第三章目标检测方法_1_-6模板

10. 图像有用和无用成分之比
图像中并不是只包含有用的信息，我们总是在图像中提取 感兴趣的所谓目标信息，而滤除所有不关心的信息，例如噪 声。感兴趣的目标信息与所有不关心的信息成分的比率或差 别越大，提取就越容易。典型的度量指标是信噪比，即目标 12 信号幅度除以背景信号的标准差。

•
图像的运动特征－什么是运动图像？



首先要确定一个合适的阈值T（阈值选定的好 坏是成败的关键） 将灰度大于等于阈值的像素作为物体或背景， 生成一个二值图像 If f(x,y) T set 255 Else set 0 在四邻域中有背景的像素，即是边界像素。
0
0 255
0 255 255 255 255 255
23
⑵、几种常用的基于阈值分割的检测方法
•
•
•
举例：运动与视觉实验



1959年著名心理学家Gibson在美国康乃尔大学对自然人进行 了运动知觉实验：在两张透明的胶片上绘出相似的随机点图 图案。一张静止地垂直放置，人们什么也区分不出来；而另 一张也是垂直放置，但是让其沿水平方向进行平移运动。这 时奇迹出现了，人们在移动着的胶片上区分出了有两块远近 不同的平面，随机点图表示的场景被轻易地分割开来了。这 证实了一些在静止时不易被察觉的形状当移动时就可以被知 觉，这与人们通过自身包括研究的运动实现形状知觉是异曲 同工的。 静止图像只是空间位置的函数，它与时间变化无关。在现有 条件下，用单幅静止图像无法表达物体和自身的运动。运动 图像通常是一种按时间顺序排列的瞬间采样图像序列。 图像中的变化可能是由于目标物体的运动，也可能是相机的 运动、光源的变化、物体结构的变化等等。 14
3
3.1图像的特征形态与描述

数字图像并不是杂乱的像素数据的组合。它通常包含我们所 希望得到的确定性成分和采集过程中所得到的随机成分。每 个像素的灰度不仅随坐标的不同而不同，也随时间的变化而 变化，是空间坐标和时间的随机场。 数字图像度量单位可以有多种，例如整幅画面（帧，场）， 局部画面（窗口，块），行，列，像素，频率等。 图像作为信息的载体，对不同的用途，所关心的图像信息的 含义或感兴趣的图像基元不同。比如，远距离红外小目标检 测研究时，我们关心的只是目标周围小区域内的信噪比，或 图像的信息量等；人脸识别时，可能关心的就是五官的形状 和位置关系，至于脸色就不是很重要。
第四类是基于识别的检测方法，较典型的是基于边缘碎片模型 的目标检测识别方法，基于Adaboost的目标检测识别方法等；
19
3.3 利用图像分割技术的目标检测方法
图像分割的目的：

把图像分解成构成它的部件和对象； 有选择性地定位感兴趣对象在图像中的位置和范围。
图像分割的基本思路： 从简到难，逐级分割

直方图分割法 基于灰度期望值的阈值分割 最大类间方差阈值分割 循环分割方法 最大熵阈值分割 基于模糊隶属度的阈值分割
24
基于直方图谷点门限的分割方法
当图像的灰度直方图为双峰分布时，分割比 较容易，只须取其谷点作为门限值，就能将目标 与背景分割开来。 1, f x, y TH g x, y 0, f x, y TH

学习的重点
基于图像分割技术的目标检测方法 基于图像特征匹配的目标检测方法 运动目标检测方法

2
本章的主要内容
3.1 图像的特征形态与描述
3.2 目标检测的基本概念与原理 3.3 利用图像分割技术的目标检测方法 3.4 利用特征匹配技术的目标检测方法 3.5 运动目标的检测 3.6 小目标检测 3.7 目标检测性能的评价标准
•

运动的表达
全局运动和局部运动各有其自身特点。

全局运动具有整体性强、比较规律的特点，可能仅用一些特 征或一组含若干个参数的模型就可表达。
局部运动比较复杂，特别是在多目标的情况下，各目标可能 做不同运动，目标的运动仅在空间小范围表现出一定的一致 性，因此比较精细的方法才能够准确地表达目标的运动。 下面就具体介绍一下各种运动的表达形式和方法，常用的有以 下几种： 1．运动矢量场表达 2．运动直方图表达
与静态图像相比，动态图像的基本特征就是灰度的变化。
•
在对某一场景拍摄到的图像序列中，相邻两帧图像间至少有一部 分像元的灰度发生了变化，这个图像序列就称为动态图像序列。
与单幅图像不同，连续采集的图像序列能反映场景中目标的运动 和场景的变化。场景的变化和景物的运动在序列图像中表现得比 较明显和清楚。 序列图像是由一系列时间上连续的二维图像组成的，或者说是一 类三维图像。与静止图像相比，序列图像增加了时间变量，当时 间变量取某个特定值时，就得到视频图像中的一帧图像。 图像序列和运动信息有密切的联系，将从运动场景获得的序列图 像或者在序列中目标位置发生变化的图像称为运动图像。 13
x(t)
C B A
O
t0
t1
t2
t3
t4
17
t
运动直方图的表达
运动轨迹的表达
3.2 目标检测的基本概念与原理
目标检测的分类：



目标检测从目标特性角度分为单幅静止图像检测和运 动目标检测；运动目标检测又分为静止背景下的运动 目标检测和运动背景下的运动目标检测。 静止目标检测通常是利用单帧图像信息，对于大目标， 可以利用图像分割或特征匹配等方法提取出目标，但 对于低对比度、低信噪比的小目标，利用单帧信息很 难检测出有效目标。 运动目标可以利用图像的运动序列信息，与单幅图像 不同，连续采集的图像序列能反映场景中目标的运动 和场景的变化情况，更有利于小目标的探测。 18

控制背景环境，降低分割难度 注意力集中在感兴趣的对象，缩小不相干图像成分的干扰。 基于阈值的图像分割 基于边缘的图像分割 基于形态学的图像分割 基于区域的图像分割
20
图像分割的基本方法：

基本策略： 把像素按灰度划分到各个物体对应的区域中去； 先确定边缘像素点，然后将它们连接起来构成所需的边界； 确定存在于区域间的边界；
4


3.1.1 图像的特征类型
1.像素灰度分布
图像信号数字化得到一个数值矩阵，其中每一个元素称 之为像素，像素的灰（亮）度值（也包括色彩）是最基本、 最原始的测量值和特征，由它可以组成更大基元的特征。单 幅图像的所有像素或不同区域像素的灰度分布，代表了图像 总体或局部的能量强度分布。表征灰度分布的特征描述有总 体或局部的均值、方差等。
3．运动轨迹表达
目标的运动轨迹表达了目标在运动过程中的位置信息，由一 系列关键点和一组在这些关键点间进行插值的函数构成。关 键点用2D或3D坐标值来表达，插值函数分别对应各坐标轴 16 （水平、垂直和深度方向）。
运动矢量场的表达
20 18 16 14 12 10 8 6 4 2 0 0 45 90 135 180 225 270 315 6 5 15 14 12 14 18 16
图像探测、跟踪与识别技术
主讲人：赵丹培
宇航学院图像处理中心 zhaodanpei@
1
2012年9月27日
第三章

目标检测方法
学习目的
利用图像捕捉并跟踪感兴趣的目标在日常生活、 工业和军事领域中都有广泛的应用，本章通过对目标 检测方法基本原理的学习和掌握，将目标的灰度、形 状、纹理、频谱、运动等作为主要特征依据，从不同 角度全面了解复杂背景中目标探测的方法与过程，并 能够在实际中熟练应用。
4.纹理特征
图像纹理是像素灰度分布宏观上呈现周期性的结构特征， 它是图像中某些结构单元按某种规则排列而成的规则图案， 反映图像纹理基元灰度周期性重复变化的规律。因此，纹理 基元的大小（或重复变化的周期长短）和重复构成的方向是 基本特征。常用的纹理特征描述方法有共生矩阵、等灰度行 程长度、区域纹理基元参数、傅立叶频谱、随机场模型、相 7 关长度等。
2.图像灰度变化的梯度特征
图像灰度的梯度反映图像内物体边缘处灰度变化的情况， 它描述了图像灰度分布的总体特征。例如，用图像像素灰度 的一阶差分（梯度）的总和表示图像的对比度等。
5
灰度特征-矩阵形式
梯度特征-灰度的突变位置
6
3.图像的频谱特性
与一维时间函数波形类似，图像也有空间频率的概念， 如果图像的灰度按一定周期变化(相当于周期函数)，那么它 的频率就是在某一坐标轴方向上一个单位长度的距离内，周 期函数重复出现的次数。周期表示在同一方向上图像波形重 复出现的最小距离。而且，图像的傅立叶变换也有明确的物 理意义。
21
图像分割定义：
将数字图像划分成与实际目标或区域紧密相关的 若干区域的过程。
图像分割与整个图像分析系统的关系
目标跟踪
预处理
图像分割
特征提取
目标识别
目标测量
22
3.3.1基于阈值的图像分割方法
阈值分割是一种广泛使用的图像分割技术，它对目标与背 景有较强对比的景物的分割特别有用。它计算简单，而且总能 用封闭而且连通的边界定义不交叠的区域。它利用了图像中要 提取的目标与其背景在灰度特性上的差异，把图像视为具有不 同灰度级的两类区域（目标和背景）的组合。

常用的目标检测方法分为四类：
第一类是基于像素分析的方法，主要有基于图像分割的方法、 帧间差分方法、相关算法、光流法、滤波法等； 第二类是基于特征匹配的方法，主要利用的特征有：角点、直 边缘、曲边缘等局部特征和形心、表面积、周长、投影特征 等全局特征，还有SIFT、SURF等； 第三类是基于频域的方法，较典型的是基于傅立叶变换和基于 小波变换的方法。
最大类间方差法由Ostu提出，是在最小二乘法原理的基础上推 导得出，又叫大津阈值法。 设原始灰度图像的灰度级为L，灰度级为i的像素点数为 ni ， 图像的全部像素为N,归一化直方图，则 L 1 ni pi pi 1 N i 0 用阈值t将灰度级划分为两类： C0 0,1, t 和 C1 t 1, t 2, , L 1 C0 和 C1 类的出现概率及均值分别为：