【正文】 ( { , ( , ) })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(yùn)動(dòng)目標(biāo)分割方法研究 實(shí)驗(yàn)結(jié)果 圖 42 原始視頻序列 圖 43 經(jīng)過(guò)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(biāo)記好之后，找到每個(gè)連通區(qū)域的邊框，并用一個(gè)矩形將連通區(qū)域標(biāo)記出來(lái)。 浙江理工大學(xué)本科畢業(yè)設(shè)計(jì) 25 m in。然后是第二步，將臨時(shí)標(biāo)記用等價(jià)表里的最小等價(jià)標(biāo)記替代。 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。剩下一個(gè)問(wèn)題就是判斷各個(gè)模型是屬于前景還是背景。 然而，事物都是有著兩面性的。這時(shí)，實(shí)際的模型應(yīng)該增加一個(gè)第 K+l 個(gè)高斯模型，這個(gè)高斯模型可以有一個(gè)先驗(yàn)概率叭， 它的均值沒有定義，方差無(wú)窮大。表示待估計(jì)的參數(shù)集合，氏表示第 k 個(gè)高斯分布的參數(shù)集合。因此，各 P(x|q)對(duì)實(shí)際的模型有很大的影響。用公式表示某點(diǎn)在某時(shí)刻的隨機(jī)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(gè)高斯分布，及 ( , , )kkg x u ? 表示正態(tài)分布概率密度函數(shù)。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(duì) s 的一階和二階導(dǎo)數(shù)； enE 是由圖像決定的外部能量。 將不同時(shí)刻的兩幅圖像進(jìn)行不交，可以反映出一個(gè)運(yùn)動(dòng)物體在此背景下的運(yùn)動(dòng)結(jié)果。目前為止，業(yè)界也沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)來(lái)衡量各種分割方法。 如 傳遞函數(shù) 、 微分方程 等稱為參數(shù)模型。然而，不管各種分 割方法在表面上看起來(lái)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(jiǎn)表示 [3]，這某些形式的相似需要靠提取的特征進(jìn)行比較，這些特征可能是顏色、紋理、形狀、運(yùn)動(dòng)等或者它們的組合浙江理工大學(xué)本科畢業(yè)設(shè)計(jì) 7 向量。 Gauss mixes the model。 作者簽名： 日 期： 學(xué)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(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。 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。 EM algorithm。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(yīng)用，但至今尚無(wú)通用的分割理論，現(xiàn)已提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒有適合于所有圖像的通用的分割算法。基于參數(shù)模型的運(yùn)動(dòng)目標(biāo)分割方法研究 瞬態(tài)響應(yīng) 曲線和 頻率響應(yīng)曲線 稱為非參數(shù)模型。 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。比較簡(jiǎn)單的方法就是將兩幅圖像做“差分”或“相減”運(yùn)算，從相減的圖像中，很容易發(fā)現(xiàn)運(yùn)動(dòng)物體信息。 Snake 是能量極小化的樣條，內(nèi)力約束它的形狀，外力引導(dǎo)它的行為，圖像力將其拖向顯著的圖像特征。 在這個(gè)分布模型的基礎(chǔ)上，開始的后驗(yàn)概率等價(jià)于 ( | , )? ktttktktP k X??? ?? () 從上面的公式分析可知前景背景分割實(shí)際上需要解決兩個(gè)問(wèn)題 :首先通過(guò)所有得到的樣本來(lái)估計(jì)某點(diǎn)的隨機(jī)過(guò)程一維分布函數(shù) (因?yàn)槭且玫侥硶r(shí)刻的分布率 )，這包括合成混合高斯過(guò)程的各高斯過(guò)程的一維分布函數(shù) (以下簡(jiǎn)稱高斯過(guò)程的分布 )以及他們的系數(shù) P(q)(即某個(gè)高斯過(guò)程的權(quán)重，表示觀測(cè)到這個(gè)高斯過(guò)程的概率 )。舉例來(lái)說(shuō)，即使背景分布是從混合模型衍生來(lái)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(gè)簡(jiǎn)單的高斯分布。通過(guò) 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(yùn)動(dòng)目標(biāo)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(wú)法應(yīng)用到實(shí)際的，因?yàn)樗俣?k， X 是靜態(tài)過(guò)程，且把 N作為了一個(gè)定值，實(shí)際上每一幀 k， X都在變化，每 一幀都要根據(jù)當(dāng)前幀的觀測(cè)樣本對(duì)參數(shù)重新進(jìn)行估計(jì)。 ()— ()可知，我們實(shí)際上要求 P(k|Xt， ? )， k對(duì)于直觀理解有些作用，但對(duì)參數(shù)估計(jì)是沒用的 P(k|? ))，因?yàn)樨惾~斯公式 ()右邊的參數(shù)正是 EM 要估計(jì)的參數(shù)，我們是要通過(guò) P(k|Xt， ? )來(lái)估計(jì)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(xiàn)莫過(guò)于提出了一種 P(k|Xt， ? )的簡(jiǎn)化算法。由于用匹配取代了后驗(yàn)概率的計(jì)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。 StaufferGrimson 采用了一種排序的機(jī)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(gè)值越大，相應(yīng)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(lái)看，一個(gè)表面如果經(jīng)常出現(xiàn)在視野中 (大的 )，觀測(cè)值不怎 么變化，比較穩(wěn)定 (小的 )，就很有可能是背景。中值濾波算法仍使用滑動(dòng)窗口技術(shù)，但把窗口中心對(duì)應(yīng)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 )。 ，在這里標(biāo)記的等價(jià)關(guān)系同樣由一個(gè)搜索算法進(jìn)行處理。 ( ( , ) )( , ) ( ) 。由于種種原因 (如窗口內(nèi)噪聲點(diǎn)的個(gè)數(shù)大于窗口寬度的一半 時(shí)，中值濾波效果不好，或是目標(biāo)太小 )可能會(huì)產(chǎn)生很小的矩形方框，因?yàn)榭赡苁窃肼暬蛐畔⒘刻?，無(wú)法進(jìn)行后續(xù)的 目標(biāo) 分析，需要通過(guò)大小判斷而丟棄掉。 ( ( , ) )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(jìn)行，直到?jīng)]有臨時(shí)標(biāo)記變化為止，即滿足 m in[ ( , ) ] ( , ) 。 首次遍歷 :正向遍歷，遍歷時(shí)利用等價(jià)表分配臨時(shí)標(biāo)記，并把臨時(shí)標(biāo)記傳遞到相鄰的像素，實(shí)現(xiàn)快速標(biāo)記。第一步之后或是第一步進(jìn)行的同時(shí)，用一個(gè)搜索算法處理等價(jià)表。 后來(lái)有人提出鄰域加權(quán)平均法作為改進(jìn)，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。判斷當(dāng)前觀測(cè)與哪一個(gè)高斯模型匹配就是前面 。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(shí)有一個(gè)高斯處于閑置狀態(tài)可以用來(lái)模擬新出現(xiàn)的表面。然而實(shí)際中， X 往往很有可能不是由這 K個(gè)高斯過(guò)程產(chǎn)生的，比如一個(gè)從未出現(xiàn)的表面進(jìn)入了像素的視野。 當(dāng)前所有觀測(cè)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(diǎn)某時(shí)刻的觀測(cè)值，當(dāng)前總共有 N 個(gè)觀測(cè)值。假設(shè) P(x|Gk,B)=P(x|Gk)某點(diǎn)（ r， c）的背景過(guò)程在 t時(shí)刻的分布 (直觀點(diǎn)說(shuō)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(hào)最右邊的表達(dá)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(quán)得到的。簡(jiǎn)單來(lái)說(shuō)就是用混合高斯過(guò)程來(lái)模擬某個(gè)點(diǎn)隨時(shí)間的變化過(guò)程。 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(dòng)到某個(gè)能量函數(shù)極小的位置，以此來(lái)確定物體的輪廓。對(duì)后一種情況，處理起來(lái)比較復(fù)雜，則通常需要進(jìn)行幀間穩(wěn)像及配準(zhǔn)；若采用突出目標(biāo)的方法，則需要在配準(zhǔn)的基礎(chǔ)上進(jìn)行多幀能量積累和噪聲抑制。然而，眾所周知，圖像分割本身就是一個(gè)病態(tài)問(wèn)題，因?yàn)榈讓訑?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(cuò)誤 的結(jié)果，分割應(yīng)視具體應(yīng)用的不同而有不同的策略、準(zhǔn)則，沒有一個(gè)通用的方法。 高斯混合模型 本 文主要研究基于參數(shù)模型的運(yùn)動(dòng) 目標(biāo)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(lái)描述語(yǔ)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]。要想為分割建立起一個(gè)系統(tǒng)的理論架構(gòu)比較難，其 中的一個(gè)原因就是，很難從比舉例更實(shí)用的層次去評(píng)價(jià)一個(gè)分割方法。 關(guān)鍵詞： 運(yùn)動(dòng)目標(biāo)分割；高斯混合模型 ； EM 算法 ； 背景分割 基于參數(shù)模型的運(yùn)動(dòng)目標(biāo)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 ch