【正文】 （ 2）在 t+1 幀的時候，在上一幀跟蹤到的目標位置的周圍采樣 n 個掃描窗口（避免去掃描整幅圖像），通過同樣的稀疏測量矩陣對其降維，提取特征，然后用第 t 幀訓練好的樸素貝葉斯分類器進行分類，分類分數(shù)最大的窗口就認為是目標窗口。而且算法并未記憶任何目標的相關(guān)特征信息，不適用于動態(tài)場景下的目標跟蹤，適用范圍也因此受到限基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 27 制 ,但隨著計算機技術(shù)的發(fā)展，計算機速度越來越快，目前的計算機條件下，高斯模型已經(jīng)取得了大規(guī)模的應(yīng)用。 混合高斯背景模型算法的優(yōu)缺點 高斯模型是使用均值和方差來衡量目標，等同于給每個像素點以自 己的特有的閾值，不必因約束于統(tǒng)一的閾值而影響各個局部的效果。 對權(quán)值的更新： ? 時當其它 miyxw yxw itityxitw ?????? ,),()1( ),()1(),(1 ??? （ ） 更新后，在對同一像素的高斯分布權(quán)值進行歸一化，使得 K 個高斯模型的權(quán)值和為1。但是，隨著時間的不斷積累，背景整體發(fā)生變化時，各個高斯模型分量將可能不再適應(yīng)。匹配方法如下，在 t 時刻，像素 (x, y)的特征值（如，灰度值）為 It(x, y)，則它對其第 i 個高斯模型有： ),(|),(),(|,1 ,0),( { yxitDyxityxtIyxO it ?? ??? 其它 （ ） 其中， D 為置信參數(shù)，取值一般為 2～ 3 之間，如 。 基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 25 設(shè) t 時刻，圖像的每個像素點 (x, y)的顏色 It(x, y)可由 K 個高斯分布描述， K 通常為3～ 7 個， i∈ [1, 2. ..., K]。 因為背景中常常含有輕微擾動的因素（如樹葉的晃動）、不同時間段內(nèi)場景中光線的變化等，因此，使用單一的高斯模型表征某一像素點已不能滿足要求。 混合高斯模型的建立 使用混合高斯模型方法 [1115]對背景進行建模的方法，由 Stauffer 和 Grimson 等于1999 年提出。 為解決這些問題，背景建模的跟蹤方法被提出。許超提出的以最短線段結(jié)構(gòu)元素構(gòu)造準圓結(jié)構(gòu)元素或序列結(jié)構(gòu)元素生成準圓結(jié)構(gòu)元素相結(jié)合的設(shè)計方法，用于骨架的提基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 23 取，可大大減少形態(tài)運算的計算量，并可同時滿足尺度、平移及旋轉(zhuǎn)相容性，適于對形狀進行分析和描述。但是，在不同的應(yīng)用場合，結(jié)構(gòu)元素的選擇及其相應(yīng)的處理算法是不一 樣的，對不同的目標圖像需設(shè)計不同的結(jié)構(gòu)元素和不同的處理算法。它具有消除細小物體，在纖細處分離物體和平滑較大物體邊界的作用。用 B（ x） 對 E 進行膨脹的結(jié)果就是把結(jié)構(gòu)元素 B 平移后使 B 與 E 的交集非空的點構(gòu)成的集合。 膨脹運算的作用是把圖像周圍的背景點合并到物體中。 基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 21 對圖像進行腐蝕運算的作用是消除物體邊界點。結(jié)構(gòu)元素在形態(tài)變換中的作用相當于信號處理中的“濾波窗口”。其形態(tài)算子的實質(zhì)是表達物體或形狀的集合與結(jié)構(gòu)元素間的相互作用，結(jié)構(gòu)元素 的形狀就決定了這種運算所提取的信號的形狀信息。如果某特定 物體在內(nèi)部有均勻一致的灰度值，并且其處在一個具有其他等級灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。即將 256 個亮度等級的灰度圖像通過適當?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。使用二維中值濾波最值得注意的是要保持圖像中有效的細線狀物體，如果圖像中的線、尖角細節(jié)較多，則不宜采用中值濾波。中值濾波這種方法由于不依賴于鄰域內(nèi)那些與典型值差別很大的值，因而能在去除噪聲脈沖、椒鹽噪聲的同時又能保留圖像邊緣細節(jié)。圖像的灰度化處理可用兩種方法來實現(xiàn)。 基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 17 第四章 圖像處理 彩色圖像灰度化處理 將彩色的圖像轉(zhuǎn)化成為灰度的圖像的過程叫作圖像的灰度化處理。//指向排列的圖像數(shù)據(jù) int widthStep。//在 OpenCV 必須設(shè)置為 NULL void *imageId。//圖像寬像素數(shù) int height。//被 OpenCV 忽略 int depth。 OpenCV 的算法中，圖像的格式被設(shè)定為 IplImage,其結(jié)構(gòu)具體定義如下： typedef struct _IplImage { int nSize。 cvaux – 輔助的（實驗性的） OpenCV 函數(shù)。 運動分析（光流、運動分割、跟蹤）。 各種動態(tài)數(shù)據(jù)結(jié)構(gòu)（列表、隊列、集合、樹、圖等）。目的是為了實時應(yīng)用獨立于操作系統(tǒng) /硬件 /圖形管理器，通用的圖像 /視頻載入、保存和獲取模塊，底層和高層的應(yīng)用開發(fā)包。（細節(jié)參考發(fā)布版本的license）。它由一系列 C 函數(shù)和少量 C++類構(gòu)成，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。 基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 13 在該理論框架下，采樣速率不再取決于信號的帶寬，而在很大程度上取決于兩個基本準則：稀疏性和非相關(guān)性，或者稀疏性和等距約束性。 壓縮感知跟蹤（ CT 跟蹤） 通過稀疏感知理論可以知道，通過一個滿足 RIP 條件的非常稀疏的測量矩陣對原圖像特征空間做投影，就可以得到一個低維壓縮子空間。既然已經(jīng)了解怎樣來識別出或檢測出檢測器的錯誤，并且從中進行學習訓練。該框架將目標的長時間的跟蹤任務(wù)清晰地分解成三個部分，跟蹤，學習和檢測。 長時間跟蹤 TLD 算法 主要討論研究視頻流中的目標物體的長時間跟蹤問題。在新的一幀圖像 里，目標的所在還是放小白鼠搜索吧。相似性有多種度量，最簡單的一種是計算 sum(abs (Vi V))。比如， a)均勻的放：即在整個圖像平面均勻的撒粒子 (uniform distribution)； b)在上一幀得到的目標附近按照高斯分布來放，可以理解成，靠近目標的地方多放，遠離目標的地方少放。具體到 Rob Hess 的代碼，開始時需要人工用鼠標拖動出一個跟蹤區(qū)域，然后程序自動計算該區(qū)域色調(diào) (Hue)空間的直方圖，即為目標的特征。這個思想和 RANSAC 算法真是不謀而合。 粒子濾波跟蹤算法 粒子濾波的核心思想是隨機采樣與重要性重采樣。 K(k)為 Kalman 增益，其計算公式為))(39。)(()()(39。 A,B,u(k),也都是給定了的值。 基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 10 下面來看看使用 Kalman 編程的主要步驟： (1)Kalman 這個類需要初始化下面變量： 轉(zhuǎn)移矩陣，測量矩陣，控制向量 (沒有的話，就是 0)，過程噪聲協(xié)方差矩陣，測量噪聲協(xié)方差矩陣，后驗錯誤協(xié)方差矩陣，前一狀態(tài)校正后的值，當前觀察值。主要是來跟蹤的某一個變量的值，跟蹤的依據(jù)是首先根據(jù)系統(tǒng)的運動方程來對該值做預測，比如說知道一個物體的運動速度，那么下面時刻它的位置按照道理是可以預測出來的，不過該預測肯定有誤差，只能作為跟蹤的依據(jù)。研究光流場的目的就是為了從圖片序列中近似得到不能直接得到的運動場。它是空間運動物體在觀察成像平面上的像素運動的瞬時速度，是利用圖像序列中像素在時間域上的變化以及相鄰幀之間的相關(guān)性來找到上一幀跟當前幀之間存在的對應(yīng)關(guān)系，從而計算出相鄰幀之間物體的運動信息的一種方法。在背景建模期間，每當來了一幅新圖片，對每個像素點進行碼本匹配，也就是說如果該像素值在碼本中某個碼元的學習閾值內(nèi)，則認為它離過去該對應(yīng)點出現(xiàn)過的歷史情況偏離不大，通過一定的像素值比較，如果滿足條件，此時還可以更新對應(yīng)點的學習閾值和檢測閾值。 最后歸納一下其中的流程，首先初始化預先定義的幾個高斯模型， 對高斯模型中的參數(shù)進行初始化，并求出之后將要用到的參數(shù)。通觀整個高斯模型，主要是 有方差和均值兩個參數(shù)決定，對均值和方差的學習，采取不同的學習機制，將直接影響到模型的穩(wěn)定性、精確性和收斂性。 首先要提起背景和前景的概念，前景是指在假設(shè)背景為靜止的情 況下，任何有意義的運動物體即為前景。對于復雜的圖像，尤其是醫(yī)學圖像，一般是多峰的。 在整個圖像中，光流失量其實是連續(xù)變化的，一但返現(xiàn)速度矢量出現(xiàn)了不連續(xù)，有斷裂的情況，那么就可以得出運動物體的位置。 （ 2） 連續(xù)幀間差分法： 受光線變化影響較小，簡單快速，但不能分割出完整的運動對象，需進一步運用目標分割算法。時下應(yīng)用較為廣泛的是背景差法、幀間差分法以及綜合法。除具備卓越的數(shù)值計 算能力外，它還提供了專業(yè)水平的符號計算，文字處理，可視化建模仿真和實時控制等功能。事實上，這是一套 image processing library，由一千多個各自獨立的函數(shù)，以及底層的數(shù)據(jù)管理核心構(gòu)成。 OpenCV 致力于真實世界的實時應(yīng)用，通過優(yōu)化的 C 代碼的編寫對其執(zhí)行速度帶來了可觀的提升，并且可以通過購買 Intel 的 IPP 高性能多媒體函數(shù)庫 (Integrated Performance Primitives)得到更快的處理速度。 系統(tǒng)開發(fā)環(huán)境 本系統(tǒng)是在 Windows 平臺上使用 VS2020，綜合運用計算機視覺技術(shù)、數(shù)字圖像處理技術(shù)，基于 OpenCV 設(shè)計實現(xiàn)運動物體檢測與跟蹤系統(tǒng)。 Microsoft,IBM,EMITALL,CMU 等尖端公司包括知名技術(shù)性的實驗室近年來都投入了大量的人力和物力致力于研發(fā)人工智能的監(jiān)控系統(tǒng)，并且開始造福于人類。但是在復雜的背景下，需要提高檢測目標 物體的精確性，以及檢測的數(shù)學算法的魯棒性、實時性。近幾年來研究人員已經(jīng)漸漸將研究的重點從圖像中 的靜態(tài)目標慢慢過渡到了復雜環(huán)境中的動態(tài)目標序列上面。綜上述以數(shù)字圖像處理為基礎(chǔ)，從而分析視頻圖像的運動的整個處理過 程，涉及到了一些不同領(lǐng)域與科學。對于圖像的分析其實質(zhì)就是關(guān)注這些圖像中的運動目標。目前，計算機視覺技術(shù)正在廣泛的應(yīng)用于計算幾何、計算機圖形學、圖像處理、機器人學等多個領(lǐng)域中。到了 70基于 OpenCV 的計算機視覺技術(shù)研究與實現(xiàn) 3 年代，已經(jīng)出現(xiàn)了一些視覺應(yīng)用系統(tǒng)。 計算機視覺技術(shù)發(fā)展的歷程 計算機視覺技術(shù)是在 20 世紀 50 年代從統(tǒng)計模式識別 開始的。 計算機視覺要處理的一個重要內(nèi)容，就是對視線范圍內(nèi)物體運動的檢測與跟蹤。 迄今為止，計算機視覺的發(fā)展已經(jīng)歷了一個漫長的過程。 目前，計算機視覺技術(shù)已經(jīng)應(yīng)用在制造業(yè)、工業(yè)檢驗、文檔分析、醫(yī)療診斷、軍事目標跟蹤、自主導航等系統(tǒng)當中。也就是用計算機來實現(xiàn) 對客觀世界的識別與理解 ,理解是指對被觀察對象的形狀、尺寸、離開觀察點的距離、質(zhì)地、運動特征 (包括方向和速度 ) 等的理解 ,更準確點說，它是利用攝像機和電腦代替人眼使得計算機擁有類似于人類的那種對目標進行分割、分類、識別、跟蹤、判別決策的功能。其中著重討論混合高斯背景模型與壓縮感知算法的 C++代碼設(shè)計（結(jié)合 OpenCV 庫） 的實現(xiàn)，并通過采樣視頻給出了程序的運行結(jié)果以及說明算法的可行性。動態(tài)目標檢測與跟蹤作為計算 機視覺領(lǐng)域的一個重要部分，在工業(yè)、醫(yī)療保健、航空航天、軍事等各個領(lǐng)域具有廣泛的應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計算機視覺領(lǐng)域的研究熱點。 、 圖 表要求： 1）文字通 順 ， 語 言流 暢 ， 書寫 字跡工整，打印字體及大小符合要求，無 錯別 字，不準 請 他人代 寫 2）工程 設(shè)計類題 目的 圖紙 ，要求部分用尺 規(guī)繪 制，部分用 計 算機 繪 制，所有 圖紙應(yīng) 符合 國 家技 術(shù)標 準 規(guī) 范。本人授 權(quán) 大 學 可以 將 本 學 位論 文的全部或部分 內(nèi) 容 編 入有 關(guān)數(shù) 據(jù) 庫進 行 檢 索，可以采用影印、 縮印或 掃 描等 復 制手段保存和 匯編 本 學 位 論 文。除了文中特 別 加以 標 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。 盡 我所知，除文中特 別 加以 標 注和致 謝 的地方外，不包含其他人或 組織 已 經(jīng)發(fā) 表或公布 過 的 研究成果，也不包含我 為獲 得 及其 它教 育機 構(gòu) 的 學 位或 學歷而使用 過 的材料。 對 本 研 究提供 過幫 助和做出 過貢獻 的 個 人或集體，均已在文中作了明確的 說 明 并 表示了 謝 意。 對 本文的 研究做出重要 貢獻 的 個 人和集體，均已在文中以明確方式 標 明。 涉密 論 文按 學 校 規(guī) 定 處 理。 圖 表整 潔 ，布局合理，文字注 釋 必 須 使用工程字 書寫 ，不準用徒手 畫 3） 畢業(yè) 論 文 須 用 A4 單 面打印， 論 文 50 頁 以上的 雙 面打印 4） 圖 表 應(yīng)繪 制于無格子的 頁 面上 5） 軟 件工程 類課題應(yīng) 有程序 清單 ， 并 提供 電 子文 檔 訂順 序 1） 設(shè)計 （ 論 文） 2）附件：按照任 務(wù)書 、 開題報 告、外文 譯 文、 譯 文原文（ 復 印件）次序裝訂 指 導教師評閱書 指 導教師評 價： 一、撰 寫 （ 設(shè)計 ） 過 程 學 生在 論 文（ 設(shè)計 ） 過 程中的治 學態(tài) 度、工作精神 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學 生掌握 專業(yè) 知 識 、技能的扎 實 程度 □ 優(yōu) □ 良 □