【正文】 表示有目標(biāo)出現(xiàn)在檢測(cè)區(qū)域，但算法沒(méi)有檢測(cè)出來(lái)。相反，“誤檢”表示沒(méi)有目標(biāo)出現(xiàn)在檢測(cè)區(qū)域，但算法卻檢測(cè)出有運(yùn)動(dòng)目標(biāo)。在背景差的方法中，“丟檢”主要出現(xiàn)在運(yùn)動(dòng)汽車的灰度接近于道路的情況?！罢`檢”主要出現(xiàn)在運(yùn)動(dòng)目標(biāo)所產(chǎn)生的活動(dòng)陰影的情況。而在三幀背景差分法中， “丟檢”主要出現(xiàn)在環(huán)境光照很暗的情況?！罢`檢”主要來(lái)自光照的劇烈變化。在金字塔光流法中，“丟檢”主要出現(xiàn)在運(yùn)動(dòng)速度過(guò)慢情況?！罢`檢”主要來(lái)運(yùn)動(dòng)目標(biāo)所產(chǎn)生的活動(dòng)陰影的情況。表51 三種方法的檢測(cè)率比較丟檢率%誤檢率%檢測(cè)率%背景差三幀背景差分金字塔光流HS 性能比較分析本文對(duì)背景差法，三幀背景差分法及金字塔光流法的性能進(jìn)行比較。一般而言，背景差法的最嚴(yán)重缺點(diǎn)之一是對(duì)于檢測(cè)同背景顏色和灰度相似的運(yùn)動(dòng)目標(biāo)有困難，然而它對(duì)檢測(cè)低速、高速、靜止的、大面積沒(méi)有紋理的目標(biāo)有優(yōu)勢(shì)。相反，幀間差法對(duì)檢測(cè)低速、高速、靜止的、大面積沒(méi)有紋理的目標(biāo)有困難，但對(duì)檢測(cè)灰度同背景相似的運(yùn)動(dòng)目標(biāo)有優(yōu)勢(shì)。三幀背景差分法利用了背景差的差值圖像與幀間差的差值圖像的權(quán)重之和，它明顯地增強(qiáng)了權(quán)重之和圖像的信噪比。金字塔光流法解決了大目標(biāo)的識(shí)別問(wèn)題。背景差法，三幀背景差分法及金字塔光流法的性能比較被列在表52中。表52 三種運(yùn)動(dòng)目標(biāo)提取方法性能比較背景差法三幀背景差分法金字塔光流法靜止目標(biāo)能能不能灰度與道路接 近的運(yùn)動(dòng)目標(biāo)差較優(yōu)較優(yōu)大面積無(wú)紋理 的運(yùn)動(dòng)目標(biāo)較優(yōu)差較優(yōu)高速運(yùn)動(dòng)目標(biāo)較優(yōu)較差優(yōu)低速運(yùn)動(dòng)目標(biāo)較優(yōu)較差較差第6章 當(dāng)前不足及前景展望 當(dāng)前不足及解決建議1. 當(dāng)攝像機(jī)運(yùn)動(dòng)時(shí)，攝像機(jī)的運(yùn)動(dòng)導(dǎo)致相對(duì)大地靜止的景物在圖像平面也產(chǎn)生運(yùn)動(dòng)。雖然三幀差背景差分技術(shù)己經(jīng)考慮了背景的運(yùn)動(dòng)問(wèn)題，但該方法僅從序列圖像的角度出發(fā)，未考慮攝像機(jī)的運(yùn)動(dòng)影響，因而差圖像中仍可能存在偽運(yùn)動(dòng)信息。為此，在做差圖像前，應(yīng)先彌補(bǔ)攝像機(jī)的運(yùn)動(dòng)，做運(yùn)動(dòng)補(bǔ)償。2. 基于金字塔的光流法雖然較好地解決了大目標(biāo)的識(shí)別問(wèn)題，但在目標(biāo)運(yùn)動(dòng)非常緩慢以及多目標(biāo)遮擋情況下，檢測(cè)效果不理想。同時(shí)，由于光流法計(jì)算量較大，導(dǎo)致系統(tǒng)的實(shí)時(shí)性受到影響，建議計(jì)算一次光流值后，利用卡爾曼濾波計(jì)算出下一刻的狀態(tài)值，從而實(shí)現(xiàn)目標(biāo)的跟蹤，原理框圖如下：3. 視頻交通目標(biāo)檢測(cè)及識(shí)別系統(tǒng)功能不夠完善，雖然目前能能夠)能夠?qū)ΡO(jiān)視區(qū)域內(nèi)的通過(guò)車輛數(shù)目進(jìn)行實(shí)時(shí)計(jì)數(shù)，并對(duì)監(jiān)視區(qū)域內(nèi)的運(yùn)動(dòng)車輛進(jìn)行實(shí)時(shí)速度測(cè)量，但作為一套實(shí)用性較強(qiáng)的系統(tǒng)，還應(yīng)該能夠?qū)⒔煌z測(cè)獲得的數(shù)據(jù)存入數(shù)據(jù)庫(kù)，并對(duì)數(shù)據(jù)庫(kù)的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)輸出，同時(shí)能夠保存道路現(xiàn)場(chǎng)的視頻數(shù)據(jù)，以供將來(lái)進(jìn)行錄像回放。另外，對(duì)交通態(tài)勢(shì)（如流量、車速等）的統(tǒng)計(jì)應(yīng)在軟件中進(jìn)行實(shí)現(xiàn)。 前景展望1. 視頻交通目標(biāo)檢測(cè)及識(shí)別系統(tǒng)有必要拓寬車輛檢測(cè)算法以解決不同同的交通場(chǎng)景下的車輛檢測(cè)(這些場(chǎng)景包括黑夜，雪天條件下的交通視頻檢測(cè))。解決方案可以是采取諸如卡爾曼濾波等基于模型的檢測(cè)算法，或利用特定的場(chǎng)景信息（如在夜間利用車輛的車燈進(jìn)行檢測(cè)）。2. 目前常用的算法在解決動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)提取時(shí)都會(huì)存在運(yùn)算量較大的問(wèn)題，可以考慮引入機(jī)器學(xué)習(xí)的理論，先建立目標(biāo)的模型庫(kù)，再通過(guò)特征匹配識(shí)別出目標(biāo)，同時(shí)結(jié)合幀間的相關(guān)信息，減少檢測(cè)算法的運(yùn)算量并能提高檢測(cè)算法的識(shí)別率。結(jié)論本文主要研究在背景固定和運(yùn)動(dòng)的情況下如何從監(jiān)控視頻圖像中提取出運(yùn)動(dòng)目標(biāo)，對(duì)其進(jìn)行相應(yīng)的分析和處理。并搭建了基于改進(jìn)光流法的視頻交通目標(biāo)檢測(cè)及識(shí)別系統(tǒng)。本章主要總結(jié)兩種改進(jìn)的運(yùn)動(dòng)目標(biāo)提取算法以及基于改進(jìn)光流法的視頻交通目標(biāo)檢測(cè)及識(shí)別系統(tǒng)的特點(diǎn)：1. 基于三幀背景差分的運(yùn)動(dòng)目標(biāo)提取方法克服了傳統(tǒng)的兩幀差分法，背景差法對(duì)運(yùn)動(dòng)物體界定過(guò)大、模糊的缺陷，能夠快速對(duì)運(yùn)動(dòng)物體進(jìn)行定位；在恢復(fù)運(yùn)動(dòng)物體時(shí)，采用的是基于物體本身的灰度信息，灰度門(mén)限也是隨著當(dāng)前幀運(yùn)動(dòng)物體本身與背景自適應(yīng)變化的，所以檢測(cè)結(jié)果比較準(zhǔn)確。雖然三幀差背景差分技術(shù)己經(jīng)考慮了背景的運(yùn)動(dòng)問(wèn)題，但該方法僅從序列圖像的角度出發(fā)，未考慮攝像機(jī)的運(yùn)動(dòng)影響，因而差圖像中仍可能存在偽運(yùn)動(dòng)信息，需進(jìn)行運(yùn)動(dòng)補(bǔ)償。2. 基于金字塔光流的運(yùn)動(dòng)目標(biāo)提取方法利用圖像的金字塔結(jié)構(gòu)，對(duì)計(jì)算的光流進(jìn)行閾值判斷，并通過(guò)形態(tài)學(xué)濾波去除孤立噪聲點(diǎn)，再經(jīng)過(guò)面積閾值判斷，基本解決了大目標(biāo)的識(shí)別問(wèn)題，而且檢測(cè)率較高。3. 在上述研究的基礎(chǔ)上，構(gòu)建了視頻交通目標(biāo)檢測(cè)及識(shí)別系統(tǒng)，它主要是被設(shè)計(jì)用來(lái)統(tǒng)計(jì)交通路段上行駛的機(jī)動(dòng)車的數(shù)量，并監(jiān)測(cè)道路交通狀況。但作為一套實(shí)用性較強(qiáng)的系統(tǒng)，視頻交通目標(biāo)檢測(cè)及識(shí)別系統(tǒng)有必要拓寬車輛檢測(cè)算法以解決不同同的交通場(chǎng)景下的車輛檢測(cè)(這些場(chǎng)景包括黑夜，雪天條件下的交通視頻檢測(cè))。致謝值此論文完成之際，我要向所有給我指導(dǎo)、幫助和關(guān)心的人表示感謝。在整個(gè)本科畢設(shè)期間，羅喜伶老師在學(xué)習(xí)和科研等各方面給予我悉心的指導(dǎo)，為我確定了研究方向，幫助我克服了學(xué)習(xí)中遇到的各種困難；在撰寫(xiě)學(xué)位論文的過(guò)程中，從選題、論文撰寫(xiě)到修改的各個(gè)環(huán)節(jié)，羅老師都給我提出了指導(dǎo)性的意見(jiàn)，使我能順利地完成論文的寫(xiě)作；在生活中，他也給了我很大的關(guān)心和幫助。羅老師認(rèn)真嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神和科學(xué)的研究方法給了我很深的影響，使我終生受益。在此對(duì)羅老師表示衷心的欽佩和由衷的感謝。感謝吳財(cái)軍老師在學(xué)習(xí)生活中給予的指導(dǎo)、支持和關(guān)心。吳老師認(rèn)真、嚴(yán)謹(jǐn)、踏實(shí)的工作作風(fēng)和廢寢忘食的工作精神給了我很大觸動(dòng)并令我獲益匪淺。在學(xué)習(xí)期間，陳煦陽(yáng)、吳燕雄、吳明璽等同學(xué)給我很多耐心的幫助，在此深表感謝。還有我的合作伙伴劉強(qiáng)強(qiáng)同學(xué)，他在專業(yè)上的鉆研精神和經(jīng)常地給予我耐心無(wú)私幫助對(duì)我是個(gè)極大的鼓舞。最后，我要感謝我的父親和母親，是他們撫育我長(zhǎng)大成人，支持我完成本科生階段的學(xué)業(yè)。從他們的身上，我感受到世上最無(wú)私、最偉大的愛(ài)。在此，謹(jǐn)以此文獻(xiàn)給我的雙親，以表達(dá)我對(duì)他們最深的感激和愛(ài)。參考文獻(xiàn)[1] JiangBin Zheng, David Dagan Feng, WanChi Siu, YanNing Zhang. The Accurate Extraction and Tracking of Moving Objects for Video Surveillance. Proceedings of the First International Conference on Machine Learning and Cybernetics, Beijing, November 2002.[2] and . Dense Discontinuous Optical Flow via Contourbased Segmentation. Proc. ICIP 2005, Genova, Italy,September 2005.[3] Axel Techmer. Contourbased motion estimation and object tracking for realtime applications. Infineon Technologies AG, Corporate Research, 0780867251/01, IEEE, 2001.[4] M. Ruzon and C. Tomasi. Corner Detection in Textured Color Images. Proc. Lnt’1 Conf. Computer Vision, , September 1999.[5] M. Ruzon and C. Tomasi. Color Edge Detection with the Compass Operator. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Ft. Collins, VOL. 2, pp. 160166, June 1999.[6] Magee D. Tracking multiple vehicle using foreground, background and motion models. Image and Vision Computing, 2004, 22(2)：143155.[7] Lipton A, Fujiyoshi H and Patil R. Moving target classification and tracking from realtime video. In: Proc IEEE Workshop on Applications of Computer Vision, Princeton, NJ, 1998, 814.[8] , and . Nonparametric model for background subtraction. in European Conference on Computer Vision, pages 751767, 2000.[9] 陳堅(jiān), Vol (17) 337341.[10] 鄭江濱,張艷寧,付亞奇,Vol(17),342345.[11] 伏思華,2004,30 (2)：215217.[12] , . An Investigation of Smoothness Constraints for the Estimation of Displacement Vector Field from Image Sequences. IEEE Trans. Pattern Analyze and Machine Intelligence, 1986, 8： 565593[0].[13] , . The Robust Estimation of Multiple Motions： Parametric and PiecewiseSmooth Flow Fields. Computer Vision and Image Understanding, 1996, 63： 75104[0].[14] . Model for the Extraction of Image Flow. J. Opt. Soc. Am., 1987,A4： 14551471[0].[15] D. J. Fleet, A. D. Jepson. Computation of Component Image Velocity form Local Phase Information. International Journal of Computer Vision. 1990, 5：7704[0].[16] Berthold . Horn and Brian G. Schunck. Determining Optical Flow. Artificial Intelligence, 17, pp. 185203, 1981.[17] Verri A, Girosi F Torre V. Differential techniques for optical flow. J Opt Soc Am , 1990。A 7：912922.[18] Lucas B and Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision. Proc. Of 7th International Joint Conference on Artificial Intelligence (IJCAI), .[19] Linda , George ,2005年.[20] JeanYves Bouguet. Pyramidal Implementation of the Lucas Kanade Feature Tracker.[21] Anderson C, Bert P and Vander Wal G.. Change detection and tracking using pyramids transformation techniques. In： Proc SPIE Conference on Intelligent Robots and Computer Vision, Cambridge,MA,1985, 579： 7278.[22] Rafael . 數(shù)字圖像處理. 電子工業(yè)出版社, 2005.[23] 蘇虹, 32(9)：2427.[24] A. Mutrat Tekalp著,1998.[25] 曉東, C++.NET中文版實(shí)用培訓(xùn)教程. 清華大學(xué)出版社, 2002.[26] Intel Corporation. OpenCV Reference Manual