第一篇：運動目標檢測方法總結(jié)報告

摘要

由于計算機技術(shù)的迅猛發(fā)展，使得基于內(nèi)容的視頻信息的存取、操作和檢索不僅成為一種可能，更成為一種需要。同時，基于內(nèi)容的視頻編碼標準MPEG-4和基于內(nèi)容的視頻描述標準MPEG-7正在發(fā)展和完善。因此提取和視頻中具有語義的運動目標是一個急需解決的問題。運動目標提取和檢測作為視頻和圖像處理領(lǐng)域的重要研究領(lǐng)域，有很強的研究和應(yīng)用價值。運動檢測就是將運動目標從含有背景的圖像中分離出來，如果僅僅依靠一種檢測算法，難以從復雜的自然圖像序列中完整地檢測出運動的目標。較高的檢測精度和效率十分重要，因此融合多種檢測方法的研究越來越受到重視。本文介紹了幾種國內(nèi)外文獻中的經(jīng)典的視頻運動目標的檢測和提取算法，并對各種方法進行了評價和總結(jié)。首先介紹了基本的運動目標檢測的基本知識和理論，然后介紹了基本的幾種目標檢測方法及其各種改進方法。對今后的運動目標檢測提取的相關(guān)研究提供一定的參考。

關(guān)鍵詞：運動目標檢測 光流法 幀差法 背景建模方法

摘要 i

ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video.At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving.Therefore, it is an urgent problem to be solved in the extraction and video.Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value.Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target.Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important.In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized.Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced.To provide a reference for the research on the extraction of moving target detection in the future.Keywords: Visual tracking

Optical flow method

Frame Difference

Background modeling method

ii ABSTRACT

目錄

摘要...................................................................................................................................0 ABSTRACT.....................................................................................................................1 第一章 緒論....................................................................................................................3

1.1 研究背景及意義................................................................................................................4 1.2 研究現(xiàn)狀............................................................................................................................4

第二章 經(jīng)典的運動目標檢測算法................................................................................5

2.1 光流法................................................................................................................................5 2.2 幀差法................................................................................................................................5 2.3 背景差分法........................................................................................................................7

第三章 改進的運動目標檢測算法................................................................................9

3.1 改進的三幀差分法............................................................................................................9 3.2 幀間差分法與光流法結(jié)合..............................................................................................10 3.3 改進的背景建模算法......................................................................................................11

第四章 總結(jié)..................................................................................................................13 參考文獻：....................................................................................................................16

目錄 i 2 運動目標檢測方法研究總結(jié)

第一章 緒論

1.1 研究背景及意義

近幾十年來，在科學技術(shù)飛速發(fā)展的條件下，視頻與圖像處理技術(shù)不斷提高，各種各樣的視頻監(jiān)控產(chǎn)品已經(jīng)走入了人們的視野，并且在給我們的生活帶了很多方便。視頻監(jiān)控系統(tǒng)的研究技術(shù)涉及到視頻圖像處理、計算機視覺、模式識別以及人工智能等科學領(lǐng)域。視頻監(jiān)控系統(tǒng)多數(shù)要求監(jiān)控人員長期盯著監(jiān)控屏幕，進行人為的分析判斷，這樣容易因為監(jiān)控人員的疏忽造成重要信息的遺漏。為此，人們開始將計算機領(lǐng)域的相關(guān)技術(shù)引入到視頻監(jiān)控系統(tǒng)中，形成智能監(jiān)控系統(tǒng)[1,2,3,4]。智能監(jiān)控系統(tǒng)可以在沒有人為干預(yù)的條件下，利用計算機視覺的相關(guān)技術(shù)來對視頻序列圖像進行智能的分析，實現(xiàn)對運動目標的檢測、跟蹤、分類和識別等?，F(xiàn)在，運動目標檢測技術(shù)不僅應(yīng)用在發(fā)電站、商場、銀行、民宅、廣場和火車站等公共場所的智能監(jiān)控系統(tǒng)中，而且在其他的領(lǐng)域也有十分廣泛的應(yīng)用。

1.2 研究現(xiàn)狀

目前，基于視頻的運動目標檢測算法主要有三種：光流法、幀差法和背景差分法，這三種算法都有各自的優(yōu)缺點。1981 年，Horn 和 Schunck 通過將二維速度場與圖像灰度相聯(lián)系，從而引入了光流約束方程，得到一個計算光流的基本方法[5]。Meyer 等人[6]在對光流法進行了深入研究的基礎(chǔ)上，提出在光流場中采用基于輪廓的跟蹤方法，該方法在攝像機運動的情況下能夠有效的對運動目標進行檢測和跟蹤。Barron 等人[7]通過使用簡單而有效的門限，先分割圖像，再計算光流，通過消除雜亂的背景光流來得到較好的目標光流。Roland 等人[8]利用相鄰幀差，通過局部閾值的迭代松弛技術(shù)實現(xiàn)圖像邊緣的光滑濾波。甘明剛等人[9]提出一種三幀差分和邊緣信息相結(jié)合的運動目標檢測算法，該算法有效地改善了一些情況下幀間差分法會出現(xiàn)“雙影現(xiàn)象”的問題。郝豪剛和陳佳琪等人[10]提出五幀差分法和景差分法相結(jié)合的運動目標檢測算法，該算法利用背景差分法和幀間差分法性能上的互補來得較好的檢測結(jié)果。背景差分法有均值法、中值法、核密度估計法、Surendra 背景更新、單高斯模型和混合高斯模型等，從 20 世紀以來，相繼出現(xiàn) 第一章 緒論 1 了一批批成熟的背景差分法，Wren 等人[11]提出了單高斯模型，該方法在單一背景下能夠獲得較好的檢測結(jié)果，但是不適合復雜背景。Stauffer 等人[12]在單高斯模型的基礎(chǔ)上提出了混合高斯模型，混合高斯模型在外界環(huán)境比較復雜的條件下仍然可以得到很好的檢測效果。左軍毅等人[13]提出時間平均模型和混合高斯模型雙模式切換式的運動目標檢測算法。除了以上三種的算法外，還有一些學者嘗試采用其他的算法進行運動目標檢測，例如，郝志成和吳川等人[14]提出的基于穩(wěn)定矩陣的動態(tài)圖像運動目標檢測算法，該算法通過在短時間內(nèi)自動的感知背景變來快速的建立背景模型。近年來，越來越多的研究機構(gòu)和學者都參與到基于視頻的運動目標檢測的研究之中，并提出很多有效的、新穎的方法。但是仍存在一些問題善待提高，所以找到一種檢測精度高、魯棒性好的運動目標檢測算法依然是我們?yōu)橹Φ姆较颉?/p>

運動目標檢測方法研究總結(jié)

第二章 經(jīng)典的運動目標檢測算法

2.1 光流法

空間中物體的運動可以用運動場來描述，同樣可以通過序列圖像中不同圖像的灰度分布差異體現(xiàn)圖像平面變化，對比空間中的運動場，體現(xiàn)在圖像上表現(xiàn)為光流場。在運動的某一個時刻，為圖像中的各個像素點賦一個速度的矢量，這樣就成為了一個圖像的運動場。由于空間物體上的點與圖像上的點通過投影關(guān)系可以一一對應(yīng)，則根據(jù)各個像素點的速度矢量的變化特征可以對圖像進行動態(tài)分析[16]。當圖像中沒有目標運動時，在整個圖像區(qū)域中光流矢量的變化是連續(xù)的；而當圖像中有運動目標時，圖像的背景和目標就會有相對的運動，那么目標運動所形成的速度矢量必然和鄰域背景速度矢量不同，由此能夠檢測出運動目標的位置。光流法利用圖像的灰度信息的變化從序列圖像中計算出速度場，然后加上一些約束條件，從而推出運動目標的運動參數(shù)和物體結(jié)構(gòu)[17]。

光流法事先不需要知道場景的任何信息，就可以準確的計算出運動物體的速度。它不僅能應(yīng)用于靜態(tài)背景下的運動目標檢測，而且可以用于攝像機運動的情況，實現(xiàn)動態(tài)背景下的運動目標檢測。它的缺點是：光流法的特點是要進行迭代運算，精度越高需要的計算量就越大，因此，光流法的計算量大，運算時間長，是一種比較耗時的算法，很難滿足工程上對實時性的要求；光流法的抗噪性能差，例如，當光照發(fā)生變化時，即使沒有運動發(fā)生，光流仍然存在，會被誤檢測為有目標運動，同時，如果缺少足夠的灰度級變化，目標運動物體很難被檢測到；當三維物體的運動投影到二維的圖像時，亮度會有變化，從而導致通過光流約束是計算不出平面某點的圖像速度流；使用光流法對運動目標進行檢測，需要特定的硬件設(shè)備的支持。已經(jīng)有一些學者針對光流法所存在的缺點進行了改進，相信未來光流法能夠得到更好的實際應(yīng)用。

2.2 幀差法

幀差法[18]又叫時間差分法，它通過將視頻序列圖像中的當前幀與相鄰幀所對 第二章 經(jīng)典的運動目標檢測算法 3 應(yīng)的像素點的灰度值進行比較，然后找到差異，進而檢測出運動目標[19]。在視頻序列圖像中，相鄰的圖像之間具有連續(xù)性，當視頻圖像中有運動目標時，由于運動目標的運動，相鄰圖像間的像素點灰度值差別就會較大，相反，當視頻圖像中沒有運動目標時，相鄰圖像間的像素點素灰度值差別就會較小，幀差法就是利用視頻圖像的這一特性進行檢測的，它是運動目標檢測的最簡單方法。幀差法是先用相鄰兩幀做差分運算，然后做二值化處理，從而檢測出運動目標。幀差法的基本運算原理框圖如下：

圖2.1 幀差法基本原理

在二值化的差分圖像中，取值為 0 的像素點代表變化較小或是無變化的區(qū)域，表示為背景區(qū)域；取值為 255 的像素點代表變化的區(qū)域，表示為運動目標。至此，大多數(shù)的運動目標的基本形狀已經(jīng)凸顯出來了。為了能夠精確的提取出運動目標，通常還需要經(jīng)過形態(tài)學處理，例如，膨脹、腐蝕、開運算、閉運算等，將斷點進行連接或者將多余的部分去掉等，從而獲得更加準確的檢測結(jié)果。

幀差法優(yōu)點是算法簡單、容易實現(xiàn)、檢測速度較快、能滿足系統(tǒng)對實時性的要求，而且一般相鄰兩幀的時間間隔比較短，因此對場景的光線變化不是特比敏感，對環(huán)境的自適應(yīng)性較強。幀差法存在著兩個主要的缺點：幀差法的檢測結(jié)果與目標運動速度和相鄰兩幀間隔大小有關(guān)。如果運動目標速度過快且兩幀時間間隔長，可能會出現(xiàn)運動目標在運動方向上前后分裂并拉長，出現(xiàn)“雙影現(xiàn)象”，最壞的情況下可能發(fā)生同一個運動目標被檢測為兩個不同的目標。如果運動目標運動過慢且兩幀時間間隔小，交疊的部分在兩幀圖像進行差分時會因差值過小而被誤判為背景區(qū)域，但是事實上這部分并不是背景區(qū)域，由此會造成目標信息的丟失，我們稱之為“空洞現(xiàn)象”，最壞的情況下可能發(fā)生目標完全重疊而不能被檢測出來。

運動目標檢測方法研究總結(jié)

2.3 背景差分法

背景差分法又叫做背景減除法，是固定場景中目標檢測算法最長用的一種檢測算法。在背景差分法中，視頻圖像分為背景圖像和前景圖像，該方法將視頻圖像中的當前圖像與背景圖片進行比較，也就是當前幀與背景幀進行差分運算，在運算結(jié)果中像素點的灰度值變化大的區(qū)域即為運動目標，因此我們也常常認為背景差分法是幀間差分法的一種特例。

背景差分法的運算原理框圖如下：

圖2.2 背景差分法基本原理框圖

提取出運動目標區(qū)域之后，可能會存在噪聲，可以對其進行后期處理，例如膨脹、腐蝕、連通域檢測等操作，從而提取出較為準確的運動目標。背景差分法的優(yōu)點是算法復雜度低，算法實現(xiàn)比較簡單，可以滿足系統(tǒng)的實時性要求，并且在運動目標檢測時一般能夠得到比較完整的特征數(shù)據(jù)。是目前最常用的一種運動目標檢測方法，尤其適用于背景固定或背景緩變的場景。該方法對外界的環(huán)境變化非常敏感，例如場景中天氣的變化，光線的改變，攝像機的顫動，樹葉的搖動等等這些外界的干擾很容易使背景點被誤判為目標點，因而影響了檢測的精度。所以該方法的難點在于建立一個符合場景需求的背景模型，而且需要有一套算法對背景模型進行更新，使背景成為實時而準確的背景。檢測效果好的背景模型往往都會比較復雜，運算量比較大，從而使得背景更新的速度減慢，無法實時地檢測出運動目標。如果背景模型更新的速度非常慢，實際上背景在不斷變化著，會 導致從背景模型得到的背景圖像不是實時的背景圖像。但是如果背景模型更新的速度過快，背景有時就會和當前圖像非常相似，背景差分法就無法檢測出運動物體。因此，建立一個合適的背景模型是背景差分法的關(guān)鍵部分，也是該算法的一個難點。第二章 經(jīng)典的運動目標檢測算法 3

運動目標檢測方法研究總結(jié)

第三章 改進的運動目標檢測算法

3.1 改進的三幀差分法

三幀差分法是對兩幀差分法的改進，它可以有效的克服兩幀差分法的一些缺點，例如，克服了兩幀差分法中的“雙影現(xiàn)象”，但是卻不能改善“空洞現(xiàn)象”，而且當運動目標和背景區(qū)域這兩部分的灰度值比較接近時，三幀差分法不能準確的檢測出運動目標的輪廓.為了改善三幀差分法檢測結(jié)果的邊緣缺失的這個缺點，王霏等人嘗試將改進的Sobel算子與三幀差分法相結(jié)合，因為圖像的邊緣信息不容易受噪聲和亮度突變的影響。改進算法的關(guān)鍵是獲得一個完整的運動目標的邊緣輪廓，針對“空洞現(xiàn)象”，通過后期的形態(tài)學處理和連通性分析相結(jié)合的方法來改善這個問題[20]。

改進的三幀差分法的基本思想是：把三幀分成兩組，分別求兩幀差分圖，進行膨脹處理之后分別和邊緣檢測結(jié)果圖相“與”，將兩個結(jié)果進行“或”運算，得到一個初步的檢測結(jié)果。然后與三幀差分法的結(jié)果進行“或”運算，得到一個更加完整的檢測結(jié)果。最后對檢測結(jié)果進行后期處理，來達到改善“空洞現(xiàn)象”和去除噪聲的目的。

(a)經(jīng)典的兩幀差分法

第三章 改進的運動目標檢測算法 7

(b)經(jīng)典的三幀差分法

(c)改進的三幀差分法

3.2 幀間差分法與光流法結(jié)合

光流法對噪聲敏感，運動目標邊緣以外附近的像素點沒有運動，但光流值不是零，出現(xiàn)了“速度漂移”。使得光流法和超像素分割的分割結(jié)果雖然不錯，但是需要調(diào)節(jié)的參數(shù)空間非常大，需要花費大量的時間來進行參數(shù)的調(diào)整，導致它的實用性較差。幀間差分法簡單易行，利用當前幀與前一幀差分，當運動目標運動過快時提取出的物體往往會出現(xiàn)雙影而且比實際要大，當運動過慢時又往往因無法檢測出重疊部分而出現(xiàn)空洞。為此，我們在光流法和超像素分割方法的基礎(chǔ)上，融合了幀間差分法來進一步快速的縮小需要調(diào)節(jié)的參數(shù)的范圍，極大的減少了人工調(diào)節(jié)的工作量。在改進的方法中，賀麗麗等人結(jié)合光流法產(chǎn)生的結(jié)果和幀間差分法的結(jié)果來提取出大致的運動區(qū)域，然后利用超像素分割進行精確的提取[21]。

利用超像素分割后的結(jié)果label，對幀間差分法得到的結(jié)果s 進行進一步的提取，由于超像素分割將圖像分割成許多含有相似特征的標記圖label，首先我們需要知道s,即已經(jīng)求出的前景區(qū)域中含有對應(yīng)標記圖中的哪些標記。當我們確定了前景區(qū)域所包含的標記后，就需要進一步的確定這些標記在s和label 中所包含的像素個數(shù)。對于s，我們統(tǒng)計出其前景區(qū)域中對應(yīng)于標記圖label 中每個標記i所包含的像素的個數(shù)為isn,標記圖label中每個標記i所包含的像素的個數(shù)為n，我們認為isn與n 之間的關(guān)系，將成為提取前景目標最重要的衡量標準。如果它們的比值小于某一個值T 時，則將Label中對應(yīng)于標記i的像素值設(shè)為0，否則,Label中對應(yīng)于i的像素值設(shè)為 1。原始圖像t 中對應(yīng)于 Label中等于 0 的位置也標記為 0；因此我們得到了提取出的運動目標圖。

運動目標檢測方法研究總結(jié)

3.3 改進的背景建模算法

針對傳統(tǒng)混合高斯背景建模算法，由于受到算法的限制，每個像素點的模型個數(shù)是固定不變的。后來，等人提出了基于最大似然估計的像素點背景模型個數(shù)自適應(yīng)選擇方法。但由于該方法人為地引入了負的先驗系數(shù)，使得在更新過程中高斯成分的權(quán)重有可能被不合理地負更新。王永忠等人在傳統(tǒng)混合高斯背景建模的基礎(chǔ)上，提出一種了自適應(yīng)選擇混合高斯模型個數(shù)的策略，孫麗等在此基礎(chǔ)上提出了新的算法。

其算法的基本思想是對于每幀，在圖像所有像素的模型總個數(shù)固定的情況下，對于頻繁變化的背景點，當未達到像素點自身的模型個數(shù)上限且不超過圖像模型總個數(shù)的前提下，可以“借用”相對穩(wěn)定的區(qū)域像素點的未用模型個數(shù)的名額，用個數(shù)不定的模型來描述該像素點可能的背景。根據(jù)模型的轉(zhuǎn)化規(guī)則，通過刪除模型、增加模型、替換模型來動態(tài)分配模型個數(shù)及模型的參數(shù)更新，并實現(xiàn)背景模型的生成，從而使得背景模型個數(shù)能夠隨著場景的變化動態(tài)調(diào)整。

在當前時刻，每個像素點都有自己的初始模型，這些模型根據(jù)一定的閾值條件，被劃分成背景模型和候選背景模型。背景模型和候選背景模型都有自我更新并保持自身模型的狀態(tài)。當候選背景模型滿足一定的條件后，轉(zhuǎn)化成背景模型，而背景模型和候選模型通過刪除模型的機制來達到終止模型狀態(tài)。本文的背景建模算法在不增加模型總個數(shù)的前提下，通過動態(tài)刪除模型、增加模型以及模型間的轉(zhuǎn)化三種處理機制，分配不定個數(shù)的背景模型，并自適應(yīng)更新參數(shù)。

實驗表明，該算法能夠較好的處理復雜動態(tài)場景中背景的頻繁變化如樹枝葉搖曳、水面波動和噴泉，并在構(gòu)建背景過程中，一定程度上克服了前景運動目標的影響。與傳統(tǒng)的運動目標檢測算法相比，本文算法對動態(tài)變化背景的描述能力更強，處理速度更快，符合實際場景中運動目標檢測的實時性和準確性要求[22]。

第三章 改進的運動目標檢測算法 7 12 運動目標檢測方法研究總結(jié)

第四章 總結(jié)

運動目標檢測是計算機視覺中富有挑戰(zhàn)性的課題之一，對其展開研究具有重要的應(yīng)用價值和理論意義。本文首先總結(jié)研究了現(xiàn)存的三種經(jīng)典的運動目標檢測算法：光流法、幀差法和背景差分法，并對分析了它們的優(yōu)缺點。光流法不需要預(yù)先知道有關(guān)場景信息，可以支持攝像機的運動，但是計算復雜度高、耗時長、抗噪性能差，目前沒有較好的通用硬件支持。幀差法是將相鄰的兩幀圖像對應(yīng)像素點進行相減而得到運動目標，能夠適應(yīng)光照突變，運算速度快、算法簡單，但是檢測結(jié)果容易出現(xiàn)“空洞現(xiàn)象”和“雙影現(xiàn)象”，它適用于對實時性要求高，對檢測的目標信息要求不高的場景中。背景差分法是將當前圖像幀和建立的背景圖片相減來得到運動目標，該算法復雜度不高，可以滿足系統(tǒng)對實時性的要求，背景模型的建立對該方法的實現(xiàn)會產(chǎn)生至關(guān)重要的作用然后。

然后介紹了幾種改進的檢測算法，改進的三幀差分法將改進的 Sobel 邊緣檢測算子引入到三幀差分法中，因為圖像的邊緣信息不容易受噪聲和亮度突變的影響，所以將三幀差分法和改進的 Sobel 算子相結(jié)合彌補了三幀差分法不能將運動目標輪廓完整檢測出來的缺點。然后對檢測結(jié)果進行后期處理，達到改善空洞現(xiàn)象和去噪的目的。最后通過實驗對比經(jīng)典三幀差分法和改進的三幀差分法的檢測效果，結(jié)果表明改進的三幀差分法的檢測結(jié)果準確性更高。利用光流場獲得粗略的運動區(qū)域，將光流值經(jīng)過濾波，二值化和形態(tài)學處理，獲得大概的運動目標區(qū)域。利用幀間差分法將相鄰兩幀圖像中變化的區(qū)域提取出來，通過結(jié)合光流法和幀間差分法的結(jié)果，進一步將運動目標的提取鎖定在一個更加準確的范圍內(nèi)。背景建模法對于每幀，在所有圖像像素模型總個數(shù)固定的情況下，對于頻繁變化的背景點，當未達到像素點自身的模型個數(shù)上限且不超過圖像模型總個數(shù)的前提下，可以借用相對穩(wěn)定的區(qū)域像素點的未用模型個數(shù)的名額，用個數(shù)不定的模型來描述該像素點可能的背景，從而實現(xiàn)背景模型的動態(tài)分配及更新。并基于像素的時域信息，用不包含該像素點在內(nèi)的小鄰域內(nèi)所有像素點的背景模型與當前點進行匹配，判斷其是否為前景點，以此消除動態(tài)背景干擾的影響。這些算法都將為今后的研究提供參考和依據(jù)。第四章 總結(jié) 11 14 運動目標檢測方法研究總結(jié)

參考文獻：

[1] 岡薩雷斯.數(shù)字圖像處理(第二版)[M].北京:電子工業(yè)出版社, 2003:1-115.[2] Stauffer C, Grimson W E L.Learning Patterns of Activity Using Real-time Tracking [J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8):747-757.[3] H.Akaike.A New Look at the Statistical Model Identification.IEEE Transaction on Automatic Control, 1974, 19(6):716-723.[4] 朱宏.基于視頻序列的運動目標檢測與跟蹤技術(shù)研究[D].西南交通大學碩士學位文,2008:1-5.[5] B K P Horn, B G Schunck.Determing Optical Flow [M].Artificial Intelligence, 1981:185-203.[6] Meyer D.Model Based Extraction of Articulated Objects in Image Sequences for Gait Analysis[C].Proe IEEE International Conference on Image Processing, Santa Barbara, California, 1997:78-81.[7] J L Barren, D J Fleet, S S Beauchemin.Performance of Optical Flow Techinques, Computer Vision, 2004, 12(1):43-77.[8] Roland M, Michael W.A Noise Robust Method for Shape Estimation of Moving Objects in Video Sequences Considering a Moving Camera [M].In Signal Processing, 1998:203-217.[9] 甘明剛, 陳杰, 劉勁.一種基于三幀差分和邊緣信息的運動目標檢測方法[J].電子與信息學報, 2010:894-897.[10] 郝毫剛, 陳家琪.基于五幀差分和背景差分的運動目標檢測算法[J].計算機工程, 2012, 38(4): 146-148.[11] Wren C.Real-Time Traeking of the Human Body [J].IEEE Transactions on Pattern Analysis and Machine Intelligenee, 1997, 19(7):780-785.[12] Stauffer C, Grimson E.Learning Patterns of Activity Using Real-Time Tracking [C].In IEEE [13] 左軍毅, 潘泉.基于模型切換的自適應(yīng)背景建模方法[J].自動化學報, 2007, 5(33):467-472.[14] Transactions on Pattern Recognition and Machine Intelligence(TPAMI), 2000, 22(8):747-757.[15] Xuming Zhang.Impulse Noise Removal Using Directional Difference Based Noise Detector 參考文獻 13

and Adaptive Weighted Mean Filter [J].Signal Processing Letters, IEEE, 2009, 16(4):295-298.[16] Gao P, Sun X, Wang W.Moving Object Detection based on Kirsch Operator Combined with Optical Flow[C].Image Analysis and Signal Processing(IASP), 2010 International Conference on.IEEE, 2010: 620-624.[17] Wixson L.Detecting Salient Motion by Accumulating Directionally Consistent Flow[J].IEEE Trans, Pattern Analysis and Machine Intelligence, 2000(22):774-780.[18] Seki M, Fujiwara H, Sumi K.A Robust Background Subtraction Method for Changing background [J].Proceeding of IEEE workship on Application of Computer vision, 2000:207-213.[19] Qinghua Ji, Suping Yu.Motion Object Detection Based on Adaptive Mixture Gaussian Model and Four-frame Subtraction [J].International Conference on Computational and Information Sciences, 2013:1202-1205.[20] 王霏.基于視頻的運動目標檢測算法研究[D].吉林大學, 2014.[21] 賀麗麗.視頻序列中運動目標提取方法研究[D].西安電子科技大學, 2014.[22] 孫麗.基于背景建模的運動目標檢測算法研究[D].東北大學, 2011

第二篇：運動目標跟蹤方法

方法大致可以分為四類：基于區(qū)域匹配的跟蹤方法、基于模型的跟蹤方法、基 于動態(tài)輪廓的跟蹤方法和基于特征的跟蹤方法。

(1)基于區(qū)域匹配跟蹤方法的主要思想：該方法主要是將包含運動目標的運動區(qū)域作為參考模板12引，在下一幀圖像中按照一定的搜索方法搜索模板，找 到的最優(yōu)搜索區(qū)域判定為匹配區(qū)域。該方法在理論上是十分有效，其可以獲得 豐富的目標信息，對小目標跟蹤效果好；但是當搜索范圍較大時，目標匹配會 花費大量的時間，而且如果目標發(fā)生變化或者被遮擋時，跟蹤效果會大大下降。

(2)基于模型跟蹤方法的主要思想：該方法通常會使用三種模型進行目標

跟蹤：線圖模型、2D模型、3D模型【231。在實際的應(yīng)用中，由于3D模型更接近現(xiàn)實生活中的物體，使用最多的是基于3D模型的跟蹤方法，特別是針對剛體(如 汽車、飛機等)的跟蹤。概括來說，跟蹤的方法如下：利用獲得的目標3D模型，然后針對實際的視頻序列進行目標的搜索與匹配。在實際的跟蹤環(huán)境中，3D模 型的運算量很大，而且獲得所有目標的3D模型并全部存儲是一項幾乎不可能的 任務(wù)，因此該方法的實際應(yīng)用比較少。

(3)基于動態(tài)輪廓跟蹤方法的主要思想：該方法主要是指對目標的輪廓進

行提取，即用一組封閉的輪廓曲線來描述目標，將其作為匹配的模板。此輪廓 曲線能進行自我更新以適應(yīng)非剛體目標的形狀變化12引。例如Paragan等人利用短 程線的輪廓，加入水平集理論檢測并跟蹤目標【2 5J；最經(jīng)典的算法是Michael Kass 等人在1 988年提出的主動輪廓模型(即Snake模型)的方法【2 6|，其本質(zhì)是能量 的最小化。通過不斷求解輪廓曲線能量函數(shù)的最小值，不斷調(diào)整其形狀，從而 實現(xiàn)對目標的跟蹤。該方法在簡單背景下，能夠準確的進行目標跟蹤。但其對 于背景復雜情況以及速度較快或形變較大的目標，運算速度很慢，而且對于遮 擋問題的解決不是很好，因此很少應(yīng)用于實際的監(jiān)控系統(tǒng)中。

(4)基于特征的跟蹤方法的主要思想：該方法主要是通過提取目標特定的特征集合，如角點或邊界線條等【2¨，將其作為跟蹤模板，在下一幀中搜索并進 行幀間的匹配，從而實現(xiàn)目標的跟蹤1281。改算法的優(yōu)點在于其是以目標特征為 基礎(chǔ)，因此，在目標的整體特征不完整，即目標被部分遮擋的情況下仍然可以 實現(xiàn)跟蹤。該方法是目前應(yīng)用最多的一種方法。

1．4．課題的研究內(nèi)容與論文結(jié)構(gòu)安排

運動目標檢測與跟蹤是智能視頻監(jiān)控領(lǐng)域的基礎(chǔ)與前提。本文主要是針對 靜態(tài)場景下的運動目標檢測與跟蹤，通過不斷的研究和學習，找到更好的運動 目標檢測與跟蹤方法。

本文對目前常用的目標檢測與跟蹤方法進行了原理介紹與性能分析，并在 前人的基礎(chǔ)上提出了自己的解決方案，且與原有的基于混合高斯模型的目標檢 測方法以及基于基于碼本模型的目標檢測進行了比較。在運動目標跟蹤方面采 用基于Kalman預(yù)測的Mean Shift方法，同時加入了信息量度量的方法，使得

第三篇：檢測公司年終總結(jié)報告

2016工作小結(jié)

自公司成立以來，我公司在省市等上級有關(guān)業(yè)務(wù)部門的關(guān)心指導下，以最高的質(zhì)量和誠信、最快的速度以及持續(xù)改進，滿足并超越客戶的期望為質(zhì)量方針，全方位高質(zhì)量的開展公司資質(zhì)許可范圍的檢驗檢測工作?，F(xiàn)將我公司2016工作情況簡要總結(jié)如下：

一、抓公司內(nèi)部管理工作，提高綜合實力

今年上半年，依據(jù)國家最新頒布的評審準則要求，我公司對《實驗室資質(zhì)評審準則》進行內(nèi)容宣貫學習，并將公司系列管理文件做了相應(yīng)整理及修訂工作，同時在機構(gòu)及人員，管理與服務(wù)，儀器環(huán)境和檢驗質(zhì)量等方面狠下功夫，嚴格管理，優(yōu)化配置，取得良好的開端，為下一步檢驗檢測機構(gòu)的發(fā)展打下了堅實的基礎(chǔ)。

進一步建立健全各項規(guī)章制度，并在工作中嚴格執(zhí)行，確保各項規(guī)章制度真正落到實處。我們把檢驗工作和日常工作制度化、規(guī)范化，真正做到了分工明確、相互協(xié)作、各司其職、各負其責。對人員上下班嚴格考勤，獎勤罰懶，以提高工作效率，增強組織紀律性；對檢驗人員日常學習進行定期考核，考試成績記入個人檔案并和獎勵掛鉤，以促進檢驗人員綜合素質(zhì)的提高；完善環(huán)境衛(wèi)生輪流值日制度，樹立良好形象的意識；對檢驗工作質(zhì)量跟蹤走訪、信息反饋，以促進服務(wù)意識的提高和服務(wù)質(zhì)量的提升；對檢驗報告書進行考核，以促進檢驗工作改進和質(zhì)量上的提高；對檢驗人員加強日常安全教育，以杜絕檢驗安全事故的發(fā)生。嚴格的內(nèi)部管理和考核，使我所精神面貌明顯改善。于此同時我們著手修訂機構(gòu)合并后《質(zhì)量手冊》《程序文件》《作業(yè)指導書》等系列的質(zhì)量管理文件，并且在具體工作中按照新的質(zhì)量保證體系和安全保證體系進行試運行，通過運行不斷修訂和完善，現(xiàn)在，新的質(zhì)保和安全體系已基本成熟。

二、提高檢測效率，規(guī)范檢測體系。

建筑工程檢測工作，事關(guān)建筑工程質(zhì)量安全及人身安全，為此我們嚴格按照標準規(guī)范要求進行檢測工作，對于不符合要求的工程項目及時發(fā)檢驗意見通知書，督促其進行整改，同時嚴格執(zhí)行管理上報制度，將不符合情況及事實如實呈送上級管理部門，協(xié)助排除安全隱患及整改不符合項目。由于建筑工程行業(yè)技術(shù)及材料的快速更新，目前已出現(xiàn)很多新型材料及相應(yīng)的標準規(guī)范，如樓地面新型保溫材料的輕質(zhì)混凝土的推廣，我公司時刻把握這些新技術(shù)新規(guī)范新材料的更新信息，并組織相應(yīng)人員的學習及應(yīng)用培訓工作。保持公司在技術(shù)上的先進性。

今年下半年，我公司配合市建設(shè)局相關(guān)部門，開展了全市建筑節(jié)能的專項檢驗工作，通過全面排查，對市屬范圍內(nèi)的建筑工程項目的節(jié)能實施情況有了大致的了解，同時對于一些不符合要求的項目進行了整改，確保了綠色環(huán)保節(jié)能建筑的推廣實施。同時我們還積極把某些許可的檢驗工作往外地拓展，不僅增加了業(yè)務(wù)收入，而且取得了良好的社會反應(yīng)。

三、公司業(yè)績及檢驗情況

自公司成立以來，公司業(yè)務(wù)處于不斷增長的勢頭。自2016年元旦之初，截止此次市監(jiān)督局檢查前夕，公司出具檢測報告共計615份，主要為建筑節(jié)能項目，其中檢測合格報告共計583份，不合格報告共計32份，合格率為94.8％，檢測不合格項目基本集中于保溫層厚度檢測及建筑門窗檢測報告，后期均通過市建設(shè)局督促加以整改。

四、加強公司內(nèi)部管理工作，樹立檢驗機構(gòu)新形象。

作為一家僅成立兩年的小企業(yè)，公司目前還有諸多不完善的方面，如在人員管理方面公司有一定的松散情況，在設(shè)備維護及保養(yǎng)方面缺乏一定的技術(shù)及指導經(jīng)驗，以及在人才培養(yǎng)機制方面缺乏完善架構(gòu)，這些都是公司后期需要加強改進之處。除此之外，檢測作為一家服務(wù)型機構(gòu)，公司只有提供更好的服務(wù)方式和服務(wù)態(tài)度，才能一步步發(fā)展壯大。為此，我們需開展更加廣泛的社會服務(wù)活動，用熱情服務(wù)滲透到檢驗工作的各個環(huán)節(jié)。今后，我們將積極開拓進取，進一步規(guī)范檢驗工作行為，克服存在的不足，把特檢工作推向一個新的臺階。

**有限公司 2017.1.12

第四篇：點目標檢測

點目標檢測問題是成像制導領(lǐng)域中的一個關(guān)鍵技術(shù) ,國內(nèi) 外對此提出過許多算法。文獻[1 ,2 ]對傳統(tǒng)算法進行介紹與綜 述?？傮w而言 ,實時魯棒的小目標自動檢測技術(shù)尚未完全突 破 ,仍然是當今世界高技術(shù)領(lǐng)域的熱門研究課題。目前這些傳 統(tǒng)算法為了在低信噪比條件下實現(xiàn)對點目標較高的檢測概率 , 往往需要較大的計算量和存儲量。這些限制了具體算法在空 空導彈成像導引頭上的應(yīng)用 ,從而影響了成像導引頭獲得的更 大的截獲和跟蹤距離。

近年來 ,國內(nèi)外學者利用數(shù)學形態(tài)學理論對點目標檢測問

題進行了研究 ,并取得了一些成果。J.Barnett 在文獻[ 3 ]中對 形態(tài)學方法與線性空間濾波方法進行了比較;Li Jicheng(李吉 成)等在文獻[4 ]中提出利用目標圖像尺寸的先念知識選擇結(jié) 構(gòu)元素消除背景而保留目標的方法;Horak文獻[5 ]中提出了基 于灰度形態(tài)學 T op2hat 變換的弱目標檢測方法 ,并在不含目標 的背景圖像上構(gòu)造所需要的結(jié)構(gòu)元素;Rivest、羅賢龍、Zhu Zhen fu等人在文獻[6～8 ]也分別對基于形態(tài)學的方法進行了 相應(yīng)研究;熊輝等人在文獻[9 ]中提出新的思路 ,其算法基于形 態(tài)學膨脹累加 ,實現(xiàn)對高空背景情況下抖動目標的檢測 ,并對 抖動為1～2個像素的點目標進行5幀累加仿真。前人的研究 表明 ,形態(tài)學方法對點目標的檢測具有很大的潛力。為此 ,我 們在對成像導引頭進行分析的基礎(chǔ)上 ,對形態(tài)學方法應(yīng)用于成 像導引頭進行研究。

由于空空導彈所攻擊的目標具有很高機動能力和很寬的速度范圍 ,所以其性能指標相對于其他紅外系統(tǒng)有較大區(qū)別。取典型凝視成像導引頭參數(shù) ,進行仿真研究:幀頻為 100f/ s ,瞬 時視場為3× 3° ,搜索角速度為 15° / s ,探測器陣列為 128 ×128。經(jīng)過計算 ,可知在一幀時間內(nèi) ,導引頭由于搜索而掃描過的角 度為0.15° ,即6.4 個像素。在 10km距離處 ,由導彈目標相對 運動引起的 ,目標圖像在幀間位移1.55像素。這樣 ,在對目標 截獲時 ,由于導引頭搜索和目標運動造成的目標圖像總的幀間 位移最大值約為8 像素。仿真表明 ,在導彈發(fā)射后 ,導彈在目 標跟蹤階段 ,目標圖像幀間位移約為 1～10 像素(導彈失控

前)。因此 ,目標圖像幀間位移在整個導彈點目標搜索、截獲與 跟蹤過程中變化范圍可認為在1～10像素。

仿真表明 ,利用現(xiàn)有基于形態(tài)學背景預(yù)測的方法進行點目

標檢測和識別時 ,對背景均勻或起伏緩慢的情況效果很好。但 對于亮度梯度高的有云天空背景和地面背景 ,算法常常造成誤 判。分析其原因 ,發(fā)現(xiàn)往往跟蹤的是濾波后殘留的高亮度背景 邊角。

第五篇：《目標檢測》作文

一、提建議：《目標檢測》M1 1）.Dear Frank，There are a lot of things you should do.You should talk about it with your classmates.Maybe they just played a joke on you.Or maybe you should write a letter to your best friend if you think it is not easy for you to talk about it with others.Anyway, always be friendly to others and always smile to others!It is the best way to be popular!

Mary 2）（補充另一篇）...It's a good idea to watch English films and listen to real English songs.Try to read English newspapers and listen to English radio.They are good for your English.Try not to be shy when you start a conversation in English.Do you find it difficult to remember the English words? You should remember eight or ten words a day.How about placing the words on the wall or saying the English names for everything you see? Work hard, and you can learn English well.二、談?wù)搻酆茫骸赌繕藱z測》M5 1)

Dear Miss Liu，My name is Lily.I’m 13years old.I’m from Class 1, Grade 8.I can play the violin.I began to play the violin at the age of 5.Now I can play it very well.I often take part in some competitions and I have won some prizes.I like music because I think music is very beautiful.It makes me happy.I also learn a lot from music.It improves my memory a lot.So I can remember English words easily.I hope I can play in our school orchestra.I believe I can do well.Yours，Lily

2)（補充另一篇）I like music very much because it can give me power when I am sad.People from different countries all like music very much.Music is very important for us.If there is no music is very important for us.If there is no music in the world, our life won't be so interesting.Pop music is my favourite.I think it sounds nice and it can make me feel relaxed.Jay Chou is my favourite singer.He is one of the most popular singers in Asia.三、介紹人物：《目標檢測》M7

My friend Linda was born in Canada.She is 13 years old.She is a tall and thin girl with long hair.She is lovely and friendly.She has many hobbies, such as dancing and pop music.She also likes shopping and swimming, and reading is her favorite one.She usually invites me to go to the library at the weekend with her.There we read books and have fun together.This is my best friend.I love her.四、談?wù)撘?guī)定：《目標檢測》M12 Miss White, it is a notice to the audience.It says that we should walk into the cinema hall fifteen minutes before the movie starts.We mustn’t smoke or talk loudly in the cinema hall.We mustn’t take food or drinks into it.We can’t use the mobile phone after the movie is on.We can’t use the camera.(補充另一篇）Dear Jack, I am very happy that you will come to visit China.I'll tell you some customs in China.You must walk on the right.When you meet other people, you should say hello to them instead of bowing.When you eat, you must use chopsticks.When you have dinner with a Chinese family, the host often asks you to eat more food.You don't need to eat it up.After the dinner, the host often makes tea for you.It's delicious.Before you leave the house, you should say goodbye to the host politely.Waiting for you!Yours, Zhang Tao