【導(dǎo)讀】的研究成果均已在參考文獻或注釋中列出。如出現(xiàn)以上違反知識產(chǎn)權(quán)的情況，本人愿意。承擔(dān)相應(yīng)的責(zé)任。師的指導(dǎo)下進行的研究工作及取得的成果。盡我所知，除文中特別加。而使用過的材料。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文。不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。究做出重要貢獻的個人和集體，均已在文中以明確方式標(biāo)明。全意識到本聲明的法律后果由本人承擔(dān)。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。本人授權(quán)大學(xué)可以將本學(xué)位。印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。涉密論文按學(xué)校規(guī)定處理。需要，智能視頻監(jiān)控系統(tǒng)獲得了日益廣泛的研究與應(yīng)用。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。運動目標(biāo)跟蹤是智能視頻監(jiān)控系統(tǒng)的一個基本環(huán)節(jié)。對于目標(biāo)識行為理解等后期的處理是非常重要的?；谧兓瘏^(qū)域檢測是眾多分割?；旌夏Ｐ偷倪\動目標(biāo)分割方法。

　　

【正文】 ，而且趨于真值的收斂速度快，但計算復(fù)雜度的問題使得它的實現(xiàn)比較困難。 期望最大化 (ExpectationMaximiyjion， EM)算法是參數(shù)估計的一種很重要的算法，最初是由 DemPster， Laird 和 Rubin 提出的，它是一種當(dāng)觀測數(shù)據(jù)為不完全數(shù)據(jù)時求解最大似然估計的迭代算法，他大大降低了最大似然估計的計算復(fù)雜度，但性能卻與最大似然估計相近，具有很好的實際應(yīng)用價值。 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|? )。當(dāng)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????? 。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(xué)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(yīng) 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? ? ? ?? 。從而， ()可以簡單的表示為 ( ) ( , ) ,LF? ? ? ? ??? () 從另一方面，還可以這樣理解 L函數(shù)與 F函數(shù)的關(guān)系 : ( , ) ( l n ( , | ) l n )( ) ( l n ( , | ) ( ) l n )( ) , ( ) ( )( , | ) ( , | )l n l n( ) ( )()l n l n ( | )( , | )()l n ( )( , | )( | | | , ) ( )i i iiiicccccF p C Z pp c p C Z p x pp C i p c p C cp c Z p c Zp c p cpcpZp c ZpcLp c ZD c c Z L? ? ? ? ???????????????? ? ? ?? ? ?? ? ?? ? ?? ? ??????? （ ） 基于參數(shù)模型的運動目標(biāo)分割方法研究 第 四 章 分割 后處理 去噪 方法簡介 由于攝像機抖動和光線變化以及高斯模型的局限性，分割后的結(jié)果會有很多噪聲，尤其是在邊緣部分，或是前景與背景的相似在 目標(biāo) 內(nèi)部出現(xiàn)。因此看上去在前景部分好 像有許多小的鏤空，而在背景部分有時會出現(xiàn)一些突然出現(xiàn)的噪聲點。為了盡可能地去除這些噪聲的影響，同時又盡量的保留更多的前景信息，我們使用了中值濾波。 中值濾波及其特點 在圖像處理中，可能需要去除噪聲，常用的有鄰域平均法，即用窗口在圖像上滑動，并且把窗口中心對應(yīng)的圖像中的像素值修改為鄰域 (即窗口 )的代數(shù)平均值。但是在圖像邊緣輪廓包含有大量的高頻信息，而鄰域平均法實質(zhì)上是一個低通濾波器，直接使用鄰域平均法會使得邊界變模糊。 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。 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。中值濾波算法仍使用滑動窗口技術(shù)，但把窗口中心對應(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 )。這樣一來，噪聲 (明亮區(qū)的少數(shù)暗點或暗區(qū)的少數(shù)明亮點或者是最小值或者是最大值，取中間值可以直接丟棄這些值而不參加運算 )就可以被去除，而能較好保留邊緣信息。 中值濾波也是一種典型的低通濾波器，具體來說，是指把以某點 (x， y)為中心的小窗口內(nèi)的所有象素的灰度按順序排列， 將中間值作為 (x， y)處的灰度值 (若窗口中有偶數(shù)個像素，則取兩個中間值的平均。 浙江理工大學(xué)本科畢業(yè)設(shè)計 23 近似中值濾波 將上一節(jié)所說的中值濾波拓展為二維，如 5 5 的模板，就得到了我們實際需要的模板。在實際的算法中，由于運動 目標(biāo) 分割得到的結(jié)果是二值圖像，而不是 灰度圖像，所以這里的中值濾波與經(jīng)典的中值濾波略有不同。這里無需將模板中的像素值排序，因為只有 0 和 1兩個值，可以想象排序的結(jié)果所有的 O在前面，所有的 1在后面。當(dāng) 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。因此，中值濾波簡化為簡單的求和，大大降低了運 算量。 實驗結(jié)果 圖 4— 1 連通區(qū)域標(biāo)定 連通區(qū)域標(biāo)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(xué)的方法，把某些相鄰的像素標(biāo)記為一個同源的整體。具體標(biāo)記時所用的方法可以因遍歷方式 (深度優(yōu)先或?qū)挾葍?yōu)先 )、標(biāo)記方式或是掃描次數(shù)有所不同，不同的方法適用于不同的應(yīng)用領(lǐng)域 (比如深度優(yōu)先就不適用于硬件實現(xiàn)，因為特殊的客觀情況可能導(dǎo)致堆棧的溢出 )。 基于參數(shù)模型的運動目標(biāo)分割方法研究 連通區(qū)域標(biāo)定的方法有很多，但本質(zhì)上都是依據(jù)連通性準(zhǔn)則，只是不同的方法在不同環(huán)境下計算量不同罷了。目前，連通區(qū)域標(biāo)定主要有四種不同的方法，分別為 : ，每遍歷一次都要對等價標(biāo)記進行等價處理，直到最后的一次遍歷不再有標(biāo)記改變?yōu)橹埂? 。在第一步里，給相鄰的像素賦值一個臨時的標(biāo)記，標(biāo)記的等價關(guān)系被記錄在一個一維的或二維的表里。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。然后是第二步，將臨時標(biāo)記用等價表里的最小等價標(biāo)記替代。 ，在這里標(biāo)記的等價關(guān)系同樣由一個搜索算法進行處理。 (如網(wǎng)格連通混沌并行處理器 )，一些并行的連通區(qū)域標(biāo)定算法也被開發(fā)出來。 方法 1相對來說最容易被硬件實現(xiàn)，因為它只包含順序的局部計算。然而，這種方法需要對圖像進行很多次遍歷。同時，這種方法的執(zhí)行時間取決于連通區(qū)域的復(fù)雜度。方法 2 由于有等價表以及所需的搜索算法的存在，因此不容易被硬件實現(xiàn)，它的執(zhí)行時間也取決于連通區(qū)域的復(fù)雜度。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。方法 4 只適于在特殊的硬件結(jié)構(gòu)上執(zhí)行。 我使用的方法介于 1和 2之間，即既要反復(fù)正向反向遍歷圖像，又用到了一維等價表。由于有等價表，大大降低了遍歷次數(shù)，加快了速度，同時這里的等價表相對于方 法 2 的等價表要簡單很多，易于硬件實現(xiàn)。 具體方法 用 b(x， y)表示要進行連通區(qū)域操作的原始二值圖像，其中像素值凡代表前景，凡代表背景。把 F0和凡預(yù)置為兩個足夠大的值 (F0FB)。臨時標(biāo)記 m 被初始化為 1。等價表初始化如下 : T[F0]=F0,T[FB]=FB。 首次遍歷 :正向遍歷，遍歷時利用等價表分配臨時標(biāo)記，并把臨時標(biāo)記傳遞到相鄰的像素，實現(xiàn)快速標(biāo)記。 浙江理工大學(xué)本科畢業(yè)設(shè)計 25 m in。 ( ( , ) )( , ) ( ) 。 ( { , ( , ) } )( , ) 。BBsBF if b x y Fg x y T m m if i j M g x i y j FT x y ot he rw ise???? ? ? ? ? ? ???? () m in ( , ) m i n[ { [ ( , ) ] } | ( , ) ]T x y T g x i y j g x i y j? ? ? ? ? () 其中， m=m+1 意為把臨時標(biāo)記賦值一次后要把臨時標(biāo)記加 1。 x 表示除當(dāng)前像素之外八連通區(qū)域模板中的其他已處理像素，即 b(x1， yl)， b(x， y1)，石 (x+l， Yl)和乃 (xl， Y)， x，少為當(dāng)前像素位置。 遍歷到每一個像素時，執(zhí)行完 ()和 ()的操作后，還要對等價表進行更新同時要分配新的臨時標(biāo)記 : 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。在遍歷到每個像素時，執(zhí)行以下操作 : m i n。 ( ( , ) )( , ) [ ( , ) 。BBF if b x y Fg x y T T x y o th e rw is e??? ?? () m in ( , ) m in[ { [ ( , ) ] } | , ]T x y T g x i y j i j M? ? ? ? () M是另一個鄰域模版，即當(dāng)反響遍歷時個g(x+1,y+1),g(x,y+1),g(x1,y+1),g(x+1,y)和 g(x,y)。當(dāng)正向遍歷時為g(x1,y1),g(x,y1),g(x+1,y1),g(x1,y)和 g(x,y)。同時要對等價表進行更新： m i n。 ( ( , ) )( , ) [ ( , ) ] ( , ) 。 ( ( , ) )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行，直到?jīng)]有臨時標(biāo)記變化為止，即滿足 m in[ ( , ) ] ( , ) 。 ( { , ( , ) })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(biāo)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(biāo)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(biāo)記出來。由于種種原因 (如窗口內(nèi)噪聲點的個數(shù)大于窗口寬度的一半 時，中值濾波效果不好，或是目標(biāo)太小 )可能會產(chǎn)生很小的矩形方框，因為可能是噪聲或信息量太小，無法進行后續(xù)的 目標(biāo) 分析，需要通過大小判斷而丟棄掉。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 : 浙江理工大學(xué)本科畢業(yè)設(shè)計 27 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(biāo)， (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(biāo)。當(dāng) : 1 1 2 1 2 2 1 1 2 1 2 2( || ) amp。 amp。 ( || )x x x x x x y y y y y y? ? ? ?? ? ? ? ? ? ? ? （ ） 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(biāo) 。 則 有 : 1 1 1 1 1 2 2 2 2 2 2m i n ( , ) , m i n ( , ) , m a x ( , ) , m a x ( , )x x x y y y x x x y y y?? ?? ?? ??? ? ? ?? ? ? ? （ ） 當(dāng)兩個矩形的垂直或水平距離很近時，也要將它們合并，即 : 1 2 1 2 2 1 2 11 1 0 1 2 0 2 1 0 2 2 01 m a x( , )2 2 4amp。 amp。 || ||x x x x y y y yy y H y y H y y H y y H???? ??? ? ? ?? ? ? ?? ? ? ? ? ? ? ? 或 1 2 1 2