运动目标检测技术
1
2
3
背景减 法
帧差法
光流法
运动目标跟踪Байду номын сангаас术
基于概率密度 模型的跟踪
基于子空间 模型的跟踪
经典的目标跟踪算法
ONE
基于Mean-Shift的跟踪方 法 基于粒子滤波的运动目标 跟踪 基于分类思想的目标跟踪
TWO
THREE
基于贝叶斯分类的实时运动目标跟踪算法
将目标跟踪问题看成是两类分类问题的思想 ,提出一种 基于贝叶斯分类的实时运动目标跟踪算法。以最小二乘分 类器作为弱分类器,采用集成学习机制把多个弱分类器构成 一个强分类器,用来判断下一帧的样本点。采用贝叶斯分类 器对目标和背景进行分类,以此实现运动目标跟踪的功能。 这个算法主要思想是采用贝叶斯分类器将目标和背景分类。 在初始帧中根据初始化信息分别对前景目标及背景建模后 续帧中先采用卡尔曼滤波预测目标位置,然后以预测值为中 心 ,对周围区域内的样本点进行贝叶斯分类 , 并对每个样本 点赋予不同的权重 ,得到置信图 , 再通过均值漂移算法找到 该置信图的峰值,即为目标的中心位置最后根据基于双闭值 的自适应尺度调整策略改变窗口尺度,并将当前帧信息加入 到模型中,不断进行模型参数的更新。具体算法流程图如图 所示。
跟踪窗尺度的自适应分析
通过均值漂移算法得到置信图的峰值后 , 以上一帧的窗 口大小为初始值圈定目标 , 并将其划分为 3*3 个字块 , 如图所 示
假定图中黑色点为目标点 ,白色点为背景点 ,矩形框为初 始窗口大小。依次统计每个含有目标边界的子块（标号为 1 、 2、3、4、5、6、7、8的子块）中的目标点数n以及总的样本 点 数 N, 计 算 两 者 的 比 值 rate=n/N; 设 定 阀 值 thr1 和 thr2,thr1>thr2, 然后通过对 rate 和阀值 thr1 、 thr2 的比较 来改变对应的局部边界位置 , 具体流程如图所示。每个子块 都计算过后 , 可以根据一定原则来确定整体的边界位置。其 中对于不含有任何目标边界的子块（标号为5的子块）,由于 它处于目标内部,对尺度影响不大 ,所以不需要对它进行计算。
基于视頻检测技术的 违法变道监测系统
李欢 姚绒
国内外研究现状
1、近年来，计算机技术和图像处理技术取得的长足进步，推动了视频检 测技术的高速发展。国内外相关企业、科研院校对交通视频检测技术 进行了广泛的研究，并在相关研究成果的基础上开发了诸多视频检测 系统。例如美国Jet Propulsion实验室研发了Autocolor、Autoscope、 CMS Mobilizer、Nestor Traffic Vision 和 Roadwatch 五个视频监 控系统，其中Autoscope 检测系统，由于其研发时间较早技术较为成 熟，已经广泛应用于机动车视频检测领域，同时由于其被 SCATS(Sydney Coordinated Adaptive Traffic System)交通控制系统 采用而得到了拓展性应用。 2、法国的 Citilog 交通事件检测系统采用车辆跟踪等技术实现了许多 交通事件 (如检测监控区域发生交通拥堵、车辆排队溢出等 )的自动检 测，并能够采集一定的机动车交通数据，对交通进行辅助控制，现已 广泛地应用于全世界高速公路及公路隧道交通事件检测中。此外， Traficam、PEEK VideoTrak、CCATS 等交通视频检测器的研发也较为 成熟并得到了广泛的应用。 3、哈尔滨工业大学研发的 VTD2000 系列和清华大学研发的 VS3001 监控 系统都实现了机动车流量的检测但并未得到广泛应用，因此其性能还 有待进一步检验。
图像预处理技术
由于受到光照、气候、摄像头、传感器的影响，摄像 头采集到的图像会带有各种各样的噪声，其质量会受到一 定的损伤，因此必须在图像采集与数字化处理后进行图像 预处理，来提高目标检测的准确性.
图像预处理技术主要包括：
灰度变换法：最大值法、平均法、加权平均法 平滑滤波法：中值滤波法、均值滤波法
由于人眼对绿色最为敏感，蓝色最不敏感，所以一般使 样得到的灰度图像最为合理。实验证明当 能得到较为理想的灰度图像。
这 时，
灰度变化法
如图所示为三个灰度化方法处理后的结果，其中 a 为 原图像，图b是最大值法处理后的结果，可以看出该方法得 到的灰度图像亮度是最高的。图c为平均值法产生的灰度图， 与最大值法相比亮度明显降低，但是图像更加柔和。图d是 加权平均值法得到的图像，与其他两种方法相比，效果最 为理想，且可以根据需要设置相应的加权值。
目标位置预测一般来说,两帧图像之间的时间间隔比较小,所以可以 认为目标在连续两帧中相差不远,一般在以原目标位置为中心的区域附近 进行判断。但是如果能够提前知道目标可能出现的位置,就可以提高运算 速度,更快地找到目标。通常可以采用轨迹预测来得到这个位置。 卡尔曼滤波是根据过去的信号,利用统计估计理论,使用线性最小均 方误差作为最优准则,预测将来某个时刻的值。它采用状态方程描述被估 计量的动态变化规律,被估计量的动态统计信息由激励白噪声的统计信息 和状态方程确定。由于激励白噪声是平稳过程,状态方程己知,所以被估 计量可以是平稳的,也可以是非平稳的。卡尔曼滤波可以以任意一点作为 起点开始观测,具有计算量小、可实时计算的特点。 定义滤波器的系统状态为X K , X K 为一个四维向量 sx , s y , vx , v y ,分别 代表目标在x轴和y轴的坐标,在x方向和y方向的速度。利用图像匹配,只能 得到目标的位置,所以定义二维观测向量 Z K ,即 ss x , ss y 表示匹配得到 的目标坐标。
目标位置预测
总体来说 , 该算法中使用 Kalman 滤波预测运动目标位置 主要包括四个阶段：滤波器的初始化、状态预测、获得真实 值和状态修正,其整体流程如图所示：
目标位置预测
算法中通过结合卡尔曼滤波对目标位置进行预测 , 不仅 提高了运算速度 , 同时也避免了均值漂移算法容易陷入局部 最优解的问题 , 使求得的峰值位置更准确：特别是如果对目 标的运动轨迹有了可靠的预测 ,当目标发生遮挡时,可以利用 Kalman滤波器的预测结果,在特定的区域内搜索目标,等待目 标的出现,这也是解决遮挡问题的一种有效方法。
图像数字化
颜色模型
计算颜色空间模型又称为色度学颜色模型，一般用以进行有关色彩的纯 理论研究和计算推导，以RGB颜色空间为代表。RGB颜色空间模型以红、 绿、蓝三个色光为三基色，可以按不同比例混合成自然界中的各种颜色。 因此在空间中，一个颜色可以表示为如下式：
其中，C表示一种具体的颜色，( K R KG K B ）表示在三原色R、 G、B下的 比例系统，称为三刺激值。 RGB 颜色空间可以用一个正方体来表示，如图所示，原点代表黑色， 距离黑色最远的点代表白色，正方体中各点对应的颜色可以用从原点到 该点的矢量来表示，其颜色数量可以达到种
跟踪窗尺度的自适应分析
对于尺度变化的运动目标跟踪来说 , 跟踪窗口如不能自 适应调整,将会显著影响算法性能特别是对本文算法来说 ,跟 踪窗过小 , 将不能有效准确统计目标信息 , 而跟踪窗过大 , 将 不可避免地把背景样本点引入到前景目标模型中 , 导致目标 模型的可靠性降低。因此 , 在跟踪过程中自动更新跟踪窗口 是保证良好跟踪性能的关键。 在实际目标跟踪过程中 ,目标样本点会相对集中 ,因此可 以将目标划分为 n个子块,利用判断子块中目标点所占的比例 来改变跟踪窗的小。但从图b可以看出,背景中和目标灰度值 相近的样本点会被误判为目标 , 为减小这些样本点对尺度调 整的影响,提出一种基于双阐值的自适应尺度调整策略 :采用 双阀值的作用还体现在可以避免使用单一阀值时存在的窗口 过度扩大或缩小的现象。
以图像的灰度信息为特征空间 ,采用单变量高斯模型主要是基于考 虑两点: 一是在特征空间内 ,目标和背景样本一般来说分别成单峰聚类分布 ,所 以用正态分布作为目标和背景的概率模型是合理的 ;二是因为运算量小, 避免了多元正态分布在线学习的复杂度 ,保证跟踪的实时性。在初始帧 中 ,手动给出目标的初始位置 ,利用灰度信息分别建立目标模型和背景 模型;在第k帧中,对每一个样本点I,做判断时认为目标和背景的先验概 率相等,这样可以求得I属于目标的后验概率和背景的后验概率。 若 Pw1 / x > Pw2 / x ,则说明该样本点属于目标,赋予该点在置信图中 的值为L,若 Pw1 / x < Pw2 / x ,说明该点为背景点,令L=0即
技术+系统
1、图像处理 2、目标检测 定位
1、图像采集
3、车牌识别
2、违章车辆 检测 3、信息存储 通信
图像处理
1
2
3
图像数字 化
常用颜色 模型介绍
图像预处 理技术
图像数字化
计算机不能处理连续的模拟信号，而一幅二值化图像 中的灰度值一般采用它的位置坐标函数进行描述，该函数 为二维连续函数，可以取无限多个值。因此计算机无法对 其直接进行处理，我们需要进行图像数字化技术，将拍摄 好的真实图像数字化为计算机可以接受的存储、显示和处 理格式。经过数字图像处理技术后，代表图像的连续模拟 信号就可以转变成离散的数字信号。如图所示，是一幅视 频图像经过数字化处理后得到的图像。长为 L ，宽为 W 的图 像可以用一个L*W的矩形网格表示，每个网格代表图像中的 一个像素，网格中的值表示该网格对应的像素的灰度值， 取值范围为0到255.
跟踪窗尺度的自适应分析
跟踪窗的自适应尺度分析
模型参数的更新
运动目标不是一个确定不变的信号 , 而是在跟踪过程中 会发生位移、形变等变化 , 并且它还经常受到噪声、遮挡等 环境因素的影响 ,因此对模型进行合理的更新是跟踪的关键。 选择合适的模型更新策略 , 可以在一定程度上克服这些因素 对目标跟踪所造成的影响。分类器的更新策略为每帧丢掉若 干个性能较差的弱分类器 ,然后通过当前帧的训练学习 ,补充 相同数量的弱分类器来重新构造一个强分类器 , 这样存在的 一个不足就是弱分类器只含有训练该分类器时所采用帧的信 息,而不是所有帧 ,当目标发生遮挡时, 一般的算法则不能取 得很好的效果。为解决上述问题 ,使得算法更具有鲁棒性 ,本 文采用的模型更新策略如下：