【正文】 判斷而丟棄掉。在遍歷到每個像素時，執(zhí)行以下操作 : m i n。 ( ( , ) )( , ) ( ) 。 我使用的方法介于 1和 2之間，即既要反復正向反向遍歷圖像，又用到了一維等價表。 ，在這里標記的等價關(guān)系同樣由一個搜索算法進行處理。 實驗結(jié)果 圖 4— 1 連通區(qū)域標定 連通區(qū)域標定指的是根據(jù)四連通或八連通的相鄰性原則，通過形態(tài)學的方法，把某些相鄰的像素標記為一個同源的整體。中值濾波算法仍使用滑動窗口技術(shù)，但把窗口中心對應的圖像像素修改為窗口所覆蓋的所有的像素的中間值 (即把窗口覆蓋的所有像素值按升序或降序順序排列，然后取中間值 )。容易證明函數(shù) log()x 是凸函數(shù)，所以 ln ( ) ln ( )t t t txx?????，于是： 浙江理工大學本科畢業(yè)設(shè)計 21 t t t txx???? ? () 將 P=（ C=i,Z|? )簡寫成 P=（ Ci,Z|? )，就可以得到下面的等式： ( , | ) ( , | )( | ) ( , | ) iiiiiip C Z p C Zp Z p C Z C ????? ???? ? ? ?????? ? () 把 ()應 用到 ()右邊最后一個不等式，并對其兩邊同時取對數(shù)化簡后得到下面的表達式： ( , | )l n ( | ) l n ( l n ( , | ) l n )ii i i iiip C Zp Z i p C Z p??? ? ? ????? ? ????? ?? () 定義 L( ? )=ln(p(Z| ? )), ( , ) ( l n ( , | ) l n )i i iiF p C Z p? ? ? ? ????, 其中12( , ,... )TN? ? ? ?? 。 StaufferGrimson 采用了一種排序的機制，即按照成為背景的可能性由大到小把各高斯模型排序，選擇 Gk 作成 背景可能的參數(shù)，這個值越大，相應的高斯模型就越有可能是背影從公式上看，加權(quán)高斯分布、 ( | , )x t kf k X ? 的峰值成正比直觀來看，一個表面如果經(jīng)常出現(xiàn)在視野中 (大的 )，觀測值不怎 么變化，比較穩(wěn)定 (小的 )，就很有可能是背景。因此，如果背景是雙表面的，混合模型中最少要有三個高斯模型，其中兩個模擬背景，另外一個模擬前景。由于用匹配取代了后驗概率的計算，背景概率的精確度大大降低，因此，在分割后的前景部分出現(xiàn)了很多的鏤空。 ||y y y y x x x xx x H x x H x x H x x H???? ??? ? ? ?? ? ? ?? ? ? ? ? ? ? ?高斯作為匹配。 ()— ()可知，我們實際上要求 P(k|Xt， ? )， k對于直觀理解有些作用，但對參數(shù)估計是沒用的 P(k|? ))，因為貝葉斯公式 ()右邊的參數(shù)正是 EM 要估計的參數(shù)，我們是要通過 P(k|Xt， ? )來估計混合模型的參數(shù)，不能本末倒置 ，混合高斯中不能隨便加入新的高斯模型Stauffer— Grimson 最大的貢獻莫過于提出了一種 P(k|Xt， ? )的簡化算法。當 t 很大的時候，增益就變成了一個定值。通過 EM算法，迭代的求上式的期望的最大值，得到 11? ( | , )kkk k P k XN???? ? （ ） 基于參數(shù)模型的運動目標分割方法研究 11( | , )?( | , )kttkk ktkX P k XP k X???????? （ ） 2 11? ?( ( ) ( ) ( | , )?( | , )kt k t k tkk ktkX u X u P k XP k X?????????? （ ） 上述 [ 15]理論結(jié)果是無法應用到實際的，因為它假定了 k， X 是靜態(tài)過程，且把 N作為了一個定值，實際上每一幀 k， X都在變化，每 一幀都要根據(jù)當前幀的觀測樣本對參數(shù)重新進行估計。比如前面的 P(r|q)或 g(x， rk)可以用 fx（ x） 來表示，先驗概率 P(q)可以用叭來表示，后驗概率 P(r|x)可以用 P(k)來表示，以后他們是通用的，不再 敘 述 [1 8]。舉例來說，即使背景分布是從混合模型衍生來的，如果只把最有可能的高斯作背景， P(x|r)為 l，其余的高斯都不是背景， P(x|q)為 0，所得到的背景模型就只是一個簡單的高斯分布。舉個例子，一個正在走路的人和一個正在旋轉(zhuǎn)的電風扇有著相似的信號特征，如果沒有對事件的理解，它們就很難區(qū)分。 在這個分布模型的基礎(chǔ)上，開始的后驗概率等價于 ( | , )? ktttktktP k X??? ?? () 從上面的公式分析可知前景背景分割實際上需要解決兩個問題 :首先通過所有得到的樣本來估計某點的隨機過程一維分布函數(shù) (因為是要得到某時刻的分布率 )，這包括合成混合高斯過程的各高斯過程的一維分布函數(shù) (以下簡稱高斯過程的分布 )以及他們的系數(shù) P(q)(即某個高斯過程的權(quán)重，表示觀測到這個高斯過程的概率 )。網(wǎng)格模型可以很好地應用在旋轉(zhuǎn)和縮放的情況下，并能檢測和跟蹤多個運動 目標 ，并可以處理 目標 間遮擋或新 目標 的出現(xiàn)，但是該方法的分割結(jié)果容易受到網(wǎng)格生成算法中關(guān)鍵點數(shù)目選擇的影響，運算估計的復雜度也大大增加。 Snake 是能量極小化的樣條，內(nèi)力約束它的形狀，外力引導它的行為，圖像力將其拖向顯著的圖像特征。所謂光流是指圖像中模式運動的速度，它是一種二維（ 2D）瞬時速度場，其中 2D 速度矢量是可見的三維速度矢量在成像平面上的投影。比較簡單的方法就是將兩幅圖像做“差分”或“相減”運算，從相減的圖像中，很容易發(fā)現(xiàn)運動物體信息。 ? ?0 1 1( , , ) , ( , , ) , . . . , ( , , )i j i j i j NI x y t I x y t I x y t ? () i=0,1… ,M1,j=0,1… N1 所謂相對次序一般是指時刻 tk 在 tk1 之后的（ k=1,2,… ,n1）。 目前利用各種手段的分割方法層出不窮，它們的各種組合也在各種環(huán)境下發(fā)揮著各自的作用。 本文的研究內(nèi)容 在運動目標分割方面 :運動目標的有效分割對于目標分類、特征提取、特征表達與最后的識別等處理非常重要，因為后期處理的過程僅僅考慮圖像中對應于運動 目標 的像素?；趨?shù)模型的運動目標分割方法研究 瞬態(tài)響應 曲線和 頻率響應曲線 稱為非參數(shù)模型。同時關(guān)于計算機視覺的研究也表明要實現(xiàn)正確的圖像分割需要在更高層次上對視頻內(nèi)容進行理解。盡管圖像分割的研究已有幾十年的歷史，得到了廣泛重視、研究和應用，但至今尚無通用的分割理論，現(xiàn)已提出的分割算法大都是針對具體問題的，并沒有適合于所有圖像的通用的分割算法。 國內(nèi)外研究現(xiàn)狀 圖像分割是圖像工程中一項十分重要的技術(shù)。 EM algorithm。這一技術(shù)包 括了運動 目標 的檢測分割、提取、跟蹤、目標分類和行為分析等方面，涉及到計 算機視覺、模式識別和人工智能等領(lǐng)域的許多核心課題。 除了文中特別加以標注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。浙 江 理 工 大 學 信 息 電 子 學 院 畢業(yè)論文 (設(shè)計 )誠信聲明 我謹在此保證：本人所寫的畢業(yè)論文 (設(shè)計 )，凡引用他人的研究成果均已在參考文獻或注釋中列出。 作者簽名： 日 期： 學位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。智能視頻監(jiān)控是指通過 對視頻內(nèi)容的分析，分割出人、動物和車輛等 目標 ，并給出各個 目標 的行為和動 作的描述，來判斷突發(fā)事件的發(fā)生，并產(chǎn)生后續(xù)的告警等決策行為。 Gauss mixes the model。 本課題的任務是要求學習運動目標分割方法的基本原理及視頻圖像中圖像處理的基本方法，從拍攝的視頻圖象中用基于參數(shù)模型的方法對運動目標進行分割，并研究其分割性能。然而，不管各種分 割方法在表面上看起來有多不一樣，它們的確有著很大的相似之處 :每種方法都試圖用某些形式的相似去獲得數(shù)據(jù)集的精簡表示 [3]，這某些形式的相似需要靠提取的特征進行比較，這些特征可能是顏色、紋理、形狀、運動等或者它們的組合浙江理工大學本科畢業(yè)設(shè)計 7 向量。目前人工智能的發(fā)展還不夠完善，計算機還不具有觀察、識別、理解圖像的能力 。 如 傳遞函數(shù) 、 微分方程 等稱為參數(shù)模型。我們暫時把前景和背景看成是兩種互斥的類型 (即全集的一個劃分，他們互相不包含，而且只有前景和背景 )。目前為止，業(yè)界也沒有一個統(tǒng)一的標準來衡量各種分割方法。它們一般可以表示為 。 將不同時刻的兩幅圖像進行不交，可以反映出一個運動物體在此背景下的運動結(jié)果。 i j n i j mijI x y t I x y t Td x y o th e r w is e ???? ?? （ ） 分流法 光流計算技術(shù)是 Gibson 于 1950 年提出。設(shè)參數(shù)曲線： w(s)=[x(s),y(s)]，并定義能量函數(shù)為 ? ?1 220 1 ( ) ( ) ( )2m a k e e nE w s w s E w s??????? ??? ? ???????? （ ） 式中： ? 和 ? 分別為調(diào)整曲線張性的加權(quán)參數(shù)和剛性的加權(quán)參數(shù)； ()ws? 和 ()ws?? 分別為曲線對 s 的一階和二階導數(shù)； enE 是由圖像決定的外部能量。使用空間變換的網(wǎng)格模型成為目前一個積極的研究領(lǐng)域。用公式表示某點在某時刻的隨機分布率 [14]就是 11 ?( ) ( ) ( | ) ( , , )kkkkk k kP x P G P x G g x u???????? () q表示第 k 個高斯分布，及 ( , , )kkg x u ? 表示正態(tài)分布概率密度函數(shù)。 顯而易見，在像素級的處理 (以像素為處理單位，不考慮各像素間的空間相關(guān)性 )中不可能做到完全正確的分割。因此，各 P(x|q)對實際的模型有很大的影響。下面的分析很多都要和參數(shù)打交道，在參數(shù)估計的過程中為了突出參數(shù)，我把公式用了另一種表示方法，但實際上是等價的。表示待估計的參數(shù)集合，氏表示第 k 個高斯分布的參數(shù)集合。為了克服這個缺陷，在實際應用時可以給增益設(shè)置一個最小值代。這時，實際的模型應該增加一個第 K+l 個高斯模型，這個高斯模型可以有一個先驗概率叭， 它的均值沒有定義，方差無窮大。 amp。 然而，事物都是有著兩面性的。由 ()可知，混合高斯模型模擬的是客觀的過程，不分主觀上的前景或背景，也就是說，混合模型中的各高斯過程既有可能是前景過程，又有可能是背景過程。剩下一個問題就是判斷各個模型是屬于前景還是背景。當函數(shù) ()fx是凸函數(shù)（ convex， function）時， Jensen 不等式保證： ( ) ( )t t t tf x f x?????，其中 0, 1tt????? 。 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。因此，中值濾波簡化為簡單的求和，大大降低了運 算量。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。方法 4 只適于在特殊的硬件結(jié)構(gòu)上執(zhí)行。 浙江理工大學本科畢業(yè)設(shè)計 25 m in。 ( ( , ) )BsBBno or e ra t i on i f b x y Fg x y T m m i f i j M g x i y j FT g x i y j T x y i f g x i y j F????? ? ? ? ? ? ???? ? ? ? ? ?? () 之后的遍歷 :第一次遍歷之后，反向與正向遍歷被不斷的 交替執(zhí)行。 ( { , ( , ) })sBT g x i y j T x y if i j M g x i y j F? ? ? ? ? ? ? ? () 基于參數(shù)模型的運動目標分割方法研究 實驗結(jié)果 圖 42 原始視頻序列 圖 43 經(jīng)過中值濾波處理后的背景分割結(jié)果 連通區(qū)域合并 連通區(qū)域標記好之后，找到每個連通區(qū)域的邊框，并用一個矩形將連通區(qū)域標記出來。 || ||x x x x y y y yy y H y y H y y H y y H???? ??? ? ? ?? ? ? ?? ? ? ? ? ? ? ? 或 1 2