【正文】 TH]。3) 計算得到。把輪廓函數(shù)引入后，核密度估計就可以改寫成如下形式： （44）上述表達(dá)式是Mean Shift算法中經(jīng)常使用，能夠比較精確地計算出特征值的概率密度。 } } delete[] mul。}/*PrepareData函數(shù) 說明：輸入幀圖像數(shù)據(jù)，并分別將幀圖像數(shù)據(jù)拷貝至緩存中*/void ChafenMul::PrepareData(unsigned char *buffer,int width,int height){ if(readyCount == 0) memcpy(frame1,buffer,width * height * sizeof(unsigned char))。 //目標(biāo)檢測閾值public: void PrepareData(unsigned char *buffer,int width,int height)。 基于差分相乘原理的運(yùn)動目標(biāo)檢測算法實(shí)現(xiàn) 動態(tài)背景下運(yùn)動目標(biāo)的檢測步驟1) 將第一幀圖像與第三幀圖像配準(zhǔn)，第二幀圖像與第四幀圖像配準(zhǔn)。圖（31）第n幀圖像 圖（32）第n+1幀圖像圖（33）第n幀對應(yīng)檢測結(jié)果 圖（34）第n+1幀對引發(fā)檢測結(jié)果 動態(tài)背景下得運(yùn)動目標(biāo)檢測如果目標(biāo)運(yùn)動的同時，攝像機(jī)也發(fā)生了相對運(yùn)動時，運(yùn)動目標(biāo)的變化與背景的變化就會混合，使得目標(biāo)檢測變得復(fù)雜困難。j++) for(int i=0。 memset(m_pTemplate,0,IMAGESIZE*sizeof(UINT))。 delete []m_pDiffImage。 memset(m_pCurImage,0,IMAGESIZE*3)。 void DiffImage(BYTE *sGray, BYTE *pGray,int nWidth, int nHeight,int nThreshold)。 //當(dāng)前幀圖像 BYTE *m_pBgImage。下面將具體介紹它的基本步驟。在實(shí)際的工程系統(tǒng)中，人們更傾向于使用相對簡單的幀間差分法和背景差分法完成目標(biāo)檢測。這小節(jié)具體介紹幾種運(yùn)動的表達(dá)方式。第三章， 論文課題的目標(biāo)檢測環(huán)節(jié)，主要闡述了運(yùn)動目標(biāo)檢測跟蹤中的檢測部分，簡述了兩種方法——背景差分法和幀間差分法，并把兩種方法結(jié)合起來改進(jìn)實(shí)現(xiàn)了對目標(biāo)的檢測。他們各有優(yōu)缺點(diǎn)。20世紀(jì)80年代初期，多目標(biāo)跟蹤技術(shù)已經(jīng)研究成功，如1985年美國海軍的掩護(hù)船防御系統(tǒng)已經(jīng)實(shí)現(xiàn)對200多個目標(biāo)的跟蹤處理。序列圖像其實(shí)就是時間上保持連續(xù)的二維圖像。本科生畢業(yè)設(shè)計（論文） 論 文 題 目： 目標(biāo)檢測與跟蹤技術(shù)研究及實(shí)現(xiàn) 摘 要近年來，隨著信息技術(shù)地發(fā)展，圖像處理技術(shù)越來越得到廣泛地應(yīng)用。場景變化和景物運(yùn)動在動態(tài)圖像序列中顯示得非常清晰。以求提高光電跟蹤測量儀器的性能，并實(shí)現(xiàn)多目標(biāo)跟蹤。目前國內(nèi)外主要運(yùn)用的方法有：幀間差分法、背景差分法、光流場法以及塊匹配方法等。第二章， 主要介紹課題需要用到的基本知識，包括運(yùn)動圖像分析、運(yùn)動的分類和表達(dá)。而局部運(yùn)動較復(fù)雜，尤其是在存在多目標(biāo)的情況下，各個目標(biāo)做不同的運(yùn)動，只有采用精細(xì)方法才能夠準(zhǔn)確表達(dá)。還有一些優(yōu)秀的算法如神經(jīng)網(wǎng)絡(luò)方法和小波放大等也被應(yīng)用到運(yùn)動目標(biāo)檢測中，由于硬件運(yùn)算能力和算法的限制，在目前的目標(biāo)檢測與跟蹤的實(shí)時性和魯棒性并不太理想。大致思想是先根據(jù)幀間差分提取出運(yùn)動區(qū)域，然后在提取的運(yùn)動區(qū)域內(nèi)對背景差分圖像和幀間差分圖像進(jìn)行目標(biāo)檢測。 public: BYTE *m_pCurImage。 BOOL GetBgByHistgram(short int *pHistgram,BYTE *sBg,int nWidth,int nHeight)。 m_pCurImage = new BYTE[IMAGESIZE*3]。 }CStatsticDetect::~CStatsticDetect(){ delete []m_pBackHistgram。 } else if(m_nFrame%(2*BACK_ALL_NUM)==1) //更新背景圖像 { GetBgImage()。jnHeight。實(shí)驗結(jié)果如圖所示。一個階躍的邊緣信號從第1幀中順序運(yùn)動到、和中的位置時，進(jìn)行差分相乘或差分累加，對它們結(jié)果進(jìn)行對比發(fā)現(xiàn)，如果使用差分累加方法，不僅兩差值信號的中間因為累加出現(xiàn)了較大值，而且使其他信號的值也變大；如果對兩個差值信號進(jìn)行相乘處理，最后結(jié)果只有兩個差值信號的中間出現(xiàn)較大值，而且其他位置依然為零。 //輸入幀的數(shù)量 int targetThreshold。 if(frame4 != NULL) delete[] frame4。 }else frame1[j * frameWidth + i] = 0。這里采用第二種形式，那么，式（42）可寫成如下形式： （43）如果是中心對稱，并且滿足,K(x)定義在的區(qū)間里，那么稱為的輪廓函數(shù)，其中為標(biāo)準(zhǔn)化常量系數(shù)。2) 當(dāng)前幀圖像目標(biāo)位置初始化值為，計算， 求出近似系數(shù)：。 //當(dāng)前目標(biāo)縱坐標(biāo)private: float currHistogram[HISTOGRAM_LENGTH]。 //memset(tempHistogram,0,sizeof(float) * HISTOGRAM_LENGTH)。) { for(int j = max(0,currentY trackWinHeight / 2)。 float newY = 。 sumOfWeights += weights[ptr]。 i min(imgWidth,currentX + trackWinWidth)。 for(int i = 0。根據(jù)不同情況，可采用不同的閾值分割方法。 = 0。 } } M00bh+=iLine。采用形心跟蹤算法也實(shí)現(xiàn)了在簡單背景下多目標(biāo)的檢測跟蹤。i++) { int k = sWidth*j+i。define EDGE_SPACE 5 //計算時留出的邊界寬度define EDGE_DRAW 20 //畫框跟蹤窗時擴(kuò)出的邊界寬度define BLOCK_NUMBER 5 //分塊數(shù)目define TEMPLETE_SIZE 60 //匹配模板大小//WININFO GravityTrack (unsigned char* sGray, int sWidth, int sHeight,int sThreshold)?？梢娫撍惴ǖ年P(guān)鍵是目標(biāo)的可分割性和閾值的選擇。 frame[j * imgWidth * 3 + min(imgWidth 1,currentX + trackWinWidth) * 3 + 0] = 0。 MeanShiftProcessSp(frame)。 pixel b = frame[j * imgWidth * 3 + i * 3 + 2] / 16。 } else { return 0。 i HISTOGRAM_LENGTH。 for(int i = 0。 //圖像高度 int trackWinWidth。 目標(biāo)跟蹤實(shí)現(xiàn) 由以上分析可知，在當(dāng)前幀中使得值達(dá)到最大的目標(biāo)候選區(qū)域就是目標(biāo)最可能出現(xiàn)的位置。核密度估計方法是最常用的無參數(shù)密度估計方法。 i ++) { frame1[j*frameWidth+i]=abs(frame3[j*frameWidth+i] frame1[j * frameWidth + i])。 readyCount = 0。 //第3幀數(shù)據(jù) unsigned char *frame4。對于二維差分圖像，從理論上來講，只有目運(yùn)動的重疊區(qū)域的像素點(diǎn)值為零，不過實(shí)際處理中，相鄰幀圖像中，光照的改變、高頻噪聲干擾以及場景中小的變化，都會使得二維差分圖像中除了運(yùn)動目標(biāo)以外不少像素點(diǎn)值都不為零，存在很多這樣會產(chǎn)生虛假運(yùn)動目標(biāo)。 else if(pixel0) m_pBackground[t] = BYTE(0)。 if(diffnThreshold||diffnThreshold) { m_pDiffImage[j*nWidth+i]=255。if(m_nFrameBACK_ALL_NUM){ if(m_nFrame==(BACK_ALL_NUM+1)) { GetBgImage()。 m_pBackHistgram = new short int[IMAGESIZE*256]。 count = 0。 BYTE *image2。這樣，一些小的空洞和毛刺就被去除。非回歸遞推建模方法是利用一段時間內(nèi)存儲的觀測數(shù)據(jù)進(jìn)行建模，常用的有幀間差分、中值濾波等。包含運(yùn)動目標(biāo)的圖像序列可以分為兩種情況即靜止背景和變化背景。前景運(yùn)動也叫作局部運(yùn)動，是指目標(biāo)在場景中自身的運(yùn)動；背景運(yùn)動也叫作全局運(yùn)動（或攝像機(jī)運(yùn)動），是指由攝像機(jī)的運(yùn)動所造成的拍攝背景的移動。 主要研究內(nèi)容與論文結(jié)構(gòu)本設(shè)計主要是對運(yùn)動目標(biāo)檢測與跟蹤原理進(jìn)行分析，并通過在VC++編程實(shí)現(xiàn)對目標(biāo)的檢測與跟蹤。目前運(yùn)動目標(biāo)檢測與跟蹤技術(shù)的研究主要設(shè)計以下幾個關(guān)鍵的技術(shù)。l 醫(yī)療研究在醫(yī)學(xué)中，圖像診斷非常重要，其主要有兩個方面的應(yīng)用：一個是對圖像進(jìn)行一系列如增強(qiáng)、去噪等處理來幫助醫(yī)生更好地診斷疾??；第二個是利用對圖像進(jìn)行自動分析處理，檢測識別出可疑區(qū)域，得出診斷結(jié)論。運(yùn)動目標(biāo)檢測與跟蹤是數(shù)字圖像處理重要部分，也成為圖像處理技術(shù)理論和應(yīng)用的研究熱點(diǎn)，其中動態(tài)圖像序列的研究逐漸成為熱點(diǎn)。運(yùn)動目標(biāo)位置的改變在圖像上的反映就是相鄰幀灰度的空間分布改變，當(dāng)然也存在這樣的情況，場景中沒有目標(biāo)運(yùn)動，但由于光照等條件的改變，也引起了相鄰幀灰度值的改變。運(yùn)動目標(biāo)的檢測和跟蹤在科技、生活等諸多領(lǐng)域有非常重要的研究價值，在視頻監(jiān)控、人工智能、醫(yī)學(xué)研究、軍事國防等諸多領(lǐng)域有廣泛的應(yīng)用。隨著激光技術(shù)、紅外技術(shù)和電視技術(shù)進(jìn)一步成熟，以及成像技術(shù)、數(shù)字圖象處理技術(shù)、跟蹤算法和濾波技術(shù)的研究，各種研究成果相繼問世。運(yùn)用數(shù)字圖像處理的方法進(jìn)行目標(biāo)檢測跟蹤的困難主要在一下幾個方面:l 環(huán)境復(fù)雜實(shí)際的運(yùn)動目標(biāo)檢測和跟蹤系統(tǒng)所處的環(huán)境不同，背景復(fù)雜，檢測跟蹤的穩(wěn)定性和準(zhǔn)確性就會受到諸多因素的影響。 運(yùn)動圖像的分析檢測場景中是否存在運(yùn)動目標(biāo)。直方圖方法的基本思路是僅保留運(yùn)動的方向信息，并將運(yùn)動方向（0到360度）分為若干個間隔，把運(yùn)動矢量場上每點(diǎn)的數(shù)據(jù)劃到與它運(yùn)動方向最接近的間隔里，最后得到的統(tǒng)計結(jié)果為運(yùn)動矢量方向直方圖。然后對差分圖像進(jìn)行二值化，如果對應(yīng)像素值的變化小于規(guī)定的閾值，認(rèn)為是背景像素:如果對應(yīng)像素值變化較大，則認(rèn)為這些像素區(qū)域是前景像素，這樣就確定了目標(biāo)在圖像中所處位置。QP 圖（31）運(yùn)動變化區(qū)域這里設(shè)和分別為圖像序列中連續(xù)的兩幀圖像，將這兩個量按下面的規(guī)則進(jìn)行幀間差分處理。 short int *m_pBackHistgram。 void Erosion(BYTE *sGray,int nWidth, int nHeight,int structure[3][3])。 memset(m_pBackground,0,IMAGESIZE)。 delete []m_pDetectImage。 DeNoise(m_pDiffImage,WIDTH,HEIGHT)。 for(j=0。下面闡述一個基于圖像配準(zhǔn)和差分相乘的目標(biāo)檢測的方法。5) 利用形心法計算出目標(biāo)的形心位置坐標(biāo)，作為下一幀跟蹤的初始位置。 frame2 = new unsigned char[width * height]。 readyCount ++。大于閾值的像素將被認(rèn)為是目標(biāo)區(qū)域，用白色表示并通過frame1輸出。因為遮擋或者背景的影響，目標(biāo)模型中心周圍的像素相比于其他部分像素更為可靠，所以可對目標(biāo)不同位置的像素賦不同權(quán)值，即遠(yuǎn)離中心的位置像素可以賦一個小值，而鄰近中心的位置像素可以賦一個大值。7) 當(dāng)停止，否則，執(zhí)行第1步。 //Mean Shift 迭代過程 void MeanShiftProcessSp(unsigned char * frame)。 thisimgHeight = frameHeight。 pixel g = frame[j * imgWidth * 3 + i * 3 + 1] / 16。 } float sumOfWeights = 。U39。 frame[min(imgHeight 1,currentY + trackWinHeight) * imgWidth * 3 + i * 3 + 1] = 0。則以下的形式調(diào)用初始化Mean Shift過程：InitMeanShiftTracker（frameBuffer，width，width，targetX,targetY，targetWidth，targetHeight）在后續(xù)幀中，調(diào)用MeanShiftTrackProcess函數(shù)進(jìn)行Mean