2022年运动目标分割与索 .pdf
运动目标分割与索精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 1 页，共 8 页2 作者：日期：精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页，共 8 页3 汕头大学工学院学生科技创新项目申 报 书项目名称：运动目标的分割和检索申 请 者：所在学院：工学院类别：学术论文发明制作类作品汕头大学工学院学生科技创新活动领导小组制二 OO 年月日精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页，共 8 页4 工学院学生科技创新项目申报表项目情况项目名称运动目标的分割和检索项目类别学术论文发明制作类作品研究时间中长期（一年两年）短期（半年一年）研究意义研发一种能够实现对运动目标分割和检索的软件系统。根据摄像头获取的视频信息，该系统能够区分背景和运动的物体。并对提取出的运动目标，计算鲁棒的特征点，根据提取的特征点，实现在另一图像中同样目标的检索。该系统的研发为实现机器视觉的高级应用，如识别，提供可靠的特征。在图像处理中的应用： 视频的前后背景分割，把一个视频的前景与背景分离，这样就有利于对前景或背景的单独处理。先是背景的识别，前后背景分离后，我们可以对所得背景进行各种处理，如背景的光线加强，背景的识别。经过背景处理后，我们可以再把前景加上去，这样我们就完成的背景的单独处理了。同样，前后背景分离后，我们也可以单独处理前景后再把前景加回去。在智能监控中的应用：我们可以对前景进行检测与监控，特别是对运动物体的检测与监控。在现代监控技术中的智能监控系统中，智能监控系统能在实际环境中对人和车辆等运动目标进行实时的观察，并给出它们行为和动作的描述，这种机器视觉系统通常包括了运动目标的检测，运动目标跟踪，目标分类以及行为理解等方面。但背景建模与前后背景分离技术是这些检测技术的前提技术，特别是背景建模，直接影响了计算机的图象处理能力。所以计算机对视频文件的前后背景的建模与分离的能力直接影响了计算机系统的视觉能力与智能监控能力。在医学上的应用：视频前后背景建模还能促进医学技术的发展，特别是医学上的检测技术。对于人体内部的病变，若不需要动手术便能检测，那对于病人对于医生都是莫大的作用。通过内窥摄像头， 把人体内部需要检测的部分拍摄下来，再通过前后背景分割技术，把病变部分找出来，或找到病因。现在，这一技术还没能在医学界使用，是因为医学检测精度要求非常高，比普通的智能检测技术要求高得多，而且人体内部环境复杂，处理难度大。医学检测，这个前后背景技术使用的一个方向，而且是高难度的方向。海底探索反面：图像处理系统和图像技术在海洋工程、航空航天、 生物医学、通信工程、军事公安和工农业等方面都有广泛的开拓和应用。特别是海上监视、水下管道、海底探矿、水中目标(如石油平台、海底沉船、坝基裂缝等)的检测与识别都离不开图像技术的开发、研究和图像处理系统的广泛应用。而支撑着水下目标检测与识别的硬件和软件系统主要是无人水下航行器和图像处理系统。这个项目对研发水下探索机器人提供了一个很好的信息的获取途径。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 4 页，共 8 页5 技术方案建立软件实验平台，一台PC 机，一个摄像头；基于VC+ ，C#或 C Builder结合 Opencv 的基本视频处理功能，搭建实验平台。主要是相机视频的获取，实验软件系统的建立，要求方便对算法的性能分析，并符合软件工程的基本要求。背景建模和运动目标的分割：采用广义高斯模型建立背景的统计模型，从而分割出运动的目标。广义高斯建模：背景建模：对于像素的广义高斯分布，我们定义：其中： (?)是 gamma 函数， 2 是概率分布的方差。当 =2，p (x: )是高斯分布。当 =1，p (x: )是拉普拉斯分布。我们再定义一个峰度值g2 其中： n 指像素点的取样样本数，指均值。3 是一个经验数值。若是 0，则是估计高斯分布；若是 3，则是估计拉普拉斯分布。g2称为 kurtosis 超调量，用来表示所建立的高斯模型的相似度。因为我们这个高斯模型是估算出来的，所以用g2表示这个估算的相似度。背景的提取：LI表示当前帧的像素的亮度或者灰度值，LB表示经过高斯统计分布所建成的模型的背景的亮度或者灰度值，设 p 为像素点，则有：K1，K2， K3是门限值其中，不确定的那部分是因为光线的变化和光影的影响。以下是用来估算K1，K2，K3的公式根据经验： =3。该式的意思是：确定K1，K2，K3的值，从而使右式的值为最小值精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页，共 8 页6 特征点选取算法：采用 SIFT 算法，计算目标的特征点。同时比较同角点特征，纹理特征的不同。SIFT(Scale Invariant Feature Transform) 算子已被证明是现有局部特征提取算法中性能最好的一种特征提取方法。SIFT 算子具有如下方面性质：图像的尺度变换及平移旋转不变性，能克服轻微的光照变化和透射投影变换。这些特征点在空域和频域中的稳定性分布减少了非结构化环境、目标遮挡及噪声的影响。其算法的有效性使得在典型的图像中有大量的特征点能够被提取出来。更重要的是，每个特征的特征矢量均具有极高的自我代表能力，使得在大量特征数据库中单个特征的正确匹配率仍能够保持很高的水平。这些优势为后面的目标场景的识别打下了很好的基础。由于应用了分布式的滤波方式，使得特征点检测过程的复杂程度大大减低，而真正较为复杂的过程只会在很局部的范围内进行。以下是 SIFT 方法对一幅图像提取特征点的主要步骤：1)尺度空间中极值点的选取第一步在所有的图像尺度空间范围内搜索兴趣点，通过检测尺度空间拉普拉斯金字塔中所有极值点的位置得到初始关键点。实际上，由于算法简便并且结果近似的原因，拉普拉斯金字塔可被DOG （Difference-of-Gaussian ）金字塔代替。2)关键点的精确定位对于每一个候选点，均测试并计算其空间位置、尺度参数及对比性，测试计算的结果将作为对其稳定性的度量因素。3)赋予方向性根据特征所在局部图像块的特性赋予每个关键点一个或者多个方向。所有后来的处理过程都受到特征的方向、尺度和空间位置的约束，以这种方式来实现对方向旋转，尺度大小和空间平移变换的不变性。4）特征点矢量构建测量局部图像在相应尺度下的梯度分布，并将其变为对轻微光照和形状扭曲不敏感的描述。SIFT 算法的一个重要特性就是它能在图像中几乎所有尺度空间检测到相当数量的特征点。检索算法： 根据提取的特征点，实现不同图像中，具有同样目标特征的区域的检索，并给予标定。非刚性目标的特征点选取算法：针对非刚性的运动目标（如飘动的旗子，翻滚的波浪） ，开发合适的特征点选取算法，并实现相应的检索功能。基于遗传算法的非刚性体光流运动估计：假设图像平面上任一点X ( x , y) 的亮度 E( x , y) 在运动过程中不发生变化,根据 Horn 与 Schunck 的光流约束方程,有y E V + Et = 0 (4) 式中表示两维的空间梯度, Et 是图像亮度的时间梯度. 将式 (1) 代入式 (4) ,整理得E Vp + EM( X - XP) = - Et (5) 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 6 页，共 8 页7 项目可行性说明1、项目进度预期效果系统能够通过相机获取的视频，把运动物体分割出来，并且可以对该运动物体进行检索作品展示形式实物、产品模型图纸磁盘现场演示图片录象样品其它（请详细说明）经费预算支出项目费用备注合计 (元) 所需设备需求表设备名称用途价格是否已有现成的设备备注精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 7 页，共 8 页8 是否进入CDIO 创新实践中心实验室 是 否项目组成成员主要负责人姓名性别院系班级电话其他通讯项目参加人指导教师姓名性别院系职称电话其他通讯指导教师推荐意见：签名：学院评审专家组审核意见签名：备注说明：每个项目需独立申报，一式两份。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 8 页，共 8 页
