模型建立与求解共6页.docx
- 文档编号:18242550
- 上传时间:2023-08-14
- 格式:DOCX
- 页数:9
- 大小:3.41MB
模型建立与求解共6页.docx
《模型建立与求解共6页.docx》由会员分享,可在线阅读,更多相关《模型建立与求解共6页.docx(9页珍藏版)》请在冰点文库上搜索。
模型建立与求解共6页
1模型(móxíng)法背景建模
本文(běnwén)对于背景建模采用非模型方法,其关键在于灰度值选取的假设(jiǎshè)规则。
本文采用混合高斯背景建模方法。
用K个高斯模型来描述背景像素值的分布。
它的基本思想是,对于缓慢变化的背景,可以用正态分布来表征像素灰度值的变化。
每一个背景像素的值都可以通过多个正态分布的加权和来描述。
所有背景建模算法的目标都是建立能够有效地描述背景变化的模型。
相应地,衡量背景模型有效性的主要标准是模型对动态背景的鲁棒性。
混合高斯模型考虑到背景运动的多模型,因此较之其他算法具有对动态背景更好的鲁棒性。
下面以灰度视频为例来描述混合高斯模型的算法流程。
对于彩色图像,只需要对各个颜色通道分别建立混合高斯模型即可。
假设背景静止不动,理论上只需要一个整数值就足以描述某背景图像像素点
的灰度变化。
考虑到存在外界噪声,如摄像机噪声等因素,可以用一个高斯分布
N切,动来描述某像素点x的灰度统计信息。
N恤,动就是单高斯背景模型,其
中包含两个模型参数,均值尸与标准差6。
即使对于静止的背景,其成像灰度也
会随着时间的推移而逐渐发生缓慢的变化,这就要求我们所建立的背景模型的参
数必须随着时间不断更新。
为了适应背景变化,必须实时地更新模型参数。
以参
数尸为例,可以使用如下公式实现模型参数更新。
式中,μ为t时刻的均值,a为更新率,x‘为t时刻二像素点的灰度值。
单高斯模型通常只适合于一些静态不变场景,如室内场景,的背景建模,对
于动态场景无法获得准确的背景模型。
而基于背景运动通常是多模的这一观点,
采用多个高斯模型来模拟背景更加符合实际。
混合高斯模型,就是使用x个高斯
模型(x取3到s>来模拟某个像素点的灰度分布情况。
我们以像素点二为例,
在像素点x的混合高斯模型定义为
前景分割(fēngē)后处理的基本流程图如图所示
┌──────────────┐
│获取当前(dāngqián)帧与背景帧的差分图像│
└──────────────┘
↓
┌──────────────┐
│增加(zēngjiā)阅值控制消除部分噪点│
└──────────────┘
↓
┌─────┐
│形态学处理│
└─────┘
↓
┌────────────┐
│获取较清晰运动图像│
└────────────┘
我们首先采用形态学的处理方法,先对前景图像进行膨胀操作,再对图像进行腐蚀操作。
处理完成后可填补部分空洞,但仍不可避免一些存在运动物体被割裂的情况。
这类问题主要可以分为两类,一类问题是在提取的前景物体中存在孔洞,检测时会误认为有多个目标存在,如图2.11-(a)所示;另一类问题是一个物体被分割成两个物体,二者不连通,如图2.12-(a)所示。
对于图2.11-(a)所示的第一类问题,只需要判断两运动物体的相对位置,当判断出一运动物体被另一运动物体包围时,则认为是孔洞造成的,不将其列入运动物体序列;对于图2.12-(a)所示的第二类问题,将所检出的前景前后物体伸缩一定像素值,若伸缩后与另一前景物体相交,且边界(biānjiè)上的相交像素点百分数大于一阂值,则认为这两个前景物体是同一个运动物体。
通过改进的自适应参数更新背景建模,并经过(jīngguò)f}值处理、形态学处理和前景
图像融合等一系列后处理,可以得到一幅较为(jiàowéi)清晰的、噪点较少的运动物体图像,
供后续处理过程使用。
阴影去除
在2.1节背景建模和2.2节运动物体分割、并完成后处理后,我们实现了对
前景运动物体的提取工作。
能够从图像序列中提取出运动物体是后续一切处理工
作的基础,而不准确地或是错误地提取出运动物体则会严重妨碍后续流程的处理
工作(Sunetal,2010)a
由于阴影区域与背景区域的差异,它会被划分成运动物体,加之其运动轨迹
几乎完全与运动物体轨迹一致,且具有边缘的茹连,在很多时候,他都会被算法
判断成是运动物体的一部分。
这种误划分会导致运动物体外轮廓的畸形,运动物
体所占图像像素点数的剧增以及多个运动物体的茹连,直接影响后续处理的效
果。
综上,去除阴影区域是运动物体检测和分类过程中很重要的一个步骤。
阴影检测和去除的现有成果主要可以分为两大类,如图2.13所示。
由图可见(kějiàn),阴影检测和去除方法主要可以分为两大类:
基于特征的方法
和基于(jīyú)模型的方法(Zhaetal,2007)。
基于特征的方法又可以分为三种:
提取RGB
空间中特征的方法、提取HSv空间中特征的方法以及(yǐjí)提取纹理特征的方法。
RGB空间的方法的优点在于计算量小,但是在低分辨率图像中,颜色特征并不明显,此时RGB空间方法就失效了,需要对RGB空间进行变化,变成HSV空间再进行处理。
HSV空间是用色度、饱和度和明度三个值来描述一幅图像的颜色信息。
这种基于HSV空间特征的阴影方法基于一个假设:
阴影区域内的明度值会明显低于非阴影区域内的明度值,但是阴影区域内外色度值几乎不变。
基于HSV空间的阴影检测
HSV空间是指由色度(hue}H)、饱和度(saturation}S)和明度(value}V)
三个值来表示的颜色空间。
HST颜色空间实际上是对RGB空间描述的颜色进行变
换,把颜色描述在圆柱坐标系内。
圆柱的中心轴取值为自底部的黑色到顶部的白
色,在它们的中间是灰色。
绕这个轴的角度对应于“色度”,到这个轴的距离对
应于“饱和度”,而沿着这个轴的高度对应于“明度”。
这种对RGB空间的重新排
列,试图使得这种描述对亮度信息更加敏感,也显得更加直观。
基于HSV空间的阴影检测方法基于以下假设:
2.4.2基于(jīyú)运动估计的运动物体跟踪
视频图像(túxiànɡ)序列是由在时间上相互间隔为帧周期的一系列图像构成的,交通视
频的帧率一般是25f/s至30f/s,可见(kějiàn)帧周期一般为1/25s到1/30s。
在摄像机固定
不动的场景中,以这样的帧率采集的相邻两帧乃至数帧图像之间的变化程度都不
会很大。
也就是说出现在当前帧中的运动物体很有可能在随后几帧中都出现在图
像中相近的位置上,这就给我们进行运动物体运动估计创造了条件。
基于运动估计的跟踪方法,通过采用卡尔曼滤波思想,对物体在下一帧中出
现的位置进行预测,再通过计算下一帧中运动物体区域和预测区域的重合情况来
判断二者是否匹配。
其流程图如图2.18所示。
预估的运动(yùndòng)物体出现区域的吻合程度来判断这二者是不是同一个运动物体,从而
完成(wánchéng)对其的跟踪。
从图2.18中可以(kěyǐ)看出,在计算第N+1帧中运动物体区域和预测区域的重合
比例之后,如果比例不能满足阂值要求,我们并不立刻判断该运动物体已离开检
测区域,而是继续以物体消失时的速度继续估计物体在N十2,N+3等接下来
帧中可能出现的位置,若物体再度出现,则仍认为匹配,若连续消失的帧数大于
一定阂值,才认为物体A消失。
在运动估计的运动物体跟踪方法中加入阂值控制,是由于交通视频实际应用
中的监控视频质量有限,导致背景建模后所得的前景图像的清晰度和准确度都受
到限制。
这样会导致提取的前景图像在每帧中均会有所差异,这极容易导致虽然
二者能够匹配上,但是不能达到匹配所要求的重合比例。
如果不加入阂值处理,
则可能会频繁地丢失目标而导致同一物体的重复丢失,继而又被重复检出。
内容总结
(1)1模型法背景建模
本文对于背景建模采用非模型方法,其关键在于灰度值选取的假设规则
(2)1模型法背景建模
本文对于背景建模采用非模型方法,其关键在于灰度值选取的假设规则
(3)阴影去除
在2.1节背景建模和2.2节运动物体分割、并完成后处理后,我们实现了对
前景运动物体的提取工作
(4)由图可见,阴影检测和去除方法主要可以分为两大类:
基于特征的方法
和基于模型的方法(Zhaetal,2007)
(5)基于HSV空间的阴影检测
HSV空间是指由色度(hue}H)、饱和度(saturation}S)和明度(value}V)
三个值来表示的颜色空间
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 模型 建立 求解