運動目標檢測

　　跟蹤各過程算法綜述 圖像預處理 數字圖像中的幾種典型噪聲有：高斯噪聲來源于電子電路噪聲和低照明度或高溫帶來的傳感器噪聲椒鹽噪聲類似于隨機分布在圖像上的胡椒和鹽粉微粒主要由圖像切割引起或變換域引起的誤差加性噪聲是圖像在傳輸中引進的信道噪聲。 一般來說引入的都是加性隨機噪聲可以采用均值濾波、中值濾波、高斯濾波等方法去除噪聲提高信噪比。均值濾波在噪聲分布較平均且峰值不是很高的情況下能夠得到較好的應用中值濾波對尖脈沖噪聲的濾除有較好的效果并且能突出圖像的邊緣和細節高斯濾波對濾除高斯白噪聲有較好的效果。 運動目標檢測 背景差分法：能完整、快速地分割出運動對象。不足之處易受光線變化的影響背景的更新是關鍵。不適用攝像頭運動的情況。 光流法：能檢測獨立運動的對象可用于攝像頭運動的情況但計算復雜耗時很難實時檢測。 幀差法：受光線變化影響較小簡單快速但不能分割出完整的運動對象需進一步運用目標分割算法。還有一些改進的算法主要致力于減少光照影響和檢測慢速物體變化。 圖像標識 圖像標識的作用是確定物體是否獨立圖像中有幾個運動目標。

　　1領域：常取周圍的4或8個像素作為領域。

　　2連通域：二值圖像中互相連通的0像素集或1像素集稱之為連通域。被1像素包圍的0像素叫做孔。1像素連通域不含孔時叫做單連通成分含有一個或多個孔的連通成為叫做多重連通成分。 3標記：差值后的一幀圖像可能存在多個連通域每個非連通域對應一個目標圖像區給各目標區分配相應標號的工作成為標記。 標識過程大致為：按一定順序逐個掃描像素掃描到1的像素檢測其領域的像素值若一樣則為連通域并標記為第一個目標然后依次尋找下一個目標。 在所有可能的目標都找到了之后可以為每個目標劃出一個波門將目標框起來。并建立一個多目標位置鏈表找到的每一個目標區域的中心位置都作為一個結點加入該鏈表儲存起來。波門的劃分有可能將同一個目標分為兩個部分或者一個波門里包括了兩個目標使得目標數據錯誤增加或減少所以還要判斷當前的目標是屬于同一個目標還是不同的目標這將在后面的圖像分割中完成。 圖像分割 圖像分割用于分離目標和背景的組合或者分離不同目標的組合。圖像分割不僅可以大量壓縮數據減少儲存容量而且能大大簡化其后的分析和處理步驟。 1直方圖閾值分割法 灰度直方圖即為灰度級的像素數與灰度的二維關系反映了一副圖像灰度分布的統計特性。如果前景物體內部灰度值分布比較均勻背景灰度值的分布也比較均勻這個圖像的直方圖將有明顯的雙峰這時可以選擇兩峰之間的谷底作為閾值。由于直方圖不含目標的位置信息還要結合圖像的內容來確定。 2最大類間方差閾值分割法 利用圖像目標與背景這兩類的總體灰度之間存在的差距確定閾值從而進行分割。

　　3區域生長法 指將周圍特性相似的像素再次合并到目標區域中。 4邊緣檢測和輪廓提取分割法 5形態學分割法 主要作用是使運動目標的區域更加完整。 腐蝕的作用是消除物體邊界點把小于結構元素的物體去除。如果兩物體之間有細小的連通那么當結構元素足夠大時通過腐蝕運算可以將兩個物體分開。 膨脹運算的作用是把圖像周圍的背景點合并到物體中。如果兩個物體比較接近那么膨脹運算可能會使這兩個物體連通在一起。膨脹對填補圖像的空洞很有用膨脹最簡單的應用之一就是將裂縫接起來。 形態學也可用于圖像濾波、增強等方面。 運動軌跡預測 在分割出運動目標后應提取出目標的特征然后在下一幀圖像中匹配特征從而跟蹤目標。但為了減少搜索特征匹配的區域提高實時性在此加入對目標運動軌跡預測這一步驟。運動軌跡預測也有利于增強遮擋情況下跟蹤的魯棒性。 1線性預測算法 2Kalman濾波算法及其擴展算法 3粒子濾波算法 目標跟蹤 1特征選取 灰度特征對于灰