snake模型工作原理
基于特征和主动轮廓算法的运动果蝇识别与跟踪研究
基于特征和主动轮廓算法的运动果蝇识别与跟踪研究摘要多目标跟踪是视频监控等领域的一项关键技术。
阐述目标跟踪算法的研究现状，运用灰度阈值分割，基于特征和主动轮廓跟踪方法实现对多只运动果蝇进行目标识别与跟踪。
运用c#以及emgu 开发应用程序予以系统实现。
经验证，该系统识别率高，具有稳健的跟踪效果。
关键词多目标跟踪；果蝇；运动检测；特征匹配中图分类号 tp391.41 文献标识码 a 文章编号 1007-5739（2013）14-0340-03多目标跟踪方法的研究和应用是计算机视觉的一个重要分支。
目标跟踪，即要在一段视频的不同帧中把被跟踪的物体标记出来。
目标跟踪简单地说就是估计一个对象的运动轨迹[1]。
目前，目标跟踪算法一般包括基于区域的跟踪算法、基于特征的跟踪算法、基于模型的跟踪算法、基于主动轮廓的跟踪算法[2]。
常用的数学方法有：卡尔曼滤波器（kalman filter）、mean shift、粒子滤波器（particle filter）、动态贝叶斯网络等[3]。
而一个跟踪算法的理想性应该具有快捷性、鲁棒性、透明性、高效性、稳定性、简单性等特性[4]。
1 基于特征和主动轮廓的跟踪实现多目标跟踪的关键在于完整地分割目标、合理地提取特征和准确地识别目标，同时要考虑算法实现的时间，保证实时性。
因为培养皿中的运动果蝇会经常聚集甚至重叠在一起，有必要采取相应的方法尽可能地排除这类影响。
因为培养皿中的果蝇只有在极少数情况下才会快速飞行，所以其运动轨迹通常具有连续性，针对果蝇的该种情况我们运用基于特征和主动轮廓的跟踪算法。
1.1 基于主动轮廓的跟踪主动轮廓模型即snake模型是在图像域内定义的可变形曲线，又称为snake曲线，由kass等人提出的，是将其能量函数进行最小化处理，使其动态轮廓逐渐向目标轮廓调整，最终成为一致。
该技术对于任何形状、任意变动的物体都可以进行处理，其具体的操作技术如下：一是将目标进行分割，将得到的物体边界作为跟踪的初始模板；二是确定目标轮廓函数即表征物体真实边界的目标函数；三是逐渐降低目标函数值，使初始轮廓逐渐向物体的真实边界移动。
常用运动目标跟踪方法介绍
2．6．常用运动目标跟踪方法介绍2．6．1基于区域匹配的跟踪方法如绪论中所介绍，基于区域匹配的跟踪方法14 6J的基本思想是将检测阶段经过目标分割后获得的含有运动目标的区域提取出来，并作为跟踪匹配的模板，同时定义目标的匹配度量方法。
在后续序列的待搜索图像帧中，通过匹配度量全图搜索与模板达到最佳匹配的区域，找到的使得匹配度量值最小的位置即可确定为目标在当前帧的位置，从而达到运动目标跟踪的目的。
可以看出，基于区域匹配的跟踪算法的关键在于搜索方法以及匹配度量方法的定义，选取合适的搜索算法和匹配距离的度量方法成为这类算法中不断改进的突破点。
目前常用的搜索算法一般被归为全局搜索和局部搜索这两大类。
全局搜索主要是针对整幅图像进行全图搜索，这种搜索算法可以保证搜索的准确性，匹配的准确率高。
但其对于大幅图像来讲，搜索全图十分耗时，难以应用到实际的跟踪系统中；局部搜索相比于全局搜索的逐点扫描，需要预先检测当前帧中的运动目标，然后只针对运动目标所存在的区域进行匹配，从而实现了运动目标的跟踪。
局部搜索省去了全图搜索所耗费的大部分时间，因此实时性很好，但其对于目标检测的精确度要求较高。
局部搜索还有一个难点问题在于，其抗遮挡性能低，如果运动目标在检测过程中互相遮挡或是被背景等遮挡，则易导致跟踪精度大大降低，严重时甚至会出现目标丢失的情况。
因此采用局部搜索方法时一般还需研究专门的遮挡消除算法。
该方法的另一个关键点在于如何定义匹配度量方法。
目前常用的匹配度量方法有亮度匹配法、形态距离匹配法以及外部轮廓匹配法等等。
亮度匹配主要是利用与颜色相关的特征如灰度、颜色值等，进行匹配度量；外部轮廓匹配主要是以目标的纹理、大致形状等为基准进行匹配度量。
基于区域匹配的跟踪方法由于提取了比较完整的目标模板，获得了更多的目标信息，因此其相比于其他跟踪算法，其更多的被用来对较小的或对比度较低的运动目标进行跟踪，尤其在军事领域有比较广泛的应用。
但其缺点也不容忽视：全局搜索的运算量大，局部搜索的遮挡问题等等，因此人们将运动预测方法结合到基于区域匹配的方法中，如Kalman预测，通过预测运动动目标在下一帧中可能出现的运动范围，进行局部搜索，从而提高了搜索的效率；而对于遮挡和阴影问题，则提出了利用彩色以及纹理等来解决。
监控视频智能检索关键技术综述
监控视频智能检索关键技术综述张亚恒;韩琳;姜梅;蔡能斌【摘要】近年来随着监控系统的规模化及网络化,如何在海量的监控视频中快速查找所需要的信息、准确定位嫌疑目标的位置和运动轨迹,成为法庭科学研究的热点.本文就监控视频智能检索影响因素、运动目标的检测和提取技术以及运动目标跟踪方法等方面进行了论述.【期刊名称】《影像技术》【年(卷),期】2013(025)006【总页数】4页(P3-6)【关键词】监控视频;智能检索;运动跟踪【作者】张亚恒;韩琳;姜梅;蔡能斌【作者单位】上海市公安局物证鉴定中心上海市现场物证重点实验室,上海200083;上海市公安局物证鉴定中心上海市现场物证重点实验室,上海200083;上海公安高等专科学校,上海200336;上海市公安局物证鉴定中心上海市现场物证重点实验室,上海200083【正文语种】中文【中图分类】D918.2;TN820.4目前，随着“天网工程”、“平安城市”建设的不断深入，监控摄像系统已遍布城市的每个街头，不仅有效改善了社会治安状况，也为警方破案提供了真实直观的证据，监控视频已成为侦查破案的重要手段［1-3］。
然而随着监控系统的规模化及网络化，在海量的监控视频中如何快速查找所需要的信息、准确定位嫌疑目标的位置和运动轨迹，即监控视频的智能检索技术，成为法庭科学的一个研究热点。
如：周兵、杨春蓉等人研究了基于内容的视频检索技术［4，5］，张环等人研究了一种基于SVM的视频检索反馈算法［6］，曲佳佳等人研究了一种视频镜头边界检索方法［7］，曹海傧等人研究了一种基于分布式LSH的海量视频快速检索方法［8］，庞志恒等人研究了视频浓缩与基于对象的视频检索技术［9］。
视频智能检索技术在视频及视频内容描述之间建立映射关系，使计算机能够通过处理和分析来理解视频画面中的内容。
本文就监控视频智能检索的影响因素、运动目标的检测和提取技术、运动目标跟踪技术等方面进行了论述。
1 监控视频智能检索的影响因素视频智能检索技术可以划分为两个层次：视频数据结构化层和检索算法层。
基于改进蛇模型的步态轮廓提取
基于改进蛇模型的步态轮廓提取
李潇;李平;文玉梅;叶波;郭军
【期刊名称】《计算机应用》
【年(卷),期】2007(27)6
【摘要】提出了一种基于Snake模型的改进算法,不仅能够精确地搜索到图像轮廓,且程序运行速度较快.该算法在CMU数据库上进行了实验,结果表明提取出的步态轮廓完整且封闭,能有效地提高识别率.
【总页数】4页(P1468-1471)
【作者】李潇;李平;文玉梅;叶波;郭军
【作者单位】重庆大学,光电工程学院,光电技术及系统教育部重点实验室,重
庆,400030;重庆大学,光电工程学院,光电技术及系统教育部重点实验室,重
庆,400030;重庆大学,光电工程学院,光电技术及系统教育部重点实验室,重
庆,400030;重庆大学,光电工程学院,光电技术及系统教育部重点实验室,重
庆,400030;重庆大学,光电工程学院,光电技术及系统教育部重点实验室,重
庆,400030
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进的C-V水平集模型的肺部轮廓提取算法研究 [J], 侯园园;闫灿
2.基于极坐标中蛇模型的类圆目标轮廓提取技术研究 [J], 龙德帆;樊尚春
3.基于改进C-V模型的步态轮廓提取方法 [J], 徐中宇;姜洪霖;张忠波
4.基于GVF Snake模型的步态识别轮廓提取 [J], 张帆;李锐;刘帅
5.基于改进Snake模型的超声乳腺肿瘤轮廓提取 [J], 张新宇;刁现芬;彭韵;汪天富因版权原因，仅展示原文概要，查看原文内容请购买。
基于Snake模型的植物叶片面积计算方法
基于Snake模型的植物叶片面积计算方法王静文;刘弘【摘要】为对植物叶片面积进行准确测量,提出一种通过Snake模型提取叶片轮廓,并在叶片轮廓基础上计算面积的方法.对传统Snake模型进行改进,定义HSI空间的颜色梯度作为Snake的外部能量函数,将提取出的角点作为初始轮廓的顶点,通过自适应增加或减少顶点来设置Snake的初值.利用改进的Snake模型提取叶片轮廓,在叶片轮廓链码表的基础上计算面积.实验结果表明,与Image J软件中计算叶片面积的方法相比,该算法的测量精度更高.%For the problem of using image processing to accurately measure the plant leaf area, this paper proposes a new method which utilizes Snake model to extract the leaf contour and calculates the leaf area based on the leaf contour. It improves the Snake model. On one hand, it defines a color gradient in HSI color space as the external energy function of snake. On the other hand, it makes the corners detected as the vertexes of the initial contour, and increases or reduces the vertexes by adaptive algorithm. It utilizes the Snake model to extract the leaf counter. It calculates the leaf area based on the chain codes of leaf contour. Experimental results prove that, compared with the leaf area calculation method in image J software, this method is more accurate, and it has certain application value.【期刊名称】《计算机工程》【年(卷),期】2013(039)001【总页数】5页(P234-238)【关键词】叶片面积;Snake模型;角点检测;链码;参考物法【作者】王静文;刘弘【作者单位】山东师范大学信息科学与工程学院,济南250014;山东师范大学山东省分布式计算机软件新技术重点实验室,济南250014【正文语种】中文【中图分类】TN911.731 概述叶片是植物进行光合作用、合成有机物质的主要器官，它的生长规律对光能利用、干物质积累等起着显著作用。
snake模型工作原理
Snake模型算法的基本思想数学模型及工作原理Snake模型是由Kass竽人首次提出的算法，广泛地W用于计算机视觉及图像处理屮的各个领域，如边缘检测、图像分割、运动跟踪等，持别应用于图像中感兴趣目标轮廓的提取。
Snake模型引入高层知识，在处理局部间断的边缘时，提取效果比传统轮廓提取方法要好。
1 Snake模型的基本思想Snake模型乂称为主动轮廓线模型（active eontoiir model）,其星本思想是依据图像信息进行曲线（曲面）演化，使其最终找到目标物体的边界。
这种方法将分割问题转化为最优化问题，利用闭合曲线（或曲而）形变的特定规彳匚定义度量闭合曲线（曲而）形变的能呈函数，通过最小化能呈换数使曲线（曲而）逐渐逼近图像中目标物体的边缘CSnake模型能量函数的设计原则是:有利属性要能导致能量缩小。
有利属性包括曲线（曲而）连续、平滑、与高梯度区域的接近以及其他一些具体的先验知识。
这样，活劝轮廓在取值范围内移动时，就能在能量函数的指导下收敛到局部边界，而且能保持曲线（曲而）的连续和平滑-Snake模型是在曲线（曲面）本身的内力和图像数据的外部约束力作用下的移动的变形轮廓。
作用在Snake模型上的力依据轮廓所在的位置及其形状决定如何在空间局部的变化。
内力和外力的作用是不同的: 内力起平滑约束作用，外力则引导Snake模型向图像特征移动。
2基于Snake模型的轮廓提取方法对于传统的轮廓提取方法，首先要进行基本的边缘检测,然后进行边缘连接、一值化Z后，继而进行轮廓跟踪处理。
在边缘检测时，易受局部噪声影响而产生虚假边缘，或考是不连续的间断边缘，无法保证分割或者提取的结果就是连续光滑的闭合轮廓;此外，基于底层信息的轮廓跟踪，一方而对一•值化过程的依赖性比较人;另一方而，对于间断的边缘，使用上述简单方法将会跟踪失败。
这些都是传统计算机视觉屮分层处理模型所无法解决的问题。
Snake模型为解决轮廓提取任务提供了新的思维方法。
Snake 模型的学习
Snake 模型的学习一、Snake 模型的理论概念介绍1.基本思想：它以构成一定形状的一些控制点为模板（轮廓线），通过模板自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成图像的分割。
再通过对模板的进一步分析而实现图像的理解和识别。
蛇模型是在曲线本身的内力和图像数据的外部约束力的作用下的移动变形轮廓线。
作用在蛇模型上的力依据轮廓的形状和位置决定在局部空间的移动。
内力起到平滑约束作用，外力引导曲线向图像轮廓所在位置移动。
2.构造Snake模型的目的：调和上层知识和底层图像特征这一对矛盾，Snake模型的轮廓线承载了上层知识（人们对物体的认识主要来源于外形轮廓），而轮廓线与图像的匹配又融合了底层特征。
这两项分别表示Snake模型中能量函数的内部力和图像力。
3.Snake模型的初始轮廓的选择：由于snake模型对初始位置比较敏感，因此要求初始轮廓尽可能的靠近真实轮廓，而当图像比较模糊或者目标比较复杂或者其他物体靠近时，其初始轮廓更不易确定。
现在的初始轮廓选择的方法：a.人工勾勒图像的边缘b.序列图像差分边界c. 基于序列图像的前一帧图像边界进行预测d.基于传统图像分割结果进行边界选取。
二、基本的Snake模型Kass 等提出的原始Snake模型由一组控制点组成v ( s ) = [x ( s ), y ( s ) ] s ∈[0,1] （1）这些点以首尾以直线相连构成轮廓线，x(s)、y(s) 分别表示每个控制点在图像中的坐标位置，s（s是归一化的曲线长度）是以傅里叶变换形式描述边界的自变量，在Snake控制点上定义能量函数第一项称为弹性能量，是v的一阶导数的模，第二项称为弯曲能量，是v的二阶导数的模，第三项为外部能量（外部力），αβ分别是控制Snake模型的弹性和刚性。
Snake模型对轮廓的灵活性依赖于这两个系数。
在基本Snake模型中，一般只取控制点或连线所在位置的图像局部特征，例如梯度也称图像力。
造影图像序列中血管运动跟踪的Snake方法
[ Abstract] A novel method tracking two2dimensional motion of heart vessels from angiographic sequences based on Snake was presented in this paper. The skeleton position in previous frame was used as initial guess of its position in the current frame , and dynamic information between consecutive time instants could be obtained during Snake deforming from its initial position to current position. Dynamic program2 ming and greedy algorithm were adopted respectively in the calculation of optimal Snake , and their characteristics in terms of the number of iterations , computation cost and convergence were discussed. The effectiveness of this method has been demonstrated on clinical single2plane coronary artery angiograms and results were encouraging. [ Key words] Coronary angiography ; Motion tracking ; Snake ; Dynamic programming
目标跟踪算法的分类
主要基于两种思路：a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标；b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。
一．运动目标检测对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。
运动检测即为从序列图像中将变化区域从背景图像中提取出来。
运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测〔一〕静态背景1.背景差2.帧差3.GMM4.光流背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。
因此对于固定摄像头的情形，目前大多数的跟踪算法中都采用背景减算法来进行目标检测。
背景减算法的局限性在于它需要一个静态的固定摄像头。
〔二〕运动场通常情况下，摄像机的运动形式可以分为两种：a)摄像机的支架固定，但摄像机可以偏转、俯仰以及缩放; b)将摄像机装在某个移动的载体上。
由于以上两种情况下的背景及前景图像都在做全局运动，要准确检测运动目标的首要任务是进行图像的全局运动估计与补偿。
考虑到图像帧上各点的全局运动矢量虽不尽相同(摄像机做平移运动除外)，但它们均是在同一摄像机模型下的运动，因而应遵循相同的运动模型，可以用同一模型参数来表示。
全局运动的估计问题就被归结为全局运动模型参数的估计问题，通常使用块匹配法或光流估计法来进行运动参数的估计。
块匹配基于块的运动估算和补偿可算是最通用的算法。
可以将图像分割成不同的图像块，假定同一图像小块上的运动矢量是相同的，通过像素域搜索得到最正确的运动矢量估算。
块匹配法主要有如下三个关键技术：a)匹配法则，如最大相关、最小误差等b)搜索方法，如三步搜索法、交叉搜索法等。
c) 块大小确实定，如分级、自适应等。
光流法光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。
基于GVF Snake模型的舌像分割研究
基于GVF Snake模型的舌像分割研究高清河;刚晶;王和禹;刘海英【摘要】为了将舌体区域正确地从采集的舌像中分割出来,与传统的Snake模型相比较,本文运用一种优化的GVF Snake模型的方法来实现对舌图像的分割.首先对所选的舌像进行中值滤波,经过二值化处理后,得到舌体的初始化轮廓线,然后采用改进的GVF Snake模型对初始化轮廓线进行边缘修正,最后得到的舌体图像更加清晰、连贯,提高了图像的可视性和准确性.【期刊名称】《科技视界》【年(卷),期】2018(000)006【总页数】2页(P131-132)【关键词】Snake模型;GVFSnake模型;中值滤波;图像分割【作者】高清河;刚晶;王和禹;刘海英【作者单位】辽宁中医药大学信息工程学院,辽宁沈阳 110847;辽宁中医药大学信息工程学院,辽宁沈阳 110847;辽宁中医药大学信息工程学院,辽宁沈阳 110847;辽宁中医药大学信息工程学院,辽宁沈阳 110847【正文语种】中文【中图分类】R318;TP3910 引言中医舌诊在现代医学的诊断和治疗中起到了越来越大的作用 [1-3]，随着现代计算机科学以及医学影像学的进步，传统的中医舌诊正朝着科学性和标准化方向发展[4]。
目前，常用的舌像分割方法主要包括基于阈值的分割方法和基于边缘检测的分割法 [5-8]。
然而，Snakes模型方法在中医舌像分割应用上，显示出了良好的性能，但应用Snakes模型得到分割的结果对初始化的依赖程度较大。
因此，本文着重对传统的Snake模型方法进行了改进性研究。
1 Snake模型基本原理式中，vi=(xi,yi)，i=0,1,…,n-1 为采样点，n 为采样点的个数。
为使得初始轮廓曲线收敛到目标轮廓，Snake模型是通过能量函数最小化的方法实现的；其中，Eext(vi)为外部能量，表示为式中，Eimage(vi)为图像能量，决定了初始轮廓曲线向目1987年M.Kass[9]等人提出了 Snake模型，该模型有机整合了分割区域的边缘和约束条件。