一种多高斯模型下的阴影检测方法
合集下载
高斯分布背景模型原理
高斯分布背景模型原理背景差分法的关键是背景图像的描述模型即背景模型，它是背景差分法分割运动前景的基础。
背景模型主要有单模态和多模态两种，前者在每个背景像素点上的颜色分布比较集中，可以用单分布概率模型来描述，后者的分布则比较分散，需要用多分布概率模型来共同描述。
在许多应用场景，如水面的波纹、摇摆的树枝，飘扬的红旗、监视器屏幕等，像素点的值都呈现出多模态特性。
最常用的描述场景背景点颜色分布的概率密度模型（概率密度分布）是高斯分布（正态分布）。
1 单高斯分布背景模型单高斯分布背景模型适用于单模态背景情形, 它为每个图象点的颜色建立了用单个高斯分布表示的模型),(,t t x N σμ其中下标t 表示时间。
设图象点的当前颜色度量为t X ,若(,,)ttt p N X T μσ≤ (这里p T 为概率阈值) , 则该点被判定为前景点, 否则为背景点(这时又称t X 与),(,t t x N σμ相匹配)。
在常见的一维情形中, 以t σ表示均方差, 则常根据/t t d σ的取值设置前景检测阈值：若/t t d T σ>，则该点被判定为前景点, 否则为背景点。
单高斯分布背景模型的更新即指各图象点高斯分布参数的更新。
引入表示更新快慢的常数——更新率α， 则该点高斯分布参数的更新可表示为1(1)t t t d μαμα+=-⋅+⋅ （1）21(1)t t td σασα+=-⋅+⋅ （2） 单高斯背景模型能处理有微小变化与慢慢变化的简单场景，当较复杂场景背景变化很大或发生突变，或者背景像素值为多峰分布（如微小重复运动）时，背景像素值的变化较快，并不是由一个相对稳定的单峰分布渐渐过度到另一个单峰分布，这时单高斯背景模型就无能为力，不能准确地描述背景了。
]1[ 2 混合高斯分布背景模型与单高斯背景模型不同，混合高斯背景模型对每个像素点用多个高斯模型混合表示。
设用来描述每个像素的高斯分布共K 个（K 通常取 3—5个），象素uv Z 的概率函数：,,,1()(,,)Ku v j u v u v j u v j u v j P Z N Z ωμ==∑∑ 其中,j uv ω是第j 个高斯分布的权值，背景建模和更新过程（仅针对单个像素）：1.初始化：第一个高斯分布用第一帧图像该点的像素值作为均值或前N 帧图像该点的像素值的平均值作为均值，并对该高斯分布的权值取较大值（比其它几个高斯分布大）。
一种改进的高斯混合背景模型算法及仿真
能。文中对传统的高斯混合背景模 型进行 了改进 ， 针 ， 在背景 更新 中引入一个“ 前景支撑映射 ” Ｆｒｇｏ ｎ ｕ ｐ￣Ｍａ ，Ｆ Ｂ 较好地解决 了背景模型的提取 、 （ ｏｅｒｕｄＳ ｐｏ ｐ Ｓ ）， 更新 、 背景扰 动 、 界光照 外 变化 等问题 。实验结果证 明 ， 实验结果验证 了该方法 的有效性和在复杂背景变化下 的鲁棒性 。 关键词 ： 背景模型 ； 混合高斯模型 ； 背景更新 ； 目标检测
ＫＥ Ｗ ＯＲ Ｓ：ａｋｒｕｄｍ ｄｌＭ ｘ ｒ ｆ ａｓｉ ｓ Ｂ ｃｇｏｎ ｐ ａ ； ｂｅｔ ｅｅｔ ｎ Ｙ Ｄ Ｂ ｃｇｏｎ ｏｅ； ｉ ｕｅｏ ｕｓ ｎ ； ａｋ ｕ ｄｕ ｄｔ Ｏ ｊｃ ｄｔ ｉ ｔ ｇ ａ ｒ ｅ ｃｏ
１ 引 言
在智能视 觉监 控系统中 ， 常采用减背 景方法分割 出感兴 趣的运动 目标 。基于减 背景 的运动 目标 检测 方法 … “ 基 本思想是将当前帧图像 与事先 存储 或者实 时得 到的背 景 图 像相减 ， 若像素差值 大于某 一 阈值 ， 判此像 素属 于运 动 目 则 标上的一 个像 素 ， 阈值操作后得到的结果 直接给 出了 目标 的 位置 、 大小 、 形状等信息 。但通 常的减背景方法对光线 、 天气
ＣＨＥＮ ｅ Ｚｈ ｎ—ｈ ａ ， ， ｕ ＺＨＯＵ ｉ ｕ ， ａ ｇ—Ｗｅ ， Ｒｕ —ｒ ｉ ＬＩＧｕ ｎ ｌ ＢＩＤｕ—ｙ ｎ 。 ａ
（ ．Ｄｅ ａｔ ｎ ｆ ｉｎｃ ｎ ｉｅ ｒ ｇ ｎ ｔｕｅｏ ｇｎ ｅｉｇ，ＡＦ １ ｐｒ ｍｅ ｔｏ ｏ ｉｓＥ ｇｎ ｅ ｎ ，Ｉｓｉ ｔ ｆ Ａｖ ｉ ｔ Ｅｎ ｉｅｒｎ ＥＵ，Ｘｉｎ Ｓ ａ ｘ ７ ０ ３ Ｃｈｎ ｈ ｈ ｎ ｉ １ ０ ８， ｉａ；
ｇ ｏ ｎ ． Ｔｈ ｅ ｆｒ ａ ｅ ｏ ｒ ｕ ｄｓ ｅ ｐ ｒｏ ｍ ｎｃ ｆＧＭ Ｍ ａ ｅ ｇ ｅ ｔｙ ｉ ｃ ｎ ｂ ｒ ａｌ ｍｐｒｖ ｄ ｂ ａ ｋ ｉ ｅ ｅ ａ ｒ ｃ ｉａ ｓｕｅ ．Ｔｈｉ ａ ｅ ｖ ｌｐｓ ｏ ｅ ｙ ｔｃ ｌｎｇ ｓ ｖ ｒｌｐ ａ ｔｃ ｌｉｓ ｓ ｓ ｐ ｐ ｒｄｅ ｅｏ ａ ｍｏ ｆｃ ｔ ｅ ａ ｇ ｒｔｍ ｓｎ ｕ ｓａ ｉｔｒ ｏ ａ ｉｉｙ ｄｅ ｓｔ Ａ ｉｅ ｏ ｏ ｐａ ｅ ｉ ｓ ｄ ｔ ｔｃ ｎ ｕ ｄｉ ａｉ ｌｏ ｈ ｕ ｉｇ Ｇａ ｓ ｉｎ ｍ ｘｕ ｅ ｐｒ ｂ ｂｌｔ ｎ ｉｙ． ｉ ｖ ｉ ｍ ｘ ｄ ｃ ｌ ｒｓ ｃ ｓ ｕ ｅ ｏ ｄｅｅ ｔａ ｄ ｓ ｐ－ ｐ ｅ ｓｍｏ ｉ ａ ｔｓ ａ ｏ ｒ ｓ ｖｎｇｃ ｓ ｈ ｄ ｗ． Ａ ｅ ｆｃ ｕ ｅ ａ ｌｄ ｔ ｅ “Ｆｏ ｅ ｒ ｕｎ ｕｐ ｒ ａ ｓ ｔｏ ｏ ｎｔｒｃ ｌｅ ｈ ｒ ｇｏ ｄ Ｓ ｐｏｔＭ ｐ” ｉ ｘ ｌ ｉｅ ． Ｔｈ ｄｉ ｃ ｔｖ ｇ — ｓｅ ｐ ｏｔ ｄ ｅ ｍｏ ｆ ａｉｅ ａ ｏ ｉ ｌ
基于阴影消除和混合高斯模型的视频分割算法
的学习与更新 、高斯 分布生成准则等方面的改进和优化 ，采用基 于形 态学重构 的阴影 消除方法使得前景 目 标分割
的性 能得到 了有 效地提 高 文中 同时给 出了光照 突变检测及其 背景更新方 法。通过对各建立背景模 型 ，准确分割前景 目 ，与其 它算 法比较具有 更强的鲁棒性 标
ｎ ｍｂ ｒ ｏ ｘ ｕ ｅ ｃ ｍｐ ｎ ｎ ｓ ｏ ｕ ｅ ｆ ｍｉ ｔ ｒ ｏ ｏ ｅ ｔ ｆ ＧＭ Ｍ ｓ ｅ ｔ ｔｄ ａ ｃ ｒ ｉｇ ｔ ｅ ｆｅ ｕ ｎ ｙ ｏ ｉ ｅ ａｕ ｈ ｎ ｅ ，ａ ｄ ｔ ｅ ｉ ｓｉ ｅ ｃ ｏ ｄ ｎ ｏ ｔ ｒ ｑ ｅ ｃ ｆ ｐ ｘ ｌ ｖ ｌ ｅ ｃ ａ ｇ ｓ ｎ ｍａ ｈ ｈ ｐ ｒｏ ｍａ ｃ ｆＧＭ Ｍ ａ ｅ ｅ ｅ ｔｖ ｌ ｍｐ ｏ ｅ ｔ ｈ ｄ ｆｅ ａ ｋ ｏ ｄ ｌ ａｎ ｎ ｄ ｕ ｄ ｔ ｅ ｄ ｓ ｂ ｔ ｎ ｅｆｒ ｎ ｅｏ ｃ ｎ ｂ ｆ ｃｉ ｅｙ ｉ ｒ ｖ ｄ ｗｉ ｔ ｅ ｍｏ ｉ ｄ ｂ ｃ ｇ ｕ ｅ ｒ ｉ ｇ ａ ｐ ａ ｅ ｎ ｗ ｉ ｒ ｕ ｉ ｈ ｉ ｒ ｎ ｎ ｔ ｉ ｏ ｇ ｎ ｒ ｔ ｎ ｒ ｌ ｄ ｓ ａ ｏ ｒ ｍｏ ａ ａ ｅ ｎ ｍｏ ｐ ｏ ｏ ｉ ａ ｅ ｏ ｓｒ ｃ ｉ ｎ Ｔ ｅｄ ｔｃ ｉ ｎ ｏ ｄ ｅ ｌ ｍｉ ａｉ ｎ ｃ ａ ｇ ｅ ｅ ａ ｉ ｕ ｅａ ｈ ｄ ｗ ｅ ｖ ｌ ｓ ｄ ｏ ｒ ｈ ｌ ｇ ｃ ｌ ｃ ｎ ｔ ｔ ． ｈ ｅ ｅ ｔｏ ｆｓ ｄ ｎ ｉ ｕ ｎ ｔｏ ｈ ｎ ｅ ｏ ｎ ｂ ｒ ｕ ｏ ｕ ｌ
关键 词：视 频分割 ；背景建模 ；混合 高斯模型； 阴影 消除
中图分类号： Ｔ １．３ Ｎ９ ７ １ 文献标 志码 ： Ａ
Ｖ ｉ ｏ Ｓ ｇｍ ｅ ａ ｉ ｎ Ａｌ ｏ ｉｈｍ ｔ ａ ｓａ ｄｅ ｅ ｎｔ ｔｏ ｇ ｒｔ ｗｉｈ Ｇ ｕｓｉ ｎ Ｍ ｉ ｔ ｅＭ ｏ ｌａ ｘ ｕｒ ｄｅ ｎｄ Ｓｈａ ｏ Ｉ ｍ ｏ ａ ｄ ｗ ｖ ｌ
一种合成孔径雷达图像阴影和目标检测的方法
摘蔓 ：提 出 了一种 进行 高分 辨 率 Ｓ ＡＲ（ｙ ｔｅｉ ｐ ｒ ｒ ａ ａ） ｓｎｈ ｔ ａ ｅｔ ｅ ｒｄ ｒ图像 阴影 和 目标检 剥 的 新 思 路 ． 先培 出 了基 于 ｃ ｕ 首 等 效 视 数 模 型 的 图 像 ＲＣＳ ｒｄ ｒ ｃｏ ｓ ｓｃｉｎ重 构 算 法 进行 阴 影检 测 ， （ａ ａ ｒ ｓ ｅ ｔ ） ｏ 然后 通 过 非 线 性 积 累， 遮到 目标 检 测 的 哥 的 ． ＣＦ 与 ＡＲ（ｏ ｓａ ｔ ａｓ ｌｒ ａｅ捡 ＿ 相 比， 哆检 测 到 阴影 和 更 多感 兴 趣 的 目标 、 ｃ ｎ ｔｎ ｌ ａａ￣ ｒｔ１ 蒯 ｆ ｅ ａ 托 关 键 词 ：Ｓ ＡＲ； 效 视 数 模 型 ； 等 ＲＣＳ重 构 ： 线 性 积 累 ； 非 阴影 和 目标 检 剥 中 图 法 分 类 号 ：Ｔ ３ １ Ｐ ９ 文献标识码： Ａ
维普资讯
１ ０９２／ ０／ （ ） １ Ｏ １ ． ５ ０２ ３ ４０ ８ ９ ３ ８ ２ １０ ８ － ０
０ ０２ ｏｍａｏ ｔ ａ 软 件 学 报 ２０ ｔ ｌｆ ｏ ｗ ｒ Ｊｌ Ｓ ｌ ｅ
Ⅷ ・ ！ ＿ ４
一
种 合 成 孔 径 雷 达 图 像 阴 影 和 目标 检 测 的方 法
牧 藕 日期 ：２ ０ －５２ ．惨 改 日期 ：２ ０ 一９ Ｉ ０ ００ ・２ ０ ０ｏ 一 ｌ 作 奢 简 介 ：＇ ［（９ ４ ）男 ， 北 天 门 ＾ ． 士 生 ， 要 研 究领 域 为 Ｓ Ｒ 图 像 理 解 ． 选 目标 自动 识 别 技 术 ： 绸 ■ （９ ６ ） ． ￣１ １７ － 、 湖 博 主 Ａ 雷 匡 １６ － ． 男
在Ｓ ＡＲ 图像 目标 识 别 过 程 之 前 ， 常 需 要 对 图像 进 行 预 扫 描 ， 取 ＲＯＩ ｅ ｉｎｏ ｉｔｒｓ）目前 ， 通 提 （ ｇｏ ｆｎｅｅｔ． ｒ 最经 典 的 同 时 也 是 应 用 得 最 多 的 是 ＣＦ （ｏ ｓａ ｔ ａｓ ｌｒ ｒｔ） 测 ． 于 ＣＦ Ｒ 检 测 的研 究 很 多 ， 有 不 少 改 进 的算 法 ． ＡＲ ｃ ｎｔｎ ｌ ａａ￣ ａｅ检 ｆ ｅ 关 Ａ 具 例 如 ． 参 数 的 ＣＦ 双 ＡＲ、非 高 斯 分布 的 ＣＦ ＡＲ、 多参 数 的 ＣＦ ＡＲ、 利 用 白化 滤 波 器 、Ｂ ／ＣＳｌ 提 高 检 测 效 果 ＣＳ Ｆ 【 等 等 ， 主 要 思路 是通 过研 究 自然 杂 波 的 电 磁 散 射 机 理 ， 立 合 适 的 统 计 分 布 模 型 ， 时采 用 合 理 的 参 数 估 计 方 其 建 同 法 用 统 计 假 设 检 验 的 Ｎ— 利 Ｐ准 则 ， 得 到 区 分 目标 和 非 目标 的 门 限值 对 于 高 分 辨 率 Ｓ 来 ＡＲ 图像 而 言 ， 果 较 好 效 的 ＣＦ ＡＲ 检 测 器 主 要 有 利 用 Ｗｅｂ ｌ 分 布 和 Ｋ 分 布 的 ＯＳ（ｒ ｅ ｔｔ ｔ ） ＡＲ 检 测器 ． ｉｕ １ ｏｄ ｒ ａｉ ｃ ＣＦ ｓ ｓ ｉ
运动目标检测和跟踪的研究及应用
5.学位论文王世平基于DSP的运动目标检测与跟踪2007
在人所感知到的环境信息中,视觉信息占了非常大的比重,其中动态视觉信息更是其主要组成部分.感知环境中的这些动态视觉信息已成为计算机视觉的一个重要的研究方向.运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题,在许多领域有着广泛的应用. 本文主要研究了基于DSP的运动目标检测与跟踪问题,包括硬件平台的构建和运动检测跟踪算法软件设计与实现. 在运动目标检测部分,介绍了现有的几种常用的检测算法,针对传统帧差算法,检测出的运动目标不够完整的缺点,进行了改进;针对传统的背景重建算法运算量大,耗时的缺点,提出基于块的背景重建,均通过实验验证了方法的有效性. 在运动目标跟踪部分,首先介绍了Kalman滤波的基本原理,在此基础上提出了基于Kalman滤波的跟踪算法;然后详细分析了本文目标跟踪系统所采用的波门算法,为后面系统的实现打下了理论基础. 详细介绍了基于DAM6416P图像处理平台的跟踪系统的实现, 整个系统工作过程为DSP先对采集到的图像进行预处理,然后采用帧差法检测运动目标,接着采用基于双波门算法根据目标的质心位置来判断是否移动云台以及云台移动方向,从而实现对运动目标的实时跟踪. 从实验数据与结果看,本文研究的跟踪系统在一定条件下能够准确、及时地检测跟踪目标,达到了预期效果.
2.学位论文何西华视频运动目标检测与跟踪算法研究2008
视频环境的运动目标检测与跟踪是当前计算机视觉研究中一个非常活跃的领域。计算机视觉研究的目标是使计算机具有通过一幅或多幅图像认知周围环境信息的能力。运动图像序列中包含了比静态图像更多的有用信息。运动对象的检测与提取,是将视频图像序列划分成若干的运动对象,并在时间轴上对这些运动对象进行跟踪,为以后的研究工作奠定基础,如基于对象的编码技术以及基于内容的视频检索等。目标跟踪则是随着数字视频技术的发展及应用而产生的一个新的研究课题,其在军事以及民用等诸多领域中有着广泛的应用。 本文主要研究了基于视频序列运动目标检测与跟踪的基本理论和关键技术。重点研究背景模型下运动目标的检测和提取,运动目标阴影的处理,以及运动目标跟踪等方面的内容。 论文首先对的相关背景知识作了介绍。其中包括目标检测与跟踪系统中采用的运动约束假设和外部环境约束假设;目标检测技术采用的主要算法,包括静态图像中的目标检测和运动目标检测;目标跟踪基础知识,包括跟踪的基本概念,目标的常用的四种表示方法等。 在运动目标检测研究方面,首先介绍了当前主要目标检测和提取算法的原理,通过试验对帧间差分法和自适应背景相减法进行分析。在此基础上提出将背景减除与帧间差分方法结合的目标检测算法。实验表明,该方法能够在较大程度上满足系统的要求,提高检测结果精度。针对阴影对目标检测造成的不利影响,最后本论文还总结了目标抑制阴影的几种算法。 在运动目标跟踪研究方面,首先归纳了在目标跟踪中常被采用的视觉特征、统计特征、变换系数特征和代数特征;分析了目标的三种线性运动模型;阐述了目标特征搜索匹配的主要算法,并重点研究了基于目标颜色直方图特征的均值偏移目标跟踪算法(Mean-ShiftAlgorithm),在此基础上提出了一种联合目标位置预测的改进的跟踪算法,通过对均值偏移算法和改进的跟踪算法通过的分析和实验比较,表明本论文的改进跟踪算法较均值偏移跟踪算法由于利用了目标的空间位置信息,提高了目标跟踪的可靠性和有效性。
在人所感知到的环境信息中,视觉信息占了非常大的比重,其中动态视觉信息更是其主要组成部分.感知环境中的这些动态视觉信息已成为计算机视觉的一个重要的研究方向.运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题,在许多领域有着广泛的应用. 本文主要研究了基于DSP的运动目标检测与跟踪问题,包括硬件平台的构建和运动检测跟踪算法软件设计与实现. 在运动目标检测部分,介绍了现有的几种常用的检测算法,针对传统帧差算法,检测出的运动目标不够完整的缺点,进行了改进;针对传统的背景重建算法运算量大,耗时的缺点,提出基于块的背景重建,均通过实验验证了方法的有效性. 在运动目标跟踪部分,首先介绍了Kalman滤波的基本原理,在此基础上提出了基于Kalman滤波的跟踪算法;然后详细分析了本文目标跟踪系统所采用的波门算法,为后面系统的实现打下了理论基础. 详细介绍了基于DAM6416P图像处理平台的跟踪系统的实现, 整个系统工作过程为DSP先对采集到的图像进行预处理,然后采用帧差法检测运动目标,接着采用基于双波门算法根据目标的质心位置来判断是否移动云台以及云台移动方向,从而实现对运动目标的实时跟踪. 从实验数据与结果看,本文研究的跟踪系统在一定条件下能够准确、及时地检测跟踪目标,达到了预期效果.
2.学位论文何西华视频运动目标检测与跟踪算法研究2008
视频环境的运动目标检测与跟踪是当前计算机视觉研究中一个非常活跃的领域。计算机视觉研究的目标是使计算机具有通过一幅或多幅图像认知周围环境信息的能力。运动图像序列中包含了比静态图像更多的有用信息。运动对象的检测与提取,是将视频图像序列划分成若干的运动对象,并在时间轴上对这些运动对象进行跟踪,为以后的研究工作奠定基础,如基于对象的编码技术以及基于内容的视频检索等。目标跟踪则是随着数字视频技术的发展及应用而产生的一个新的研究课题,其在军事以及民用等诸多领域中有着广泛的应用。 本文主要研究了基于视频序列运动目标检测与跟踪的基本理论和关键技术。重点研究背景模型下运动目标的检测和提取,运动目标阴影的处理,以及运动目标跟踪等方面的内容。 论文首先对的相关背景知识作了介绍。其中包括目标检测与跟踪系统中采用的运动约束假设和外部环境约束假设;目标检测技术采用的主要算法,包括静态图像中的目标检测和运动目标检测;目标跟踪基础知识,包括跟踪的基本概念,目标的常用的四种表示方法等。 在运动目标检测研究方面,首先介绍了当前主要目标检测和提取算法的原理,通过试验对帧间差分法和自适应背景相减法进行分析。在此基础上提出将背景减除与帧间差分方法结合的目标检测算法。实验表明,该方法能够在较大程度上满足系统的要求,提高检测结果精度。针对阴影对目标检测造成的不利影响,最后本论文还总结了目标抑制阴影的几种算法。 在运动目标跟踪研究方面,首先归纳了在目标跟踪中常被采用的视觉特征、统计特征、变换系数特征和代数特征;分析了目标的三种线性运动模型;阐述了目标特征搜索匹配的主要算法,并重点研究了基于目标颜色直方图特征的均值偏移目标跟踪算法(Mean-ShiftAlgorithm),在此基础上提出了一种联合目标位置预测的改进的跟踪算法,通过对均值偏移算法和改进的跟踪算法通过的分析和实验比较,表明本论文的改进跟踪算法较均值偏移跟踪算法由于利用了目标的空间位置信息,提高了目标跟踪的可靠性和有效性。
halcon——缺陷检测常用方法总结（光度立体）
halcon——缺陷检测常⽤⽅法总结（光度⽴体）引⾔机器视觉中缺陷检测分为⼀下⼏种：blob分析+特征模板匹配（定位）+差分光度⽴体特征训练测量拟合频域+空间域结合：深度学习前⼀篇总结了频域与空间域的结合使⽤，本篇就光度⽴体的缺陷检测做⼀个总结。
光度⽴体在⼯业领域，表⾯检测是⼀个⾮常⼴泛的应⽤领域。
在halcon中，使⽤增强的光度⽴体视觉⽅法，三维表⾯检测被加强。
利⽤阴影可⽅便快速的检测物体表⾯的缺⼝或凹痕。
使⽤光度⽴体视觉⽅法可在复杂图像中轻松找到表⾯缺陷。
适⽤场景：光度⽴体法可以看作是2.5维，适⽤于检测⾦属物料上⾯的凹凸特征。
函数原理：1.通过photometric_stereo算⼦获得表⾯梯度图像，该算⼦可以得到表⾯梯度图像和反照率图像。
需要输⼊多张从不同⾓度照明所得到的图像。
2.通过derivate_vector_field算⼦获得⾼斯（平均）曲率图像，该算⼦中需要输⼊表⾯梯度图像。
光源：光度⽴体法不需要特殊的光源，只需要从不同的⾓度打光⽽已。
1 光度⽴体法的典型应⽤：光度⽴体法的典型应⽤是检测物体表⾯微⼩变化，例如，受打光⽅向影响的缺陷。
⽐如⾮平⾯的打印检测（个⼈理解：普通打光⽅式受光线影响特征成像不理想，可以通过光度⽴体法检测）。
值得注意的是：光度⽴体法不适⽤于绝对⾼度的重建，也就是说，它不能替代传统的3D重建算法，如对焦测距和激光三⾓测量。
2 光度⽴体法的局限性：光度⽴体法基于Woodham算法。
因此：⼀⽅⾯假定相机是⽆畸变成像，也就是说必须使⽤远⼼镜头或者长焦镜头。
另⼀⽅⾯假定每⼀个光源发射的光束都是平⾏且均匀的，也就是说必须使⽤具有均匀强度的远⼼照明光源，或者使⽤远距离的点光源代替。
此外，物体必须具有朗伯反射特性，即它必须以漫反射的⽅式反射⼊射光。
有镜⾯反射的物体或者区域（镜⼦或者光滑的表⾯）不能使⽤此⽅法，会得到⼀个错误的结果。
3 采集图像设置：带有远⼼镜头的相机必须与被测物体表⾯垂直安装，在采集多幅图像时，⼀定要保证相机和物体不被移动。
《智能视频监控》PPT课件
IVS研究现状
➢1997年，美国国防高级研究项目署设立了以卡内基梅隆大学牵头，麻省理工学院等高 校参与的视觉监控重大项目VSAM，主要研究用于战场及普通民用场景监控的自动视频 理解技术
➢美国康奈尔大学计算机系设计了一套航拍视频检测与持续跟踪系统，该系统能够对多 运动目标实现长时间的准确跟踪，即使发生短时间内目标被遮挡或目标时静时动的情况
➢公安部主导的“平安城市”计划，促进了视 频监控市场的迅速增长，全国约有200万个监 控摄像机用于城市监控与报警系统。
➢青藏铁路全线1300路通道采用视频分析，对 全线铁路进行入侵保护。
1 vs 1
1 vs N
智能视频监控系统是利用计算机视觉技术，在不需要 人为干预的情况下，对视频信号进行处理、分析和理 解，并对视频监控系统进行控制，从而使视频监控系 统具有像人一样的智能。
目标跟踪依据目标及其所在的环境，选择能唯一表示目标的特征，并在后续 帧中搜索与该特征最匹配的目标位置。常用的跟踪算法包括：基于特征的跟 踪算法，基于3D模型的跟踪，基于主动轮廓模型的跟踪以及基于运动估计的 跟踪等。
目标分类利用一些图像特征值实现目标类型（一般是人和车）的甄别。用于 目标分类的特征有空间特征和时间特征两种，空间特征包括目标轮廓、目标 尺寸、目标纹理等，时间特征包括目标大小的变化、运动的速度等。
可应用于监控物理周界和虚拟周界的区域监视是否有目标迚入或预迚入可用于监控边界监狱机场化学基地等周界1997年美国国防高级研究项目署设立了以卡内基梅隆大学牵头麻省理工学院等高校参与的视觉监控重大项目vsam主要研究用于战场及普通民用场景监控的自动视频理解技术美国康奈尔大学计算机系设计了一套航拍视频检测与持续跟踪系统该系统能够对多运动目标实现长时间的准确跟踪即使发生短时间内目标被遮挡或目标时静时动的情况2005年美国中央佛罗里达大学计算机视觉实验室开发出了基于matlab的cocoa系统用于无人机低空航拍视频图像的目标检测与跟踪处理2003年由欧盟发起法国的silogic公司和英国的雷丁大学等十几家机构参与研究的avitrack项目该系统主要针对机场停机坪周围的环境检测和跟踪停机坪中出现的飞机汽车以及行人等其目的是为机场管理者所关心的机场流量及调度形成一个强有力的决策辅助工具以便提高机场的利用率同时对机场的安全提供一个有力的保障
一种基于统计模型的前景阴影消除算法杨志邦
1
引
言
是图像领域难解问题之一 行了研究
［914 ］
［7 ， 8 ］
． 国内外诸多学者专家对其进
． 本文在运动目标检测算法所获得的前景基础
运动目标检测是从实时变化的背景中将运动物体快速准 确地分离出来， 它在智能视频监控、 事故检测、 自动导航等系 统中具 有 广 泛 的 应 用 前 景， 已经成为视觉领域研究的重 点
Email： yangzhibang2006@ 126． com
摘
要： 视频图像中存在的阴影是影响运动目标检测效果的关 键 因 素 之 一， 对 阴 影进行 检 测 和 消 除 已 成为 运 动 检 测中 的 重 要 研究内容． 针对阴影消除问题， 本文采用直方图统计方法， 将阴影特征引入到传统混合高斯模型中， 基于统计特征建立阴影高 斯 模型; 在模型基础上， 提出一种新的前景阴影消除算法， 将前景像素 与 阴 影模型进行 匹 配， 实 现 阴 影的 判 定和 消 除． 与 同 类 算法 : 在阴影检测率和阴影区分度上均有显著提升． 的对比分析表明 本文算法对于不同场景下的阴影消除是准确且实时的， 关 键 词： 运动目标检测； 统计特征； 高斯模型； 前景； 阴影消除 1220 （ 2013 ） 02042306 中图分类号： TP391 文献标识码： A 文 章 编 号： 1000-
［13 ］
上， 对阴影消除算法进行研究 ． 阴影消除过程需要 使 用 阴 影 特 征， 主要包括纹理和属 性
［4 ］
． 基于纹理的阴影消除算法认为： 阴影区域跟无阴影区
．
运动目标检测主要依据前景的运动特征从背景中提取运 动目标， 采用的方法包括帧差法 、 背景差法、 光流法等． 由于阴 影具有与运动物体相同的运动特征， 通常被误检测为前景． 如 果阴影和运动物体融合， 将影响目标的几何特征； 如果阴影与 运动目标相分离， 则容易被误检测为新的目标
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
） ∑ （ ｘ － ｐ ） ）
求似 然 函数 最 大 的一 个 参 数作 为估 计 ． 由于 参 数
基金项目 ： 福 建 省 科 技 计 划 重 点 资 助项 目（ ２ ０ １ １ Ｙ０ ０ ４ ９ ） ； 武 夷 学 院 国 家级 大 学 生 创 新 训 练 资 助 项 目（ ２ ｏ １ ２ １ ｏ ３ ９ ７ ０ ｏ ７ ）
摘 要 ： 分 析 了混合 高斯模 型 阴影检 测 算法 的不足 ， 提 出 了一种 基 于 贝 叶斯 更新 的多高 斯 模 型 阴
影检测 算 法． 基于 Ｐ ｏ ｒ ｉ ｋ ｌ ｉ 提 出的阴影 流算 法 ， 根据 实 际情况 改进 了其 中的 阴影 区域 预分 类 算 法 ， 更
新 了贝叶斯 参数 ， 最后 检测 阴影． 实验 结果证 明 了该方 法 的有效 性．
关 键词 ：混合高 斯模 型 ；阴影 检测 ；背景模 型 ；贝 叶斯更 新
中图分 类号 ： ＴＰ ３ ９ １ ． ４ １ 文 献 标 志 码 ：Ａ
Ａ ｎ ｅ ｗ ｓ ｈａ ｄ ｏ ｗ ｒ ｅ ｍｏ ｖ ａ ｌ ｍｅ ｔ ｈｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｉ ｌ ｌ ｕ ｍｉ ｎａ ｔ ｉ ｏ ｎ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｍ ｉ ｘ ｔ ｕ ｒ ｅ ｇ ａ ｕ ｓ ｓ ｉ ａ ｎ ｍｏ ｄ ｅ ｌ ；ｓ ｈ ａ ｄ ｏ ｗ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ；ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｍｏ ｄ ｅ ｌ ；Ｂ ａ ｙ ｅ ｓ ｉ ａ ｎ ｕ ｐ ｄ ａ ｔ ｉ ｎ ｇ
ＳＨ Ｉ Ｇｕ ｉ — ｍｉ ｎ
（ Ｄｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ｏ ｆ Ｍａ ｔ ｈ ｅ ｍａ ｔ ｉ ｃ ｓ ａ ｎ ｄ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ ，Ｗ ｕ ｙ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｗ ｕ ｙ ｉ ｓ ｈ ａ ｎ ３ ５ ４ ３ ０ ０，Ｃｈ ｉ ｎ ａ ）
Ｖｏ ｌ Ｉ ２ ７ Ｎｏ ． ３
Ｍａ ｙ ２０ １ ３
文 章编 号 ： １ ６ ７ ２ — ６ １ ９ ７ （ ２ ０ １ ３ ） ０ ３ — ０ ０ ３ ２ — ０ ３
一
种 多 高 斯模 型下 的 阴影 检测 方 法
石 贵 民
（ 武夷 学 院 数 学 与计算机 系 ，福建 武夷 山 ３ ５ ４ ３ ０ ０ ）
第 ２ ７卷 第 ３期
２ ０ １ ３年 ５月
山 东 理 工 大 学 学 报（ 自 然 科 学 版）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｈ ａ ｎ ｄ ｏ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ （ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅｄ ｉ ｔ ｉ ｏ ｎ ）
子 分布 ． ｐ 是每 个子 分布 的 均值向 量， ∑ 是 协方 差
矩 阵．
是混 合 高斯模 型对 初 始 参数 较 敏 感 ． 本 文 提 出基 于 贝 叶斯更 新 的多高斯 模 型 阴影 检测 算法 来克 服这 一 问题 ， 该算 法是 基 于 Ｐ ｏ ｒ ｉ ｋ ｌ ｉ 等 提 出的 阴影 流算 法 改
进 的 ． Leabharlann ２ 混 合 高 斯 模 型
混合高 斯模 型 。 可表 示为
Ｍ
ｐ （ ｘ ／ ２ ） 一∑Ｐ ｂ （ ）
１ 多元 正 态 分 布
一
（ ２ ）
其 中 （ 一 １ ， …， Ｍ） 是混 合权 重 ， 混 合权 重 的值满
Ｍ
个 Ｍ 阶 的多元 正 态 分 布 模 型 的概 率 密度 函
足 Ｐ 一 １
（ ３ ）
数是 由 Ｍ 个 高斯概 率密 度 函数组成 ：
将 混合 高斯模 型 表示 为
一
一
收 稿 日期 ：２ ０ １ ３— ０ ４一Ｏ １
ｅ ｘ ｐ （ － 丢 ｃ —
（ １ ）
（ Ｐ ， ， ∑ ）ｉ 一１ ， …， Ｍ
（ ４ ）
最大似 然 估 计是 一 种 常见 的方 法 ， 其本 质 就 是
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔｈｅ ｐ ａ ｐｅ ｒ ａ ｎａ ｌ ｙ ｚ ｅ ｄ ｔ ｈｅ ｓ ｈｏ ｒ ｔ ｃ ｏｍｉ ｎ ｇ ｏ ｆ ｍｉ ｘｔ ｕ ｒ ｅ Ｇａ ｕｓ ｓ ｉ ａ ｎ ｍｏｄ ｅ ｌ ，ｐｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ａ ｓ ｈ ａ ｄｏ ｗ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｂａ ｓ ｅ ｄ ｏ ｎ Ｂａ ｙ ｅ ｓ ｉ ａ ｎ ｕ ｐｄ ａ ｔ ｉ ｎｇ ｗｈｉ ｃ ｈ ｗａ ｓ ｓ ｉ ｍｉ ｌ ａ ｒ ｔ ｏ ｓ ｈ ａ ｄ ｏｗ ｆ ｌ ｏ ｗ ａ ｌ ｇ ｏｒ ｉ ｔ ｈｍ ．Ｔｈｅ ｎｅ ｗ ｍｅ ｔ ｈｏ ｄ ｉ ｍｐｒ ｏ ｖｅ ｄ ｉ ｔ ｓ ｓ ｈ ａ ｄｏ ｗ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｅ ｒ ，ｕｐ ｄａ ｔ ｅ ｄ Ｂａ ｙｅ ｓ ｉ ａ ｎ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ，ａ ｎ ｄ ｔ ｈｅ ｎ ｄ ｅ ｔ ｅ ｃ ｔ ｅ ｄ ｔ ｈｅ ｓ ｈａ ｄ ｏ ｗ ．Ｔｈｅ ｅ ｘｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈｅ ｍｅ ｔ ｈ ｏｄ ｉ ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖｅ ．
由于 目标 的运 动或拍 摄 过程 中相 机 抖 动 ， 固定
其 中 是一个 Ｄ 维 随机 向量 ， ｂ （ ｚ ） ｉ 一１ ， …， Ｍ 是
位置 像 素值 常常显 示 出 非单 峰 分 布 的 特点 ， 所 以 用
单 峰模 型表述 场 景往 往 不 能 准确 模 拟 背 景 的变 化 ． Ｓ ｔ ａ ｕ ｆ ｆ ｅ ｒ ｍＬ １ 提 出高斯 混合模 型来 模拟 一个 场 景 ， 但