【導讀】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)權的情況，本人愿意。承擔相應的責任。師的指導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注引用的內容外，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明。全意識到本聲明的法律后果由本人承擔。同意學校保留并向國家有關部門或機構送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權大學可以將本學位。印或掃描等復制手段保存和匯編本學位論文。涉密論文按學校規(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\動目標分割方法。

　　

【正文】 ，而且趨于真值的收斂速度快，但計算復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雜度，但性能卻與最大似然估計相近，具有很好的實際應用價值。 假設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： 浙江理工大學本科畢業(yè)設計 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? ? ? ?? 。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 內部出現(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平均法作為改進，給窗口內不同位置的像素設不同的權，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，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 )。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。 浙江理工大學本科畢業(yè)設計 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 分割得到的結果是二值圖像，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，可以想象排序的結果所有的 O在前面，所有的 1在后面。當 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。具體標記時所用的方法可以因遍歷方式 (深度優(yōu)先或寬度優(yōu)先 )、標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用領域 (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致堆棧的溢出 )。 基于參數(shù)模型的運動目標分割方法研究 連通區(qū)域標定的方法有很多，但本質上都是依據(jù)連通性準則，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記進行等價處理，直到最后的一次遍歷不再有標記改變?yōu)橹埂? 。在第一步里，給相鄰的像素賦值一個臨時的標記，標記的等價關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，將臨時標記用等價表里的最小等價標記替代。 ，在這里標記的等價關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構上執(zhí)行。 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。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和凡預置為兩個足夠大的值 (F0FB)。臨時標記 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記，并把臨時標記傳遞到相鄰的像素，實現(xiàn)快速標記。 浙江理工大學本科畢業(yè)設計 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 意為把臨時標記賦值一次后要把臨時標記加 1。 x 表示除當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)模型的運動目標分割方法研究 實驗結果 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。由于種種原因 (如窗口內噪聲點的個數(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 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 : 浙江理工大學本科畢業(yè)設計 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， (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。當 : 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 。 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