基于参数模型的运动目标分割方法研究毕业论文(编辑修改稿)

基于参数模型的运动目标分割方法研究毕业论文(编辑修改稿)内容摘要：

是基于后验概率的。 用 P(B|x)来表示这个后验概率， P(x)是此点在某时刻的观测值， B表示背景事件 (即观测到的物理表面为背景 )。 现在我们不知道背景和前景的准确定义，因为什么是背景什么是前景是和具体应用环境密切相关的，背景和前景的区分是高层的语义，属于图 像理解的层面。 我们暂时把前景和背景看成是两种互斥的类型 (即全集的一个划分，他们互相不包含，而且只有前景和背景 )。 本文的研究内容 在运动目标分割方面 :运动目标的有效分割对于目标分类、特征提取、特征表达与最后的识别等处理非常重要，因为后期处理的过程仅仅考虑图像中对应于运动 目标 的像素。 本文针对混合高斯模型算法，采集了大量原始实验数据，在PC 平台上用 C 语言搭建环境，在不同参数下对算法进行了大量实验，通过对实验结果数据进行曲线模拟，对不同参数下的算法表现进行了分析。 同时，从最基本的理论框架开始，对混合高斯模型 算法进行了详细的分析， 并基于混合高斯模型算法对视频图像中的运动目标分割进行研究。 浙江理工大学本科毕业设计 9 第二章 运动目标 的 分割 技术 运动 目标 分割，旨在分割出视频序列中的运动 目标 ，并沿时间轴跟踪 目标 的演进。 在实际应用过程中，有很多影响因素都对分割算法造成了困难口。 运动 目标 分割是图像分割技术在时间域上的一个分支，主要利用的是 目标 的运动特征达到分割的目的。 然而，众所周知，图像分割本身就是一个病态问题，因为底层数据所提供的信息总是少于分割本身所需的信息，所以分割没有唯一的结果，没有最优的结果，没有正确的结果，没有错误 的结果，分割应视具体应用的不同而有不同的策略、准则，没有一个通用的方法。 目前为止，业界也没有一个统一的标准来衡量各种分割方法。 目前利用各种手段的分割方法层出不穷，它们的各种组合也在各种环境下发挥着各自的作用。 给运动 目标 分割方法分类也有很多种方法，比如，有基于检测变化的和构建背景的，有时域的和时空域的方法，有像素级的、区域级的和帧级的方法，按用途分有用于编码的、基于内容可操作的，有基于模型参数的、非模型参数的，有基于形态学、非形 态学的等等。 其实很多方法都是复合的方法，最常见的是将运动的特征应用到传统的图像分 割中去达到目的，或是将传统的图像分割技术 (如形态学方法 )与运动检测相结合，要想完全清晰的对各种方法进行分类是一件很困难的事情，业内也没有一个很好的方法。 倒不如通过对一些最基本的方法的原形进行了解来对运动 目标 分割方法有一个整体概念上的了解。 下面将对一些基本的分割方法或思想进行简略分析和介绍。 差分法 图像序列又成为动态图像，它由一系列图像组成，它们具有给定的活着假设的相对次序，并给出相邻图像获取的时间间隔关系。 它们一般可以表示为。  0 1 1( , , ) , ( , , ) , . . . , ( , , )i j i j i j NI x y t I x y t I x y t  () i=0,1… ,M1,j=0,1… N1 所谓相对次序一般是指时刻 tk 在 tk1 之后的（ k=1,2,… ,n1）。 相邻两图像获取的时间间隔可以相等，也可以不等，一般取所有图像的获取时间间隔相等。 从公式（ ）能看出，图像序列可以看成具有两个空域坐标和一个时域坐基于参数模型的运动目标分割方法研究 标的三维物体，既图像体，像素被扩展成体素，表示小体积单元的灰度。 由于运动目标所形成的图像序列可分为两种情况：一种是静止背景，一种是变化背景。 从处理方法上看，一般是采用突出目标或消除背景的思想。 对前一种情 况可采用消除背景的方法，处理起来比较简单。 对后一种情况，处理起来比较复杂，则通常需要进行帧间稳像及配准；若采用突出目标的方法，则需要在配准的基础上进行多帧能量积累和噪声抑制。 将不同时刻的两幅图像进行不交，可以反映出一个运动物体在此背景下的运动结果。 比较简单的方法就是将两幅图像做“差分”或“相减”运算，从相减的图像中，很容易发现运动物体信息。 在相减后的图像中，灰度不发生变化的部分被减掉，这里包括大部分背景和一小部分目标。 0。 ( , , ) ( , , )( , )1。 i j n i j mijI x y t I x y t Td x yo th e r w is e   （ ） 其中， T 为二值化的阈值，可有人工选取，也可由专门的算法自动求出。 实际上，由公式（ ）得到的将是两个较为明显的变化区域，而在某些实际情况中只需要一处，故一般把绝对值号去掉，变为 0。 ( , , ) ( , , )( , ) 1。 i j n i j mijI x y t I x y t Td x y o th e r w is e   （ ） 分流法 光流计算技术是 Gibson 于 1950 年提出。 所谓光流是指图像中模式运动的速度，它是一种二维（ 2D）瞬时速度场，其中 2D 速度矢量是可见的三维速度矢量在成像平面上的投影。 光流法分割运动目标的基本 原理是：给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。 如果图像中没有运动目标，则光流失量在整个图像区域是连续变化的，当物体和图像背景存在相对运动时，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体的位置。 浙江理工大学本科毕业设计 11 基于主动轮廓线模型的方法 在传统的计算机视觉领域，严格的各自独立的分层理论有着广泛的影响。 这种理论认为底层的视觉认为 的完成只能依赖于从图像本身获得的信息。 Kass 等人对这种模型提出了挑战，于 1987 年提出了称为 Snake 的主动轮廓线模型。 Snake算法的主要思想是：一条参数曲线在内力和外力的作用下移动到某个能量函数极小的位置，以此来确定物体的轮廓。 设参数曲线： w(s)=[x(s),y(s)]，并定义能量函数为  1 220 1 ( ) ( ) ( )2m a k e e nE w s w s E w s    （ ） 式中：  和  分别为调整曲线张性的加权参数和刚性的加权参数； ()ws 和 ()ws 分别为曲线对 s 的一阶和二阶导数； enE 是由图像决定的外部能量。 Snake 是能量极小化的样条，内力约束它的形状，外力引导它的行为，图像力将其拖向显著的图像特征。 对于灰度图像 I(x,y)来说，外部能量通常可表示为   2( , ) ( , )enE G x y I x y    () 式中： ( , )G x y 是方差为  的二维高斯函数；  是梯度算子。 基于统计模型的方法 基于贝叶斯概率统计的运动估计 建立统计模型 [10]。 它利用随机平滑度约束条件，采用 Gibbe 分布，估计位移场。 在给定光流数据的条件下，搜索分割标记的最大后验概率，使当前分割与期望分割的符合程度最大。 它是检测当前的分割符合被观察的光流数据 的程度和当前分割与我们的期望值一致程度的方法。 这种算法可以同时完成运动场估计和 目标 分割，但计算量比较大，而且需要选择合适的特征并建立良好的 目标 特征概率分布模型。 使用空间变换的网格模型成为目前一个积极的研究领域。 网格模型可以很好地应用在旋转和缩放的情况下，并能检测和跟踪多个运动 目标 ，并可以处理 目标 间遮挡或新 目标 的出现，但是该方法的分割结果容易受到网格生成算法中关键点数目选择的影响，运算估计的复杂度也大大增加。 基于参数模型的运动目标分割方法研究 其他方法 除以上介绍的四个主流方法以外，现今所有的分割方法还有基于高阶统计的方法；基于小波的方 法；基于人工神经网络的方法，基于形态学的分割方法；遗传算法以及使用空间变换的网络模型的分割方法等等，由于篇章问题，也就不一一列举。 接下来的这种方法是混合高斯模型方法，我将在随后章节作详细分析。 这种方法运用了数学建模的思想，对图像所反映的客观事物进行像素级的建模。 通过参数估计得到实际的模型，在再一个贝叶斯准则的框架下对模型进行分析并得到最终的结论。 浙江理工大学本科毕业设计 13 第三章 基于高斯混合模型的运动目标分割 混合高斯模型的贝叶斯框架 框架概述 把某个点随时间的变化作为一个随机过程， 这个随机过程可能是由几个不同的随机过程合成的，其中每个随机过程都表示一个具体的物理过程 (可以理解为某一个物理表面的观测随时间的变化过程 )，真实世界中的很多物理过程都可以用高斯过程来模拟，因此混合高斯模型由此得名。 简单来说就是用混合高斯过程来模拟某个点随时间的变化过程。 用公式表示某点在某时刻的随机分布率 [14]就是 11 ˆ( ) ( ) ( | ) ( , , )kkkkk k kP x P G P x G g x u () q表示第 k 个高斯分布，及 ( , , )kkg x u  表示正态分布概率密度函数。 在这个分布模型的基础上，开始的后验概率等价于 ( | , )ˆ ktttktktP k X  () 从上面的公式分析可知前景背景分割实际上需要解决两个问题 :首先通过所有得到的样本来估计某点的随机过程一维分布函数 (因为是要得到某时刻的分布率 )，这包括合成混合高斯过程的各高斯过程的一维分布函数 (以下简称高斯过程的分布 )以及他们的系数 P(q)(即某个高斯过程的权重，表示观测到这个高斯过程的概率 )。 然后估计每个高斯过程是背景过程 (即 它所代表的物理表面被作为背景，以下同 )的概率。 可以这样来直观的理解这个贝叶斯框架 :把某点观测到的样本看成是那些不同高斯过程产生的 (看到的颜色是那些不同的物理表面产生的 )，我们首先判断某个样本 (某点某时刻的观测 )是哪个高斯过程产生的，然后再来判断各个高斯过程哪些是背景过程，哪些是前景过程。 因此，当某时刻某点的观测是来自前景过程的概率 (这个概率是用混合分布率以后验概率的形式表示的 )大于 50%时，这个观测就被判定为前景 (这个点被认为是前景点 )。 解决第一个问题就要估计 P(q)和 P(qk)(第 k个高斯过程的分布率 )，这与判断观测属于哪个过程相似，从理论上讲是与具体应用无关的。 解决第二个问题就基于参数模型的运动目标分割方法研究 要估计 B，即判断每个高斯过程是属于前景还是背景，这就不可避免的与具体的应用环境有关，而且是启发式的 (需要高层语义的指导，即需要理解 )。 因此在解决第二个问题时可以引入一些与应用环境相关的因子和高层的语义来达到更好的效果。 显而易见，在像素级的处理 (以像素为处理单位，不考虑各像素间的空间相关性 )中不可能做到完全正确的分割。 举个例子，一个正在走路的人和一个正在旋转的电风扇有着相似的信号特征，如果没有对事件的理解，它们就很难区分。 可以使用 区域级帧级分割、动态模板或是祸合 目标 模型等方法来引进高层语义。 背景模型 要使用混合高斯模型进行背景分割，只要估计出上述两个问题中相应的分布率。 然而，事先必须定义好什么才是背景模型，在这个贝叶斯框架下可以做出一个理论上比较合理的定义。 如果我们能正确地把所有的样本进行分类，把每个样本都归为属于某个高斯过程的一类，那么，背景模型就应该由被认为是背景的样本组成的，也就是说背景的随机过程一维分布函数需要由所有被认为是背景的观测来估计。 其中，某个样本点被认为是背景的概率为 P(x， B)。 假设 P(x|Gk,B)=P(x|Gk)某点（ r， c）的背景过程在 t时刻的分布 (直观点说就是是背景的概率 )[15]可以表示为 : 11( , , ) ( , ) ( | , ) ( | ) ( ) ( | ) ( ) ( | )k k k k kkkM r c t P x B P x B G P G B P B P x G P G P B G  （ ） 等号最右边的表达式表明背景的分布是由原始的混合模型中的高斯部分经P(x|r)加权得到的。 因此，各 P(x|q)对实际的模型有很大的影响。 举例来说，即使背景分布是从混合模型衍生来的，如果只把最有可能的高斯作背景， P(x|r)为 l，其余的高斯都不是背景， P(x|q)为 0，所得到的背景模型就只是一个简单的高斯分布。 很多早 期的论文就使用了这种方法，即把最有可能的几个高斯作背景，其余的都不是背景。 这相当于一种两分法，但作为背景的高斯的数目并不是固定的。 然而，当某个高斯在背景和前景间变化时会产生突变。 从上面的公式还浙江理工大学本科毕业设计 15 可以看出，背景模型包含了 p(B)，利用这一点，我们可以引入相应的几只把具体应用相关的因素引入到背景的分割中来。