大大降低了運算量。為了既能去除噪聲，又能保留邊界信息，可以使用中值濾波算法。當函數(shù)是凸函數(shù)（convex，function）時，Jensen不等式保證：，其中。剩下一個問題就是判斷各個模型是屬于前景還是背景。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。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。(如果是一維的高斯過程，標準偏離由()定義。由()()可知，通過在線的EM方法估計混合高斯模型的參數(shù)歸根到底是要求P(k|Xt，)，這是一個后驗概率，直觀上的意義可以理解為已知某個觀測戈，判斷這個觀測是由第k個高斯過程產(chǎn)生的概率。首先，由于是在線算法，而且實際過程中每一時刻的參數(shù)都可能變化，同時最近的觀測所包含的實際過程的信息量較大，所以要使得參數(shù)能根據(jù)當前的觀測進行更新。有很多早期的工作對這個求解進行了研究。這相當于一種兩分法，但作為背景的高斯的數(shù)目并不是固定的。要使用混合高斯模型進行背景分割，只要估計出上述兩個問題中相應(yīng)的分布率?？梢赃@樣來直觀的理解這個貝葉斯框架:把某點觀測到的樣本看成是那些不同高斯過程產(chǎn)生的(看到的顏色是那些不同的物理表面產(chǎn)生的)，我們首先判斷某個樣本(某點某時刻的觀測)是哪個高斯過程產(chǎn)生的，然后再來判斷各個高斯過程哪些是背景過程，哪些是前景過程。接下來的這種方法是混合高斯模型方法，我將在隨后章節(jié)作詳細分析。基于貝葉斯概率統(tǒng)計的運動估計建立統(tǒng)計模型 [10]。如果圖像中沒有運動目標，則光流失量在整個圖像區(qū)域是連續(xù)變化的，當物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和鄰域背景速度矢量不同，從而檢測出運動物體的位置。對后一種情況，處理起來比較復(fù)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(chǔ)上進行多幀能量積累和噪聲抑制。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(shè)的相對次序，并給出相鄰圖像獲取的時間間隔關(guān)系。運動目標分割是圖像分割技術(shù)在時間域上的一個分支，主要利用的是目標的運動特征達到分割的目的。用P(B|x)來表示這個后驗概率，P(x)是此點在某時刻的觀測值，B表示背景事件(即觀測到的物理表面為背景)。最后是進行相關(guān)后處理，以實現(xiàn)濾除噪聲及準確提取界。同時，StauLuffeGrimson在將混合高斯模型應(yīng)用到實際中而進行簡化時，將后驗概率的計算用比較匹配進行替代，這可以極大的降低算法的計算量和復(fù)雜度，但同時犧牲了效果。根據(jù)分割方法學(xué)的不同可以分為基于模型擬合的分割和基于聚類的分割。底層視覺模塊主要研究背景的創(chuàng)建和更新以及前景人體目標的分割和提取，分割的準確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義?；谧兓瘏^(qū)域檢測是眾多分割方法中的一類，此類方法是通過檢測序列圖像幀上的變化區(qū)域與不變區(qū)域，以將運動物體與靜止背景進行分割的．基于變化區(qū)域檢測的方法是在基于時空圖像亮度和梯度信息的獨立運動區(qū)域中考慮圖像分割的．為了降低噪聲的干擾，通常都利用相鄰兩幀檢測變化區(qū)域．分割過程有使用參數(shù)模型和不使用參數(shù)模型的方法．而本文就是要研究基于參數(shù)模型下的運動目標分割方法。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)庫進行檢索，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。盡我所知，除文中特別加以標注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機構(gòu)的學(xué)位或?qū)W歷而使用過的材料。聲明人(簽名)： 年 月 日 畢業(yè)設(shè)計（論文）原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重承諾：所呈交的畢業(yè)設(shè)計（論文），是我個人在指導(dǎo)教師的指導(dǎo)下進行的研究工作及取得的成果。作者簽名： 日期： 年 月 日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。運動目標的有效分割對于目標識行為理解等后期的處理是非常重要的。大體上可分為底層視覺模塊、中間層數(shù)據(jù)融合模塊和高層視覺模塊。分割是一個很大而且比較難的話題，針對分割的目標數(shù)據(jù)集的不同，可以把分割分為對靜態(tài)圖像的分割、對視頻流的分割和對樣本(感興趣模式的標識符，如圓點、直線等)的分割。當遇到運動目標與背景顏色相近、背景中的物體突然移動、產(chǎn)生陰影或是背景擾動[1]等情況時，混合高斯模型的效果就會受到影響。再基于某種均勻性標準來確定分割決策，根據(jù)所提取特征將視頻數(shù)據(jù)歸類。從貝葉斯的觀點來看，這種判斷應(yīng)該是基于后驗概率的。在實際應(yīng)用過程中，有很多影響因素都對分割算法造成了困難口。下面將對一些基本的分割方法或思想進行簡略分析和介紹。對前一種情況可采用消除背景的方法，處理起來比較簡單。光流法分割運動目標的基本原理是：給圖像中的每一個像素點賦予一個速度矢量，這就形成了一個圖像運動場，在運動的一個特定時刻，圖像上的點與三維物體上的點一一對應(yīng)，這種對應(yīng)關(guān)系可由投影關(guān)系得到，根據(jù)各個像素點的速度矢量特征，可以對圖像進行動態(tài)分析。對于灰度圖像I(x,y)來說，外部能量通?？杀硎緸? ()式中：是方差為的二維高斯函數(shù)；是梯度算子。除以上介紹的四個主流方法以外，現(xiàn)今所有的分割方法還有基于高階統(tǒng)計的方法；基于小波的方法；基于人工神經(jīng)網(wǎng)絡(luò)的方法，基于形態(tài)學(xué)的分割方法；遺傳算法以及使用空間變換的網(wǎng)絡(luò)模型的分割方法等等，由于篇章問題，也就不一一列舉。然后估計每個高斯過程是背景過程(即它所代表的物理表面被作為背景，以下同)的概率。可以使用區(qū)域級幀級分割、動態(tài)模板或是禍合目標模型等方法來引進高層語義。很多早期的論文就使用了這種方法，即把最有可能的幾個高斯作背景，其余的都不是背景。(x)中的各個參數(shù)這是當觀測數(shù)據(jù)為不完全數(shù)據(jù)時求解最大似然估計的問題。因此，就是定義一個時間軸上的學(xué)習速率，使得某一時刻的參數(shù)不僅能根據(jù)當前的觀測進行更新，同時能夠利用前一時刻的參數(shù)進行時間上的積累平均。把()代入()和()得到: () () ()()()與()()并不是完全一致的，因為()的定義少了一個因子，這樣做的好處是簡化了計算，下文中會具體進行分析。他們用簡單的匹配代替了P(k|xt，)的計算。如果這個表面是長期出現(xiàn)的，它的峰值會隨著學(xué)習過程逐漸增大，并最終成為背景。再來看一下這樣定義的問題，導(dǎo)致前一時刻的估計為0或非實數(shù)，這樣在具體計算之前要進行判斷，而StaufferGrimson的方法就不存在這樣的問題。從而，實際的背景分割過程首先判斷當前觀測與哪一個高斯模型匹配，然后再判斷這個高斯模型是屬于背景還是前景。假設(shè)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(quán)平均法作為改進，給窗口內(nèi)不同位置的像素設(shè)不同的權(quán)，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。另外，需要將離得很近的或是相交的方框合并為一個方框，具體做法如下:令(x1，y1)，(x2，y1)，(x1，y2)和(x2，y2)分別表示一個矩形的左上、右上、左下和右下頂點的坐標，(x1‘，y1’)，(x2‘，y1’)，(x1‘，y2’)和(x2‘，y2’)分別表示另一個矩形的左上、右上、左下和右下頂點的坐標。% 開始分割 clear videoend%轉(zhuǎn)換為RGB到灰度圖像nFrames = size(pixels,4)。% endpixel(:,:,f) = (rgb2gray(pixels(:,:,:,f)))。% himage = imshow(39。bw1=bwlabel(bw(:,:,l))。coun=1。% % disp(d)。)% for r = 1 : length(s) %rectangle(39。position39。widh=leftsilftln。hth(l)=heth。,39。drawnow。)。disp(39。第二步是將得到的目標進行聯(lián)通區(qū)域標定，我們發(fā)現(xiàn)分割后的圖像是一個個小的零碎，而如果不經(jīng)過處理，我們完全不知道哪個是T時間段的圖像，哪個是T1的，所以，我們要運用到區(qū)域標定，已方便，將不同時間段的圖像數(shù)據(jù)合并。在視頻分割方面，最近十多年中，計算機視覺、機器學(xué)習、模式識別等學(xué)科都有了一些新的進展，也為目標分割提供了新的技術(shù)和手段。盡我所知，除文中已經(jīng)特別注明引用的內(nèi)容和致謝的地方外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的研究成果。 本次畢業(yè)設(shè)計是對我大學(xué)四年學(xué)習下來最好的檢驗。其次，我要感謝大學(xué)四年中所有的任課老師和輔導(dǎo)員在學(xué)習期間對我的嚴格要求，感謝他們對我學(xué)習上和生活上的幫助，使我了解了許多專業(yè)知識和為人的道理，能夠在今后的生活道路上有繼續(xù)奮斗的力量。四年的風風雨雨，我們一同走過，充滿著關(guān)愛，給我留下了值得珍藏的最美好的記