freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

運動目標(biāo)檢測中陰影去除算法的研究與實現(xiàn)畢業(yè)設(shè)計正文-文庫吧資料

2025-06-25 06:00本頁面
  

【正文】 方法進(jìn)行運動目標(biāo)陰影的檢測與去除;利用數(shù)學(xué)形態(tài)學(xué)方法來完成對目標(biāo)區(qū)域的修整與重建。但在變化像素中,除了運動目標(biāo)外還存在許多由各種干擾所引起的變化像素,這些可能會使原本分離的目標(biāo)區(qū)域合并或引起目標(biāo)變形等。該算法的特點是每個高斯分布不僅帶有權(quán)值,而且具有優(yōu)先級,像素點與某個高斯模型相匹配后,就將該匹配的高斯分布的參數(shù)進(jìn)行更新,權(quán)值進(jìn)行提高,而其它高斯分布的權(quán)值則相應(yīng)地降低,每次對參數(shù)與權(quán)值進(jìn)行更新之后,對每個高斯分布再重新計算優(yōu)先級和進(jìn)行排序。如果T值取的比較大,那么混合模型就可以容納重復(fù)運動的背景導(dǎo)致的多種背景顏色。N是能達(dá)到這一比例的“最好”的高斯分布的數(shù)量,即前面N個最可能的分布。為了判定Xt是屬于前景像素還是背景像素,首先根據(jù)每個模型的ω/σ值來給模型排序,比值越大,表示具有較大的ω和較小的σ,因此排序越前的高斯分布,越能描述背景模型。在每一時間里,選擇每一點的混合高斯模型中的一個或多個高斯分布作為背景模型,其它的則作為前景模型。 運動目標(biāo)的檢測與提取由于有噪聲的影響,背景圖像庫中某些圖像的有些像素點并不能真正地代表背景,用這類像素建立的高斯分布模型是應(yīng)該被去除。這種方法的一個顯著優(yōu)點:當(dāng)某些值被歸為到背景時,現(xiàn)存的背景模型并沒有被破壞,原來的背景顏色一直存在于混合模型中直到被新的背景顏色所取代。(2) 如果在K個分布中沒有找到與當(dāng)前像素匹配的高斯分布,那么可能性最小的高斯分布將被新的高斯分布所替代。1/α為表示變化快慢的時間常數(shù),α越小,權(quán)值更新的越慢,時間常數(shù)越大;α越大,權(quán)值更新的越快,時間常數(shù)越小,混合高斯模型中主高斯分布對背景適應(yīng)性越好,更有利于背景模型的更新,但對于內(nèi)部顏色比較一致的運動目標(biāo),則目標(biāo)的運動方向后半部分容易檢測為背景(因為前半部分可能已經(jīng)更新為背景了),這樣就造成了目標(biāo)的漏檢。對于匹配的模型Mk,j=1,其余的模型(不匹配的分布)為0。匹配的方法是把高斯分布ηk按權(quán)值與方差之比ω/σ從大到小排列,然后選擇Xt與均值μj,t1,k足夠接近的第一個高斯分布作為匹配的高斯分布,即Xt滿足下列判別式: ()其中,上式表示Xt服從第j個高斯分布(1<j<K)。更新方法的思想是對于圖像給定點的最新值Xt,與K個高斯分布分別進(jìn)行匹配,如果有某個高斯分布ηk與它匹配,則用當(dāng)前值Xt去更新這個ηk的各項參數(shù);如果沒有任何一項分布ηk與它匹配,就用一個代表當(dāng)前值Xt的新的分布去代替現(xiàn)有混合高斯分布中的一個分布項。為了增強(qiáng)背景模型的適應(yīng)性,需要根據(jù)實際的情況,對背景模型進(jìn)行實時地更新。在當(dāng)前時刻t點(i, j)的概率分布可用下面的公式來表示: () ()其中,ωij,k,t是t時刻第k個混合高斯分布的權(quán)值,μij,k,t、Σij,k,t分別為第k個高斯分布的均值和方差,η是高斯概率密度函數(shù)。K值的選取一般由計算能力和內(nèi)存來決定,K值越大,模型雖然能體現(xiàn)越復(fù)雜的場景,但同時計算量也將大幅增加,消耗更多的計算時間。因此,對每個像素點用多個高斯模型混合表示。但背景場景往往不是絕對靜止的,例如由于樹枝的搖擺運動,背景圖像上的某一像素點在某一時刻可能是樹葉,可能是樹枝,也可能是天空,每一種狀態(tài)的像素點顏色值都是不同的。這種基于混合高斯模型算法(MoG算法)的運動目標(biāo)檢測算法即繼承了大多背景差算法簡單易于實現(xiàn)的特點,同時對背景中每個像素建立統(tǒng)計模型,進(jìn)行學(xué)習(xí)和更新,完全可以克服多模態(tài)的問題,獲得比較準(zhǔn)確實時的背景,從而有效進(jìn)行運動目標(biāo)前景的提取[6]。前者在每個背景點上的顏色分布是比較集中的,可以用單個概率分布模型來描述(即只有一個模態(tài));后者的分布則比較分散的,需要多個分布模型來共同描述(即具有多個模態(tài))。 基于RGB顏色空間的混合高斯模型在靜止攝像機(jī)條件下,運動目標(biāo)檢測的關(guān)鍵是背景圖像的描述模型即背景模型,它是背景差方法分割前景目標(biāo)的基礎(chǔ)。通常的解決辦法是系統(tǒng)需要時常對背景重新初始化,以防止錯誤隨著時間不停地積累造成背景的失效。這種固定背景算法是假定背景在相當(dāng)長的一段時間內(nèi)是不會發(fā)生變化的,然后以此為基礎(chǔ)求解運動區(qū)域。背景圖像為B(x,y),則差分圖像可以表示為 ()(3) 對差分圖像做二值化處理,得到運動區(qū)域: ()其中,p為差分圖像中的任何一點,T為閾值。(2) 在像素模式下,用當(dāng)前圖像減去已知背景圖像來得到差分圖像。最簡單的背景模型是時間平均圖像。背景差法必須要有背景圖像,并且背景圖像要隨著光照和外部環(huán)境的變化而實時更新,因此背景差法關(guān)鍵是背景建模及其更新。 背景差法背景差法相對于相鄰幀差法和光流法來說簡單且易于實現(xiàn),是一種有效的運動目標(biāo)檢測算法,是固定攝像機(jī)對固定場景進(jìn)行視頻監(jiān)控時檢測運動目標(biāo)最常用的方法。另外,當(dāng)運動目標(biāo)面積較大,顏色一致時,容易在目標(biāo)內(nèi)部產(chǎn)生空洞,無法完整地提取運動目標(biāo)。相鄰幀差法的優(yōu)點就是相鄰兩幀的時間間隔很短,用前一幀圖像作為后一幀圖像的背景模型具備較好的實時性,而且其背景不積累、更新速度快、算法計算量小。其基本思想:如果一幅圖像的某一位置物體發(fā)生變化,那么對應(yīng)位置的灰度也將發(fā)生變化;而物體沒有發(fā)生變化的部分,其灰度則不發(fā)生變化或變化很小。 相鄰幀差法相鄰幀差法即圖像序列差分法,它利用兩幀圖像亮度差的絕對值來分析視頻和圖像序列的運動特性,確定圖像序列中是否有物體運動。對于視頻監(jiān)控系統(tǒng)來說,所用的圖像基本都是攝像機(jī)靜止?fàn)顟B(tài)下攝取得,所以對有實時性和準(zhǔn)確性要求的系統(tǒng)來說,純粹使用光流法來檢測運動目標(biāo)不太實際。光流的研究是利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運動”,即研究圖像灰度在時間上的變化與景象中物體結(jié)構(gòu)及其運動的關(guān)系。目前常用的運動檢測方法有光流法、相鄰幀差法、背景差分法。 運動目標(biāo)檢測算法概述運動目標(biāo)檢測是整個智能視頻監(jiān)控系統(tǒng)的第一部分,其目的是將運動目標(biāo)(如車輛,行人等)從圖像中提取出來,檢測效果的好壞直接關(guān)系到后續(xù)步驟,而且也關(guān)系到整個系統(tǒng)的優(yōu)劣和實用性。MOD處于整個視頻監(jiān)視系統(tǒng)的最底層,是各種后續(xù)高級應(yīng)用如目標(biāo)跟蹤、目標(biāo)分類、目標(biāo)行為識別和理解等的基礎(chǔ)。設(shè)圖像集合的邊界為edge (A),先用一個結(jié)構(gòu)元素B腐蝕A,再求取腐蝕結(jié)果和A差集就可得到edge (A),則輪廓提取通過下式得到: ()第三章 運動目標(biāo)的檢測 引言運動目標(biāo)檢測(MovingObjectives Detecting, MOD)是指將圖像序列中發(fā)生變化的區(qū)域從背景中分割出來。通常,由于噪聲的影響,圖像在閾值化后所得到的邊界往往是很不平滑的,物體區(qū)域具有一些噪聲孔,背景區(qū)域上散布著一些小的噪聲物體,連續(xù)的開運算和閉運算可以有效的改善這種情況。其定義為: ()閉運算也是平滑圖像的輪廓,但與開運算相反,它具有填充物體內(nèi)細(xì)小空洞、連接鄰近物體、在不明顯改變物體面積的情況下平滑其邊界的作用。集合A被結(jié)構(gòu)元素B作閉運算,記為AB。換句話說,A被B開運算就是A被B腐蝕后的結(jié)果再被B膨脹。先腐蝕后膨脹的過程為開運算,先膨脹后腐蝕的過程為閉運算。腐蝕是一種消除所有邊界點,使邊界向內(nèi)部收縮的過程,可以用來消除小且無意義的物體。其概念常定義為: ()上式表明對每一個像素,以該像素點為原點的腐蝕結(jié)構(gòu)B完全屬于A,則該像素屬于腐蝕結(jié)果的像素集合。(2) 腐蝕在數(shù)學(xué)形態(tài)學(xué)實際應(yīng)用過程中,腐蝕的運算符用來表示。例如,一個物體顯示在二值圖像上可能受到噪聲等干擾,使得物體本身像素值為1的點相互分散又靠得很近,那么膨脹運算可能會使這些像素點連通在一起,最終獲得完整的物體。膨脹運算在數(shù)學(xué)形態(tài)學(xué)中的作用是修復(fù)原屬于一個整體的分開的若干個像素點集合,即把圖像周圍的背景點合并到物體中。上式表明用B膨脹A的過程:先對B做關(guān)于原點的映射,再將其映像平移x,這里A與B映像的交集不為空集。結(jié)構(gòu)元素在形態(tài)變換中的作用相當(dāng)于信號處理的“濾波窗口”。結(jié)構(gòu)元素本身也是一個圖像集合,對每個結(jié)構(gòu)元素,指定一個原點,它是結(jié)構(gòu)元素參與形態(tài)學(xué)運算的參考點。基本圖像形態(tài)結(jié)構(gòu)運算有膨脹與腐蝕。數(shù)學(xué)形態(tài)學(xué)運算主要用于如下幾個目的[6]:(1) 圖像預(yù)處理(去噪聲、簡化形狀);(2) 增強(qiáng)物體結(jié)構(gòu)(抽取骨骼、細(xì)化、粗化、凸包、物體標(biāo)記);(3) 從背景中分割物體;(4) 物體量化描述(面積、周長、投影、EulerPoincare特征)。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和所用語言是集合論?,F(xiàn)在,數(shù)學(xué)形態(tài)學(xué)可以用來解決抑制噪聲、特征提取、邊緣檢測、圖像分割、形態(tài)識別、紋理分析、圖像恢復(fù)與重建、圖像壓縮等圖像處理的問題。數(shù)學(xué)形態(tài)學(xué)以嚴(yán)格的數(shù)學(xué)理論和集合理論為基礎(chǔ),著重于研究圖像的集合結(jié)構(gòu),形態(tài)學(xué)對圖像的處理基于結(jié)構(gòu)元素(structure element)的概念,而且結(jié)構(gòu)元素的選擇和圖像的某種特有信息有密切的關(guān)系,所以構(gòu)造不同的結(jié)構(gòu)元素可提供不同的圖像分析和處理方法,數(shù)學(xué)形態(tài)學(xué)中的集合表示圖像中的特定信息。HSV顏色空間能夠清晰地將顏色分為色度和亮度,而陰影不會改變背景的色度,故常用此顏色空間來進(jìn)行陰影檢測。來設(shè)定。同樣,將白色加入所選的色彩中時,則參數(shù)S減小而V保持不變。增加黑色即減小V而S保持不變。HSV對多數(shù)用戶來說是一個較直觀的模型。在六邊形頂部的顏色強(qiáng)度最大。當(dāng)S=0時,只有灰度。當(dāng)S=1時,此時的得到最純的顏色,并不是白色。低的值提供一個中性、陰暗的顏色,而高的值提供一個強(qiáng)烈的、純的顏色。飽和度(S)指顏色的純度和濃度的大小。處,而青色在180176。黃色位于60176。六邊形的頂點以60176。色調(diào)用與水平軸之間的角度來表示,范圍從0176。例如,紅色、黃色、藍(lán)色或綠色。在六棱錐中,飽和度沿水平軸測量,而亮度值沿通過六棱錐中心的垂直軸測量。一方面,該模型可在彩色圖像中消除亮度分量的影響從而獲得色調(diào)和飽和度的彩色信息,因此它比其他彩色模型更利于開發(fā)基于彩色描述的圖像處理方法;另一方面,HSV彩色模型能夠使人更自然、更直觀地解釋和感受顏色。當(dāng)人觀察一個彩色物體時,更習(xí)慣用色調(diào)、飽和度和亮度來描述它。亮度(V)是光作用于人眼時所引起的明亮程度的感覺,它與被觀察物體的發(fā)光強(qiáng)度有關(guān)。飽和度(S)指的是顏色的純度,即摻入白光的程度,或者說是指顏色的深淺程度,對于同一色調(diào)的彩色光,飽和度越高,顏色就越鮮明。HSV是一種對應(yīng)于畫家的配色模型,是面向用戶的,能較好反應(yīng)人對顏色的感知和鑒別。主要用于非發(fā)射式顯示,比如彩色打印機(jī),繪畫儀等。RGB顏色模型的顏色數(shù)量可達(dá)到224種。根據(jù)這個模型,每幅彩色圖包括3個獨立的基色平面,或者說可分解到3個平面上。在坐標(biāo)軸上的頂點代表三個基色,而余下的頂點則代表第一個基色的補色。通過紅、綠、藍(lán)三種基色可以混合得到大多數(shù)的顏色。這種視覺理論就是使用紅、綠、藍(lán)三種基色來顯示彩色的基礎(chǔ),稱之為RGB顏色模型,它是最常用的顏色模型。這些光在波長為630nm(紅)、530nm(綠)和450nm(藍(lán))時的刺激達(dá)到高峰。面向硬件設(shè)備的最常用彩色模型是RGB顏色模型,而面向彩色處理的最常用的模型是HSV顏色模型。這些顏色空間已經(jīng)在各行各業(yè)中得到了廣泛的應(yīng)用。因研究和應(yīng)用的不同從而建立了很多不同的顏色模型,每個顏色模型都各有特點。 顏色模型的分類人眼對于顏色的觀察和處理是一種生理和心理現(xiàn)象,因而對于色彩的許多結(jié)論都是建立在實驗基礎(chǔ)之上,因此也出現(xiàn)了多種不同的方法來描述顏色,而不同的描述方法對應(yīng)于不同的顏色空間。顏色模型(也稱為彩色模型)的用途是在某些標(biāo)準(zhǔn)下用通常可接受的方式簡化彩色規(guī)范。亮度是指感受到的光的明度或顏色的強(qiáng)度,而純度是指可見光的顏色的濃淡。若一束光中,只包含一種波長的能量,其它波長都為零時,稱其為單色光。可見光波段中的每一頻率對于一種單獨的顏色,而頻率和波長的乘積等于光速,由于波長比頻率在某種程度上容易處理,因此常用波長來指定光譜顏色,通常的紅、橙、黃、綠、藍(lán)和紫等顏色的波長在400nm到700nm之間。 顏色模型顏色是人的視覺器官對外來的光刺激而產(chǎn)生的主觀感受。為了能夠準(zhǔn)確地提取運動目標(biāo),需要對提取出的目標(biāo)進(jìn)行一系列地處理。第二章 基礎(chǔ)理論 引言在復(fù)雜的背景環(huán)境中,天氣和光線等的變化、陰影、燈光及隨機(jī)噪聲等都會影響采集到的圖像的特征。最終通過MATLAB軟件進(jìn)行實驗,證明了該算法的實用性。第三章運動目標(biāo)的檢測,簡單地對目前運動目標(biāo)檢測的集中經(jīng)典算法進(jìn)行分析,在對幾種方法進(jìn)行比對的基礎(chǔ)上,確定一種較好的運動目標(biāo)檢測方法,即基于混合高斯背景模型的運動目標(biāo)檢測方法。本文各
點擊復(fù)制文檔內(nèi)容
公司管理相關(guān)推薦
文庫吧 www.dybbs8.com
備案圖鄂ICP備17016276號-1