南京邮电大学通达学院毕业设计(论文)开题报告

南京邮电大学通达学院毕业设计(论文)开题报告

题 目 学生姓名 运动物体检测与追踪算法研究 班级学号 专业 一、 对课题任务的学习与理解 1. 课题背景 在道路交通管理中，为了获得车辆的运动数据，早期经常采用的是感应线圈等硬件测量的方法。而如果采用摄像头拍摄的道路视频，再用计算机软件处理的方法，则可以极大的增加方便性和灵活性。本文运动目标检测与跟踪研究如何让计算机从视频图像序列中获得物体运动数据。 运动物体检测与跟踪分为背景提取、运动点团提取、运动点团位置提取、运动物体跟踪这几个步骤，本文对每一个步骤的各种算法做了实验分析比较研究，并提出了改进算法。在背景提取步骤提出了改进的基于均值的背景提取算法以及减少图像像素的兴趣区提取算法。在运动物体跟踪步骤提出了基于预测的运动跟踪算法。实验与分析说明本文提出的算法优于原算法。 本课题还通过实验分析比较了基于灰度图像序列的运动目标检测与跟踪、基于边缘图像序列的运动目标检测与跟踪，它们都没有基于彩色图像序列的运动目标检测与跟踪效果好。 最后，本文得到了一整套运动目标检测与跟踪的方法，它们的健壮性和实时性都符合实际运用的要求。 2. 课题实现目标 实现实时动态背景下的目标跟踪。首先对获得的图像做预处理，并采用GrowCut或GraphCut算法对关键帧提取目标，接下来采用基于帧间差分的目标跟踪算法获得目标，并对图像进行平滑，去噪等处理，去除干扰因素。 二、 文献调研综述 1. 帧间差分法的概念 帧间差分法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法，它可以很好地适用于存在多个运动目标和摄像机移动的情况。当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像亮度差的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动。图像序列逐帧的差分，相当于对图像序列进行了时域下的高通滤波。 2. 帧间差分发的概念释义 帧间差分法的优点是：算法实现简单，程序设计复杂度低；对光线等场景变化不太敏感，能够适应各种动态环境，稳定性较好。其缺点是： 不能提取出对象的完整区域，只能提取出边界；同时依赖于选择的帧间时间间隔。对快速运动的物体，需要选择较小的时间间隔，如果选择不合适，当物体在前后两帧中没有重叠时，会被检测为两个分开的物体：而对慢速运动的物体，应该选择较大的时间差，如果时间选择不适当，当物体在前后两帧中几乎完全重叠时，则检测不到物体。 3. 帧间差分法方法研究 鉴于背景差分法和帧间差分法的优缺点，我们将这两种方法结合起来，使它们优势互补，从而克服相互的弱点，提高运动检测的效果。但是在实际的场景中，即便是室内环境，也存在光线等各种变化造成的干扰，或者人为造成的开灯等光线的强烈变化。所以在背景差分法的实现中，它的固定背景不能一成不变。如果不进行重新初始化，错误的检测结果将随时间不断累计，造成恶性循环，从而造成监控失效。因此，我们在提出检测算法的同时，要建立背景更新模型。保证背景图像能随着光线的变化而变化，确保检测的准确性。

提出新算法的思想 在视频图像序列中，利用已有的背景差分法和帧间差分法作为启示，将动态图像中连续两帧差图像和背景差图像直接进行与操作，再将结果进行二值化处理得到运动结果。这样就达到了加大目标信息的权重，同时抑制了静态背景的效果，得到的运动检测图像包含了更多目标的信息，不仅包含目标轮廓而且还有目标轮廓内的目标相关点，从而将运动目标从背景图像中分离出来，最终得到视频序列图像中运动存在与否的二值化图像。 4.帧间差分发算法描述 （l）、对序列图像进行3×3中值滤波预处理，去掉图像随机噪声。减少以后运算的复杂度，克服噪声对图像处理结果的干扰； （2）、从视频图像序列中选取出背景图像； （3）、在视频图像序列中选取连续的两帧图像，其中前一帧图像为pk-1，当前帧图像为pk； （4）、计算当前帧与背景帧的差得FD，从图像中提取出完整的目标； （5）、计算当前1帧的差得FG，得到目标的变化量； （6）、求帧差FD与FG的交集得到运动目标粗糙的运动区域幽像； （7）、数学运算使得运动区域封川、连续、完整，并去掉背持中的噪声。 5.GrowCut图像分割 GrowCut算法采用了全新的思路进行像素标记，分割效果更好。具体来讲，GrowCut算法是一种基于元胞自动机的交互式多标记N维图像分割方法。元胞自动机是一个三元组。 当前一步的临近元胞状态已知时，局部转移函数可用于计算下一时步的元胞状态。常用的邻域系统有冯·诺依曼领域和摩尔领域两种。 6. GraphCut算法简介 GraphCut法能够精确分割出用户感兴趣的目标区域，但是需要人工交互、计算量大。如果每一副图像都用此方法消耗时间比较长。GraphCut算法最早是由Greig等人提出的，初期主要用于解决图像平滑问题。Boykov等人对该算法进行了改进，用基于图的最大流算法实现图像的快速分割并得到了广泛的应用。该算法将图像视为一个图G=(V,E),其中V={v1，v2，……vn}是图像像素点集，E为边集合，表示像素四邻域或八邻域的相邻关系，每条边有权值，大小取决于两节点的相似程度。 7.实际方案 （1）图像预处理 本课题采用原始图像时彩色图像，并且伴有随即干扰和脉冲噪声。在本系统中不能用差分法直接对彩色图像进行处理，需将其转化为灰度图像。 （2）滤波降噪 数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工作情况受到各种因素的影响，如图像获取中的环境条件和传感器元件自身的质量。 （3）运动检测 由帧间差分到二值化图像能检测到比较准确的运动目标轮廓，但是只包含了部分信息。由于目标物体上部分灰度与背景灰度相近，背景消减得到的前景图像未能将运动信息完整的检测出来，而背景消减法漏检的这一部分在帧间差分法中正好被检测出来，因此在每一个像素位置逻辑“或”操作后可以得到比较完整的前景图像。 三、 实施方案 1．熟悉实时动态背景下目标检测与追踪技术及相关理论，明确毕业设计任务，完成开题报告。4周 2．学习和掌握一些常用实验环境，了解实验过程。4周 3．研究已有的目标检测及追踪算法，比较各类算法优缺点，设计合理的解决方案。提交外文译文。

8周 4．进行实验，测验选择实验方法的可行性，根据存在问题进行调试改进。6周 5．修改并完成论文；准备答辩，以及相关工作。2周 主要参考文献： [1] Arnaud Doucet, N.J. Gordon, and V. Krishnamurthy. Particle filters for state estimation of jump markov linear systems. IEEE Transactions on Signal Processing, 49(3):613–624, Mar. 2001. [2] R.T. Collins, A.J. Lipton, and T. Kanade. Introduction to the special section on video surveillance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8):745–746, Aug. 2000. [3] 徐以美. 视频序列中运动目标检测与跟踪技术研究. 2008. [4] 赵晶晶，谌海新，刘星彤. Small target detection based on method energy accumulation and mean shift clustering in infrared image. Journal of Image and Graphics, 10:1878–1881, 2008. [5] 李鹏飞，姜光. 基于meanshift的目标跟踪算法研究. 2009. 指导教师(签名)： 年 月 日

指导教师批阅意见 注：可另附A4纸