一种自适应的运动区域检测算法
基于自适应高斯模型的实效运动目标检测算法
基于自适应高斯模型的实效运动目标检测算法王红茹;童伟【摘要】针对复杂环境下经典混合高斯背景建模算法实时性差以及帧间差分法检测精度低的问题,提出一种基于七帧差分和改进的自适应混合高斯模型相结合的运动目标检测算法.通过七帧差分获取当前帧运动目标的粗略区域;利用HSV颜色空间色度的不变性进行阴影抑制,提取出背景区域和可疑运动区域;对可疑运动区域使用混合高斯法区分出背景显露区域以及运动区域,对每个区域的高斯建模参数采用不同的更新策略,不对背景区域进行高斯匹配;引入光照突变参数,若发生光照突变,对高斯模型中的建模参数重新初始化.对比实验结果表明,该算法能有效抑制阴影和光照突变对检测精度的影响,具有良好的实时性.【期刊名称】《计算机工程与设计》【年(卷),期】2016(037)010【总页数】5页(P2700-2704)【关键词】运动目标检测;七帧差分;自适应更新;混合高斯模型;颜色空间【作者】王红茹;童伟【作者单位】江苏科技大学机械工程学院,江苏镇江212003;江苏科技大学机械工程学院,江苏镇江212003【正文语种】中文【中图分类】TP391.41常用的基于图像序列运动目标检测算法主要有光流法[1-3]、帧间差分法[4,5]、背景减除法[6-8]。
光流法需要专门的硬件支持，计算复杂且计算量大，一般较少使用。
帧间差分法原理简单，对噪声和光线变化不敏感，但是目标检测易出现空洞现象。
背景减除法是利用背景图像与当前帧图像进行差分获得运动目标区域，受光照影响容易将背景误判为目标。
基于混合高斯模型[9]的背景差分法因能够解决多模态情况(如摇曳的树叶和水面波动)而广泛地被应用，但是算法的收敛性较差。
文献[10]将帧间差分与混合高斯模型相结合，但是运动区域并不构建新的高斯分布，算法的准确度不高；文献[11]通过混合高斯模型与改进的差分法区分出背景显露区与运动目标，为背景显露区赋予较大更新率，尽管算法的实时性较好，由于采用固定的学习率，在光照突变的场景下，背景的误检率较高；文献[12]对边缘图像建立混合高斯模型，尽管能够有效克服光照突变的影响，但算法的实时性较差。
运动目标检测方法总结报告
摘要由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。
同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。
因此提取和视频中具有语义的运动目标是一个急需解决的问题。
运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。
运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。
较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。
本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。
首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。
对今后的运动目标检测提取的相关研究提供一定的参考。
关键词：运动目标检测光流法帧差法背景建模方法ABSTRACTBecause 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目录摘要 (1)ABSTRACT (2)第一章绪论 (3)研究背景及意义 (4)研究现状 (4)第二章经典的运动目标检测算法 (5)光流法 (5)帧差法 (5)背景差分法 (7)第三章改进的运动目标检测算法 (9)改进的三帧差分法 (9)帧间差分法与光流法结合 (10)改进的背景建模算法 (11)第四章总结 (13)参考文献： (17)第一章绪论研究背景及意义近几十年来，在科学技术飞速发展的条件下，视频与图像处理技术不断提高，各种各样的视频监控产品已经走入了人们的视野，并且在给我们的生活带了很多方便。
多目标航迹的图像域自适应检测方法
Ｉ ａ ｅ Ｒｅ ｉ ｎ Ａｄａ ｉ ｅ Ｄｅ ｅ ｔｏ ｆＭ ｕｌｉｔ ｒ ｅ ａ ｋ ｍ ｇ ｇｏ ｐｔｖ ｔ ｃ ｉ ｎ ｏ ｔ－ａ ｇ ｔ Ｔｒ ｃ
ＨＥ Ｊａ ｙ ，Ｌ ＡＯ Ｇｕ —ｈｅ ｇ，ＹＡＮＧ ｉｗｅ ｉ — ｉ Ｉ ｉｓ ｎ Ｚｈ — ｉ （ ａｉｎ ｌＬ ｂｏ ｄ ｒＳｇ ａ ｒｃｓｉｇ Ｎ ｔ ａ ａ ｆＲａ ａ ｉｎ ｌＰ ｏｅ ｓｎ ，Ｘｉｉｎ Ｕｎｖ ｒｉ ，Ｘｉ ａ ０ ，Ｓ ａ ｘ ，Ｃ ｉａ ｏ ｄａ ｉｅｓ ｙ ｔ ’ ｎ７ ７ １ １ ｈ ａ ｉ ｈｎ ） ０
２ 算 法 描 述
２ １ 数 据 预 处 理 ．
在 忽 略天线 方 向图加 权和不 考 虑发射 信号 载频
考虑 目标航 迹检 测 可对 应 为 在某 个 图像 域 （ 例
情 况下 ， 达接 收到 的 回波信号 可 以表示 为 雷
５ （）＝ｅｐ ｊ１（ ｔ ｔ ｘ （一 ４Ｔ Ｒ（）一Ｒ ） Ａ 。 ／ ）＝ｅｐ ｊ ｔ ） ｘ（ （） ，
（） １
如距 离 一 多普 勒 图像 ， 离 一时问 图像 等 ） 距 的边 缘 检 测问题 。传 统 基 于 梯 度 信 息 的 边 缘 检 测 方 法 。 易受 噪声影 响 ， 在低信 噪 比情况 下性 能急 剧恶化 ， 本
文使用 基 于相位 信 息 的边 缘 检 测 方法 ， 在小 波 变 即 换 域 采用相 位一 致性模 型进 行边 缘检 测 。所谓相 位
一
其 中 ， ｔ 为 ｔ 刻 目标 与 雷 达 的 瞬 时 斜 距 ， 代 （） 时 Ｒ 表 ｔ ０时刻 目标 与雷 达 的斜距 ， ｔ 为 ｔ 刻 目标 ＝ 西（ ） 时
的相位 。
致性 ， 就是 指信 号 各 个 频率 分 量 的相 位相 似 度 的 种度 量方 式 ， 是一 个 无 量 纲 的量 。在信 号 的特 它
自适应控制的相关算法
智能跑步机平台的运动控制摘要：这个智能跑步机是一个促动平台，在虚拟现实的探索中允许步行用户不受约束的运动，该平台由通过球阵列地毯覆盖和安装在转盘的线性跑步机，及配备有用于线性和角运动两个致动装置。
这个平台的主要控制任务是让步行者始终在平台的中心，同时抵消他任意走动然后满足感知的约束。
这个平台的控制问题也不小，由于运动系统中是不完全约束的。
文章的第一部分是描述智能平台的运动控制装备的设计，线性运动和角运动平台的速度的控制输入和反馈是基于步行者通过外部视觉跟踪系统测量而获得。
通常，基于观察者的干扰和步行者的随意速度，我们结合了反馈和前反馈，提出全球稳定控制项目。
我们同样讨论了加速度和动力影响步行者的运动控制。
文章的第二部分是致力于全面系统的实际运用上。
作为最终全面平台的概念证明，机器的设计和智能跑步机的一个小规模实现原型的呈现，以及通过使用的全方位相机来获得人的助行器的平台上的位置的视觉定位方法。
为了得到有效的运动控制设计建议，一系列的运动任务演示实验结果是报告和讨论使用了一个很小的运动跟踪器来呈现。
关键词：观察者的干扰，输入输出反馈，线性，原地运动平台，运动控制，不完整的系统，虚拟现实，视觉跟踪。
1、介绍全向运动平台使用在虚拟现实上的探索，最终的目标是在虚拟现实场景中使用者完全沉浸于其中，我们头戴式显示器，很自然的速度自由行走任何方向，当我们保持着身体的平台运动范围和不需要任何穿戴的限制装备。
比如追踪步行者位置和步调特征。
用这种方式支持当地运动，这个平台抵消步行者的任意运动，以保持步伐一致。
所以，联系观察者对步行者的影响，考虑输入指令的限制，避免使用者沉浸时的干扰。
这就是欧洲探寻只能跑步机工作的主要任务。
不同的运动允许人们行走在虚拟环境中界面存在。
很多情况，运动限制在1D线性跑步机上，有点像运输平台，用户由一个线束约束应用稳定特性和其他虚拟特效。
为了适应微小缓慢的方向改变，这个跑步机将安装在转换平台上。
基于自适应门限滤波的红外弱小运动目标检测方法
文章编号 ｔ １７—７５２０）８０ １－３ ６２８８ （ ６０—０ ３ ０ ０
基 于 自适 应 门 限 滤 波 的 红 外 弱小 运 动 目标 检 ｉＩ 法 贝方 ！ ｒ
王 新增 １ ，严 国莉 ２
（． ３８ １ ６８０部队，河南洛阳 ４１０ ７０ ３； ２ 北京航天飞行控制 中心，北京， １０９） ． ００ ４
小 、形状特征弱 、细节 特征部 分丧 失、信噪 比低
等 特 点，对 红外 弱小 运 动 目标 的检 测是 目标 检 测 的重点和难点 。目前 ， 内外对红外运 动小 目 国 标 检 测方 法 的研 究 比较踊 跃 ，发 展 比较快 ，提 出了许 多检 测算 法 ，如基 于 全 局搜 索 的检 测 算 法、 基于投影变换 的检测算 法 、 基于相 位信 息的
摘 要 ： 分析 红外场 景模 型 的基 础 上，针 对 空 中红 外 图像 中弱小 运 动 目标 的特 征， 在 提 出一种用 自适 应 门 限滤波对 背景进 行抑 制、利用 自适 应 阈值 分 割对 目标进 行分 割 的
帧 内处 理方 法；在 帧 间采 用八 邻 域判 决 法对 弱小 目标 进行 检测 ；实践 证 明，该技 术 能
ｔ ｇ ｓ ａｒ ｅｔ ．
Ｋｅ ｙ ｗｏｒ ： ａ ａ ｔｖ ｈ ｅ ｈｏ ｄ ｆ ｔ ｒｎ ； ａ ｇ ｔ ｄ ｔ ｃ ｉｎ； ｅ ｍｅ ｔ ｔｏ ｆｔ ｅ ｈ ｌ ｅ ｇ ｔ ｃｏ ｅ ａ ｅ ｄｓ ｄ ｐ ｉ ｅ ｔ ｒ ｓ ｌ ｌｅ ｉ ｇ ｔ ｒ ｅ ｅ ｅ ｔ ｏ ｓ ｇ ｎ ａ ｉ ｎ ｏ ｈｒ ｓ ｏ ｄ； ｉ ｈ ｌ ｒ ａ ｉ ｓ
２ Ｂ ｉ ｇＡ ｒｓａｅ ｏ ｍａｄａｄＣ ｎｒｌ ｅｔ ， ｅｉ ０ ０４ Ｃ ｉ ） ． ｅｉ ｅｏ ｃ ｍ ｎ ｎ ｏ ｔ ｎｅ Ｂ ｉｎ １０９， ｈ ａ ｊ ｎ ｐ Ｃ ｏＣ ｒ ｊｇ ｎ
一种基于块匹配的自适应快速运动估计算法
一种基于块匹配的自适应快速运动估计算法
舒振宇;高智勇;陈心浩;刘海华
【期刊名称】《计算机时代》
【年(卷),期】2007(000)010
【摘要】块匹配运动估计算法是实时视频编解码技术的研究重点.为降低视频编码中运动估计的计算复杂度,考虑到现实序列运动矢量的分布存在方向性,文章提出了基于块匹配的自适应快速运动估计算法.该算法在运动估计的初始阶段,利用相邻宏块间的空间相关性来预测初始搜索点的位置,使搜索起点更接近理想的最优匹配点;在搜索过程中引入具有方向特征的非对称十字形搜索模型,加快了搜索速度.实验结果表明该算法具有很好的性能.
【总页数】3页(P1-3)
【作者】舒振宇;高智勇;陈心浩;刘海华
【作者单位】中南民族大学电子信息工程学院,湖北武汉,430074;中南民族大学电子信息工程学院,湖北武汉,430074;中南民族大学电子信息工程学院,湖北武
汉,430074;中南民族大学电子信息工程学院,湖北武汉,430074
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种块匹配的快速运动估计算法 [J], 邹晓春;冯燕;赵歆波
2.一种高效率的快速块匹配运动估计算法 [J], 何书前;张学平;邹昉楠;桂占吉
3.基于方向自适应十字搜索的快速块匹配运动估计算法 [J], 杨恒;王庆
4.一种基于H.264的自适应块匹配运动估计快速算法 [J], 黄为;杨天武;陈维荣
5.一种改进的快速块匹配运动估计算法 [J], 汪烈军;覃锡忠
因版权原因，仅展示原文概要，查看原文内容请购买。
一种自适应运动目标检测算法及其应用
2021年2月第2期Vol. 42 No. 2 2021小型微型计算机系统Journal of Chinese Computer Systems一种自适应运动目标检测算法及其应用李善超，车国霖，张果,杨晓洪(昆明理工大学信息工程与自动化学院，昆明650500)E-mail ：991186428@ qq. com摘要：针对ViBe 算法在动态背景下存在鬼影消除时间长、算法适应性差、前景检测噪声多的问题，本文提出一种基于ViBe 算法框架的改进算法.该算法釆用鬼影检测法标记第1帧中的鬼影区域，并向位于鬼影区域的背景模型中强制引入背景样本，从而快速抑制鬼影；在像素分类过程中，引入自适应分类阈值，解决全局阈值易受动态噪声干扰的问题；在背景模型更新中，根 据像素分类的匹配值来动态决定更新因子，提高算法适应场景变化的能力.定性与定量的对比实验结果表明，本文算法相较于ViBe 算法能够有效地检测动态背景下的运动目标，应用于河流漂浮物检测场景中也有较好的效果.关键词：ViBe ；动态背景;运动目标检测；自适应方法;河流漂浮物检测中图分类号：TP391文献标识码:A 文章编号：1000-1220(2021)02-0381-06Adaptive Moving Target Detection Algorithm and Its ApplicationLI Shan-chao ,CHE Guo-lin ,ZHANG Guo,YANG Xiao-hong(Faculty of Information Engineering and Automation ,Kunming University of Science and Technology ,Kunming 650500,China)Abstract : Aiming at the problem that ViBe algorithm has long ghost elimination time , poor algorithm adaptability and high foreground detection noise in dynamic background , this paper proposes an improved algorithm based on ViBe algorithm framework. The algorithmuses the ghost detection method to mark the ghost region in the first frame , and forces the background sample into the background model in the ghost region to quickly suppress the ghost. In the pixel classification process , the adaptive classification threshold is intro ・ duced to solve the problem that the global threshold is susceptible by dynamic noise interference. In the background model update , theupdate factor is dynamically determined according to the matching number of the pixel classification to improve the algorithm's abilityto adapt to scene changes. The comparison experimental results of qualitative and quantitative shows that the algorithm in this paper can effectively detect moving targets in dynamic background compared to the ViBe algorithm , and it also has a better effect in the de tection of river floating objects.Key words : ViBe ； dynamic background ； moving target detection ； adaptive method ； river floating debris1引言运动目标检测在智能视频监控的应用中扮演着重要的角 色，是计算机视觉领域的一个研究热点⑴•运动目标检测的 实质是在视频序列中定位运动中的目标，而准确的前景检测 是目标分类、目标跟踪和行为识别研究的重要基石⑺叫运动目标检测算法按类别可分为帧差法⑴、光流法⑷、背景建模 法"向3种.帧差法原理简单且易于设计，然而其检测结果存 在空洞和鬼影的问题.光流法虽然精度高，但由于其计算量大，不适用于对实时性有较高要求的场景.背景建模法是在初 始化过程中构建出由背景样本组成的模型，并将当前帧与背 景模型进行差分，从而对像素进行分类,最后得到运动目标.其具有精度高实时性好的特点.背景模型的准确性决定了背景建模法的检测精度，主要影响检测精度的因素有鬼影问题、 动态背景、噪声干扰等⑴.高斯混合模型(GMM ,Gaussian mixture model)[8]是运动目标检测算法中最为经典的算法，其本质是基于像素样本统 计信息的背景建模方法，能够对复杂背景进行准确建模，然而 其计算复杂度较高GMG 算法切是统计背景模型的概率，采 用贝叶斯逐像素分割，但在动态场景中其检测精确度较低.核 密度估计算法(KDE,Kernel Density Estimation)[10]是一种非 参数背景建模方法，其通过大量的背景样本估算背景像素的概率密度函数，从而根据像素背景概率来分类像素，然而其内 存占用与计算复杂度都较高.Bamich 等人⑴•切于2009年提出一种非参数化视频背景提取算法(ViBe , Visual BackgroundExtractor),该算法是为每个像素设置一个样本集，并与新帧像素进行阈值比较,从而对像素进行分类,其具有实时性好、鲁棒性高和易于集成于嵌入式设备的特点.然而ViBe 算法仍 存在一些不足，限制了其在动态场景中的应用.例如：1)当初 始化图像中存在运动中的目标时,ViBe 算法会在后续帧中检 测到鬼影，降低了算法的检测精度且鬼影消除时间长；2)ViBe 算法在动态场景中检测精度低，容易受动态噪声干扰;3) ViBe 算法的背景模型更新策略无法适应背景动态的变化.针对ViBe 算法存在的问题,本文提出一种自适应运动目收稿日^:2020-03-06 收修改稿日期：202045-11基金项目：国家重点研发计划项目(2017YFB0306405)资助；国家自然科学基金项目 (61364008)资助.作者简介：李善超，男，1994年生，硕士研究生，研究方向为数字图像处理；车国霖，男,1975年生，硕士，副教授，研究方向为 智能控制；张 果，男，1976年生，博士，副教授，研究方向为智能測控;杨晓洪，女,1964年生，高级工程师，研究方向为综合自动化.382小型微型计算机系统2021年标检测算法.本文将从以下3个方面对ViBe算法进行改进.1)采用鬼影检测法标记鬼影区域并强制引入背景样本，加速鬼影的抑制;2)采用自适应匹配阈值的方法进行像素分类，提高算法抗干扰的能力;3)根据像素分类的匹配值动态调整更新因子，提高算法适应场景变化的能力.本文采用CDNET 数据集中dynamicBackground视频类中的5个视频序列和3组河流漂浮物的视频序列进行研究，以本文算法和其他5种算法为例，定性、定量对实验结果做出质量评价和分析.研究结果表明，本文算法相较于ViBe算法在召回率、精确率和F 度量值方面均有提高，错误分类比更低,达到了预期的目标.2ViBe算法原理ViBe算法是基于样本随机聚类的背景建模算法，具有运算效率高、易于设计、易于集成嵌入设备的特点，能够实现快速的背景建模和运动目标检测.算法的步骤包括背景模型初始化、像素分类过程和背景模型更新.2.1背景模型初始化1)背景模型定义:ViBe算法的背景模型是由N个背景样本组成的,v(x)是像素x的像素值，则背景模型M(x)定义如公式(1)所示：=|Vj(x),v2(x),v N(x)|(1)2)背景模型初始化:ViBe算法利用视频序列第1帧建立背景模型，从第2帧开始算法就可以有效地检测运动目标.背景模型初始化是在像素x的8邻域Nc(x)中选取一个像素值作为背景样本，重复N次,如公式(2)所示：(N g(x)=Ui,¾,--,¾IJ(2)〔M(x)=1v(ylyeN c(x))I3)随机选取策略:背景建模时，背景样本始终采用随机选取邻域像素的策略，以使背景模型更加稳定可靠.2.2像素分类过程ViBe算法采用计算欧氏距离来进行像素的分类. S”(v(x))是以像素值v(x)作中心，匹配阈值R为半径的二维欧氏空间，若v(x))与M(x)的交集H{•}中元素个数不小于最小匹配数则认为像素x是背景像素，如公式(3)所示:H{Sx(v(x))n I V,(x),v2(x),—,v w(x)I I(3) 2.3背景模型更新1)保守更新机制:ViBe算法通过保守更新机制进行背景模型更新，即如果像素被分类为背景像素，则以i/e(e是更新因子)的概率替代背景模型中的任一样本.假设时间是连续且选择过程是无记忆性的，在任一dt时间后，背景模型的样本随时间变化的概率如公式(4)所示：P(t,t+dt)=e-1"(^)d,(4)公式(4)表明，背景模型样本值的预期剩余寿命都呈指数衰减，背景模型的样本更新与时间无关.2)随机更新机制:ViBe算法通过随机更新机制进行样本替换,使得每个样本的存在时间成平滑指数衰减，提高了算法适应背景变化的能力，避免了旧像素长期不更新带来的模型劣化的问题.3)空间传播机制:ViBe算法也将背景像素引入邻域的背景模型中，保证了邻域像素空间的一致性.例如，用背景像素替换任一邻域(x)中的任一样本.ViBe算法首次将随机聚类技术应用于运动目标检测中，使得算法在背景模型初始化、像素分类过程、背景模型更新3个方面都比较简单,保证了算法的实时性，因此ViBe算法被广泛应用于现实生活中3提出的改进算法ViBe算法采用随机采样、非参数化和无记忆的更新策略，使得其具有较好的性能，但其在动态场景下仍然存在不能快速抑制鬼影、难以消除动态噪声以及无法适应场景动态变化的问题,本文将从以下3个方面对ViBe算法进行改进.3.1鬼影检测ViBe算法利用第1帧建立背景模型，但也不可避免的将第1帧中存在的运动目标前景像素引入到背景模型中，导致鬼影问题和彫响算法的检测精度.假设背景模型M(x)是由第1帧中的前景像素样本f(x)组成的，当运动目标离开时，ZU)不在背景像素值b(x)的S”(b(x))圆内，背景像素被错误的分类为前景,如公式(5)所示,则在第1帧中运动目标所在的区域就会出现虚拟的前景(鬼影).rM(x)=|/；(x)J2(x)，―J N(x)}(s&(x))nM(x)=0本文针对这一问题，应用鬼影检测法标记出第1帧中的鬼影区域,并向位于鬼影区域的背景模型中强制引入背景样本，减少其中前景像素的数量，从而快速抑制鬼影.鬼影检测法借鉴了帧间差分法并对其进行改进,其原理是提取视频序列的前3帧图像，第1帧图像分别与后两帧图像做差分运算，设定差分阈值并对差分后的图像进行二值化分类,将二值化结果做逻辑或操作和形态学操作，即得到标记有第1帧运动目标的鬼影模板Ghost(x),在鬼影模板Ghost(x)中大于0的位置是第1帧中鬼影区域的.具体定义如公式(6)、公式(7)和公式(8)所示：if I厶(x)-厶+|(兀)I>Tif\IM一人+|(x)lwTM)={o-/“2(x)IWTGhost(x)=£>i(x)or D2(x)(6)(7)(8)式中：D(x)为二值化图像，人(x)为第R帧输入图像，一般A=1为图像差分阈值，。
一种多运动目标检测新算法
新 方法 ， 强 背 景 的 自适 应 性 ； 用 动 态 自适 应 阈值 提 取 图 像 中 的 运 动 区域 ， 进 行 形 态 学 滤 波 ， 一 步 滤 除 背 景 噪 声 ； 增 利 并 进
最 后 采 用 基 于 ＨＳ 颜 色 空 间 的 阴 影 剪 除 算 法 去 除 目标 阴 影 ．实 验 结 果 表 明 ， 算 法 提 取 目标 精 确 、 景 适 应 性 强 ． Ｉ 该 背
关
键
词 ： 运 动 目标 检 测 ；背 景 更 新 ；自适 应 阈值 ；阴 影 剪 除 多
文献标识码 ： Ａ 文 章 编 号 ：０ ０—１ ９ （０ ８０ —０ ９ １０ ８ １ ２０ ） ５ ０ ７—０ ４
中 图分 类 号 ： ＴＮ９ １ ７ １．３
运 动 目标 的检测 与分 割被 看作 是计 算机 视觉 系 统 的一个 重要 能力 ， 智能 监测 及军 事 、 在 工业 等领 域都 有 着广 泛 的应用前 景 ［ ］ １ ．目前 ， 针对 多 运动 目标 检 测 与 分 割 ， 已存 在很 多 方 法［ ， ３ 主要 可 分 为光 流法 、 ］ 帧
背景 差分 ［ 与 三帧差 分 ｌ 相结 合 的检测 算法 进行 运 动 目标 检 测 ， 对 背景 进行 实 时更新 ， 一定 程 度上 减 ５ ＿ ６ 并 在 少光 线 、 景扰 动等 因素 影 响 ； 后利 用 动态 自适应 阈值分 割 方 法将 运 动 区域 从 图像 中分 割 出来 ， 通 过 背 然 并 形态 学滤 波去 除背 景 噪声 ； 后采 用基 于 ＨＳ 颜 色空 间 的 阴影 剪 除 算 法 ， 整 的提 取 出 图像 中 的运 动 部 最 Ｉ 完
来 实现运 动 目标 的检 测 ， 测 出 的运 动 目标 位置精 确 ， 检 且速 度 快 ， 这 种方 法易 受环 境光 线 变化 的影 响 ， 但 在
视频图像中运动目标检测
视频图像中运动目标检测一、引言随着技术的不断发展以及社会的不断进步，越来越多的应用需要对运动目标进行精确的检测，比如视频监控、智能交通、机器人导航、自动驾驶等。
其中，视频图像中的运动目标检测是一项非常重要的任务，也是目标检测领域最基础、最广泛应用的一部分。
对于视频图像中的运动目标检测，目前已经涌现出了很多算法和方法。
本文主要介绍几种常见的视频图像中运动目标检测的方法和算法。
二、传统的运动目标检测方法针对视频图像中运动目标检测，传统的方法主要包括基于背景差分和基于光流的方法。
1. 基于背景差分的方法背景差分的方法主要是利用当前图像与前一帧图像之间差异明显的像素点作为前景区域的像素。
其中，比较常见的算法有：静态背景的自适应混合高斯背景模型、基于区域分割的背景建模、基于子空间模型的背景差分等。
2. 基于光流的方法光流是指图像中的像素在时间上随机运动导致的图像亮度变化。
将光流的方向、大小等信息用于目标检测，可以实现对于场景中移动目标的定位和跟踪。
其中，普通光流法（Lucas-Kanade算法）、金字塔光流法、光流张量法（Horn-Schunck算法）等方法在运动目标检测方面也有应用。
三、深度学习在运动目标检测中的应用深度学习在计算机视觉领域的兴起，给运动目标检测带来了巨大的进步。
目前，深度学习在运动目标检测方面应用最广泛的就是基于卷积神经网络（CNN）的方法。
1. 基于物体检测的深度学习方法单纯利用深度学习框架可以实现目标检测的方法有很多，但是需要大量的标注数据训练。
其中尤其需要关注的是，需要标注许多不同场景下不同角度的目标，以提高模型的鲁棒性。
当前基于物体检测的深度学习方法主要包括基于检测算法的方法和基于语义分割算法中的物体检测方法。
常见的算法有：Faster R-CNN（Region-based CNN）、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等。
自适应区域生长算法在医学图像分割中的应用
第17卷第10期2005年10月计算机辅助设计与图形学学报JOURNAL OF COMPU TER 2AIDED DESIGN &COMPU TER GRAPHICSVol 117,No 110Oct 1,2005 收稿日期:2004-06-10;修回日期:2004-10-22 基金项目:国家重点基础研究发展规划项目(2003CB716104)自适应区域生长算法在医学图像分割中的应用陆剑锋1,2) 林 海2) 潘志庚1,2)1)(杭州电子科技大学虚拟现实实验室 杭州 310018)2)(浙江大学CAD &CG 国家重点实验室 杭州 310027)(jflu @cad 1zju 1edu 1cn )摘要 提出一种通过计算种子点附近邻域统计信息,自适应改变生长标准参数用于医学图像分割的算法1在切片图像预处理过程中,考虑到体数据相邻切片之间高度的相关性,在相邻层之间采取高斯核滤波去除噪声,并通过各向异性滤波算法对该层切片进行滤波1实验结果表明,该算法可有效地提取出图像区域,具有较好的鲁棒性1关键词 图像分割;各向异性滤波;区域生长;高斯滤波中图法分类号 TP391141Adaptive R egion G rowing Algorithm in Medical Images SegmentationLu Jianfeng 1,2) Lin Hai 2) Pan Zhigeng 1,2)1)(Instit ute of V i rt ual Reality and M ulti media ,Hangz hou Dianzi U niversity ,Hangz hou 310018)2)(S tate Key L aboratory of CA D &CG ,Zhejiang U niversity ,Hangz hou 310027)Abstract In this paper we put forward an adaptive region growing algorithm for image segmentation by estimating the parameters through investigation of the statistical characteristics in local regions 1By the algo 2rithm ,we use G aussian mixture model to describe the properties of the region and employ an effective data clustering algorithm to calculate the parameters 1Considering the similarity of the neighbor slices in the med 2ical volume data ,a G aussian filter is applied in perpendicular direction to reduce the noise 1In a slice image ,an anisotropic diffusion filter is used to preserve the edge information 1A number of medical images are test 2ed to demonstrate the applicability and reliability of the proposed algorithm 1K ey w ords image segmentation ;anisotropic diffusion ;region growing ;G aussian filtering1 概述及相关工作在现代的医疗实践中,X 射线,CT ,MRI 等医学影像资料正在临床诊断上起着重要作用,在很多情况下它们是比较可靠的诊断依据之一1近年来,在利用计算机对医学图像进行分析识别,从而辅助医生诊断和治疗方面有着很多研究,其中用到的一些关键技术,如医学图像分割等,正得到研究者越来越多的重视1在文献[1]中,Adams 等将分割技术分成基于阈值[223]、基于边界搜索定位[4]、区域的生长与融合[526]以及混合方法四大类1基于阈值的方法比较简单,通过将图像中每点的值和阈值比较从而判断是否属于同一区域,这种方法的关键是阈值的选取,一般采用对直方图外形进行分析的方法,并且提供与用户的交互,Sahoo 等[2]详细分析了基于阈值的各种方法1基于边界定位的方法包括利用特定算子检测边界以及一些利用能量函数最小化求解的方法等,这种方法的缺点是对噪声较敏感1区域生长的方法一般需要被分割的区域具有某种特定的共同特征,通过不断比较种子点周围的点是否符合融合标准从而达到区域的生长1目前这方面的研究主要集中在设计特征衡量标准和生长标准,以及提高算法的有效性和精确性方面[526]1区域生长是一种被广泛应用的图像分割算法,在原始算法基础上研究者们提出了各种各样的扩展算法1Pohle等把待分割区域像素值看作一个正态发布,先用原始区域生长算法估算出分布参数,再将该参数应用到第二遍生长过程中,从而获得更好的结果[7]1为了克服大多数区域生长算法对于初始种子点的选取顺序和位置敏感的问题,Zheng等开发出不需种子点的自动分割算法[8];于水等将图像的纹理信息和灰度信息融合在区域生长的标准中[9]; Law等把平面的区域生长算法扩展到三维空间[10]1文献[11212]将模糊理论和优化算法应用到区域生长算法中1各向异性滤波是图像处理中一种强有力的去噪方法,能够在去除图像噪声的同时避免对边界区域模糊1Perona等在1990年首先提出了各向异性滤波方法[13],用来克服线性滤波如高斯滤波在对图像滤波的同时造成边界发生模糊的缺陷,他们同时分析了不同的系数函数对于图像边界的影响1在此基础上,G erig等开发出多通道各向异性扩散技术[14],通过两个通道的数据来计算扩散系数,可以更有效地去除噪声,图像的细节保持得更好,但他们没有讨论扩散计算中的收敛稳定性问题1Weickert改写了张量形式的各向异性扩散方程,使得该算法对于各类图像均体现出较好的效果[15]1本文首先利用医学数据相邻多层数据之间的相关性构造高斯卷积核进行滤波,然后根据自适应算法选取各向异性滤波参数,并将滤波后结果作为局部自适应区域生长算法的输入,最终得到分割好的图像12 算法框架本文算法流程如图1所示1图1 本文算法基本流程图211 相邻切片高斯滤波在医学体数据中,由于每层切片之间的距离很小,因此相邻两层切片的数据具有很高的相关性,可以通过相邻切片的数据信息来指导当前层的分割1对于CT数据而言,图像中每点的数据值代表组织结构对X射线的吸收加上噪声和伪影的影响1对于某种组织结构,对X射线的吸收可以看作是一常数,噪声可以认为是均值为零的高斯分布1图2所示为相邻多层切片的高斯卷积说明;图3所示为实验结果,从图3可以看出,该方法能够有效地滤除切片中的噪声,达到较好的效果1图2 多切片高斯滤波说明a原始切片b加入高斯噪声c滤波后切片图3 多切片高斯滤波效果212 各向异性滤波各向异性滤波的思想来源于对扩散方程I t=Δ・ΔI的求解1将I看作是图像的亮度函数,I t为函数I关于时间t的偏导,Δ是梯度算子1根据格林公式,改写扩散方程为I(x,y,t)= ∫∞-∞∫∞-∞I(x′,y′,0)G(x-x′,y-y′,t)d x′d y′(1)其中,I(x′,y′,0)为输入图像的初始状态,函数G9612 10期陆剑锋等:自适应区域生长算法在医学图像分割中的应用为高斯卷积核1为了达到实现各向异性滤波的目的,即在区域内部采用大尺度的高斯核,而在区域的边界上采用小尺度的高斯核函数,将扩散方程改写为I t =Δ・C (|ΔI |)ΔI (2)其中,C 函数为可变系数,和图像的梯度值|ΔI |有关1在区域内部梯度较小的地方,相应函数值较大,使得相应的扩散加快;而在梯度较大的区域边界处,函数值减小,使得边界处扩散较少1我们选取文献[13]中采用的函数C (|ΔI|)=e-|ΔI|22K2(3)其中K 表示在区域边界上扩散的影响程度,当K 取值较大时,函数值很小,在边界上扩散的尺度较大,反之则对边界影响较小1我们设计K 和ΔI 具有一定正相关性,那么随着图像像素点的改变,ΔI 不断变化,参数K 也相应改变,达到自适应滤波的效果1我们令K =C ・sqrt (1n2∑n y =1∑nx =1|ΔI (x ,y ,t )|2)(4)实际使用中采用n 取3～5的邻域进行计算1图4所示为使用自适应各向异性滤波的一些实验结果1a 模糊过的原始图像b a 滤波后的效果c 加入噪声的原始图像d c 滤波后的效果图4 自适应各向异性滤波实验结果图5 不同组织结构的邻域直方图分析213 局部自适应区域生长算法文献[627]中提出了一种基于高斯模型的自适应区域生长算法,该算法为二次扫描,第一次扫描计算出高斯模型的参数,然后根据参数再进行区域生长1考虑到输入数据是经过高斯卷积和各向异性扩散滤波后的图像,我们将文献[627]中采用的区域生长标准进行了部分简化,通过聚类方法计算局部邻域的直方图得到阈值1生长标准函数为h (x ;μ,σ)=1,if μ-cσ<x <μ+c σ0,otherwise(5)其中,μ和σ分别是在选定的邻域中计算出直方图的均值和方差,c 是系数因子1第211节中提到,对于某一组织结构,其数据信息分布可看作高斯分布1如图5所示,当局部邻域712计算机辅助设计与图形学学报2005年(图中红色区域)位于某一组织内部时,其邻域直方图为一独立的高斯分布1当邻域位于两种组织的边界上时,其直方图分布为两类高斯分布的叠加1我们用数据聚类算法可以有效地把阈值提取出来,从而拟合出高斯分布参数,进行自适应区域生长1局部自适应区域生长算法的流程及伪码如下:While HasNew SeedpointA ddIn Do ∥是否有新的符合生长条件的点产生? A nalyseNeighbourHistogram ()∥对局部邻域进行直方图分析 Com puteA daptiveCriterion ();∥计算自适应生长标准参数 ComputeNeighborhoodUseFloodf illAlgorithm (ParametersL ist );∥通过Floodf ill 算法迭代计算判断周围邻域像素点End3 实验结果本文算法已经在Windows 2000,VC ++610平台上实现,图6所示为一些医学图像的分割结果1图6中三组数据分别为头骨CT 、肝脏CT 以及人脑MRI 图像数据,左面三列分别是采用不同阈值的标准生长算法结果,第4列是本文自适应算法的结果1可以看出,标准生长算法依赖于用户的交互输入,需要不断地根据结果调整阈值参数,过小的阈值导致生长不完全,而阈值过大则可能导致过生长1本文算法则无需输入阈值参数,通过邻域直方图统计分析对参数进行确定,提高了分割的自动化程度,取得较好的结果1图6 图像分割结果 表1所示为本文算法和常规区域生长算法在时间复杂度上的比较1可以看出,常规区域生长算法速度要领先于本文自适应算法,随着参数k 值的改变,常规区域生长算法由于要计算更多的相邻点171210期陆剑锋等:自适应区域生长算法在医学图像分割中的应用因而时间增加1本文的自适应算法由于要根据邻域的统计模型来计算生长标准参数,因此计算量增加,导致计算时间变长,而邻域的大小也直接影响算法时间1由于本文的自适应算法的复杂度增加而导致运算时间的延长是一对矛盾,现在我们暂时通过参数的选择取得某种程度上的平衡1在以后的研究中,我们准备从改进自适应算法本身以及利用现代图形卡的硬件加速功能这两方面来提高算法速度1表1 本文算法与常规区域生长算法运行时间比较s数据大小基于阈值区域生长算法k=5k=10k=30本文自适应算法s=5s=10头骨CT冠状面256×256012013015311410肝脏CT切面384×384013014016517911人脑MRI径向面256×256011014014218312 注:k代表不同的阈值参数,s代表计算自适应参数采用的邻域大小4 结 论本文将各向异性滤波技术和区域生长算法结合,并在算法中加入自适应参数应用在医学图像的分割上,同时考虑到医学数据多层切片间的相关性,应用高斯卷积以及各向异性滤波去除噪声,算法稳定可靠,效果较好1将来的工作可以考虑将该算法应用到多通道彩色空间以及三维数据的体分割上,扩大算法的应用范围1另外,随着现代图像显示卡硬件的不断发展进步,具有可编程功能的显卡渐渐得到普及,由于我们的滤波迭代以及求解自适应参数算法是一种较费时的操作,因此在以后的工作中,可以设计出利用图形加速卡来完成的迭代算法,从而极大的提高运算速度,减少用户的等待时间,取得更满意的效果1参 考 文 献[1]Adams R,Bischof L1Seeded region growing[J]1IEEE Trans2actions on Pattern Analysis and Machine Intelligence,1994,16(6):641～647[2]Sahoo P K,Soltani S,Wong A K C1A survey of thresholdingtechniques[J]1Computer Vision,Graphics,and Image Pro2cessing Archive,1998,41(2):233～260[3]Lee C,Hun S,Ketter T A,et al1Unsupervised connectivity2based thresholding segmentation of midsagittal brain MR images[J]1Computers in Biology and Medicine,1998,28(3):309～338[4]McInerney T,Terzopoulos D1Deformable models in medicalimage analysis:A survey[J]1Medical Image Analysis,1996,1(2):91～108[5]Orphanoudakis S C,Tziritas G,Haris K1A hybrid algorithmfor the segmentation of2DΠ3D images[A]1In:Proceedings ofInternational Conference on Information Processing in MedicalImaging,Brest,19951385～386[6]Pohle R,Toennies K D1Segmentation of medical images usingadaptive region growing[A]1In:Proceedings of SPIE,Boston,Massachusetts,2001,4322:1337～1346[7]Pohle R,T nnies K D1A new approach for model2based adap2tive region growing in medical image analysis[A]1In:Proceed2ings of the9th International Conference on Computer Analysisand Patterns,Warsaw,20011238～246[8]Zheng L,Jin J,Hugues T1Unseeded region growing for3Dimage segmentation[J]1Journal of Research and Practice in In2 formation Technology,2001,2:31～37[9]Yu Shui,Ma Fanyuan1Medical image segmentation methodbased on information fusion[J]1Journal of Computer2Aided De2sign&Computer Graphics,2001,13(12):1073～1076(inChinese)(于 水,马范援1一种基于数据融合的医学图像分割方法[J]1计算机辅助设计与图形学学报,2001,13(12):1073～1076)[10]Law T Y,Heng P A1Automated extraction of bronchus from3D CT images of lung based on genetic algorithm and3D regiongrowing[A]1In:Proceedings of SPIE,San Jose,California,2000,3979:906～916[11]Tian Jie,Han Bowen,Wang Yan,et al1Application of thefuzzy C2means clustering algorithm on the analysis of medicalimages[J]1Journal of Software,2001,12(11):1623～1629(in Chinese)(田 捷,韩博闻,王 岩,等1模糊C2均值聚类法在医学图像分析中的应用[J]软件学报,2001,12(11):1623～1629) [12]Y ou Jianjie,Zhou Zeming,Pheng Ann Heng,et al1Simulatedannealing based simplified Snakes for weak edge medical imagesegmentation[J]1Journal of Image and Graphics,2004,9(1):11～17(in Chinese)(尤建洁,周则明,王平安,等1基于模拟退火的简化Snake弱边界医学图像分割[J]1中国图象图形学报,2004,9(1):11～17)[13]Perona P,Malik J1Scale2space and edge detection usinganisotropic diffusion[J]1IEEE Transactions on Pattern Analy2sis Machine Intelligence,1990,12(7):629～6392712计算机辅助设计与图形学学报2005年[14]G erig G ,Kubler O ,K ikinis R ,et al 1Nonlinear anisotropic fil 2tering of MRI data [J ]1IEEE Transactions on Medical Imag 2ing ,1992,11(2):221～232[15]Weickert J 1Applications of nonlinear diffusion in image process 2ing and computer vision [J ]1Acta Mathematica Universitatis Comenianae ,2001,70(1):33～50 陆剑锋 男,1975年生,博士,主要研究方向为科学计算可视化、医学图像处理1 林 海 男,1965年生,博士,副教授,主要研究方向为科学计算可视化、Web 技术、虚拟现实(lin @cad 1zju 1edu 1cn )1 潘志庚 男,1965年生,博士,教授,博士生导师,主要研究方向为虚拟环境、多媒体技术、分布式图形处理(zgpan @cad. )1371210期陆剑锋等:自适应区域生长算法在医学图像分割中的应用。
基于特征点匹配的自适应目标跟踪算法
基于特征点匹配的自适应目标跟踪算法刘静寒;钟辉【摘要】由于实际场景复杂多变,目标在运动过程中往往会出现形变、遮挡等问题,增加了跟踪的难度.为了解决上述问题,提出一种基于特征点匹配的自适应目标跟踪算法.算法初始化时在选定的目标区域内提取特征点,跟踪过程中通过对前后两帧的特征点进行匹配,计算出目标的位置、尺度和旋转变化,进而实现对目标的跟踪.同时通过对特征点的不断更新,可以使算法具有一定的抗遮挡能力.实验表明,该方法在实际应用中效果很好.【期刊名称】《微型机与应用》【年(卷),期】2015(034)008【总页数】3页(P17-19)【关键词】特征点匹配;自适应目标跟踪;尺度变化;旋转【作者】刘静寒;钟辉【作者单位】中国电子科技集团公司第三十八研究所,安徽合肥230031;中国电子科技集团公司第三十八研究所,安徽合肥230031【正文语种】中文【中图分类】TP391.4目标跟踪算法作为视频分析的基本内容之一，受到了广泛的关注，近年来研究人员提出了很多具有针对性的方法，然而由于实际场景的复杂性，目标在运动过程中往往会发生剧烈的形变，部分或完全被遮挡，现有跟踪算法很难完全克服这些问题，还需要进一步研究［1］。
由于目标的局部特征在运动过程中比全局特征具有更好的稳定性，且在遮挡情况下仍有一部分局部特征存在，为此研究人员相继提出了许多基于局部特征的目标跟踪算法［2］，希望从这个角度出发解决较大形变或者被遮挡目标的跟踪问题。
目前常用的局部特征包括HARRIS［3］、SIFT［4］、FAST［5］、BRISK［6］等。
参考文献［7-8］采用SURF特征点匹配的方法实现运动目标跟踪，具有一定的抗形变和遮挡能力。
参考文献［9］对SIFT特征点进行了研究，提出一种基于改进SIFT特征点匹配的目标跟踪算法。
参考文献［10］对MeanShift算法的跟踪结果进行FAST-9特征点匹配，计算出目标的尺度变化，使得算法在原有高效率的基础上具有了更好的抗尺度变化的能力。
MIMO系统中一种自适应的迭代检测译码算法
该文提 出了一种 自适应长度 的列表球形译码算法 （ ｄ ｐ ｉｅＳｚ ｉ ｐ ｅｅＤｅｏ ｉｇ Ａ Ｌ Ｄ） Ａ ａ ｔ ｉ Ｌｓ Ｓ ｈ ｒ ｃ ｄｎ ， Ｓ Ｓ 。在 算法 中通 过更 ｖ ｅ ｔ 新检测半径和设置停止条件 ， 检测 列表 长度可随信噪 比和迭代次数 自适应变化 。 使 而且通过将列表操作 与Ｌ Ｄ（ ｉ Ｓ Ｌｓ ｔ Ｓ ｈ ｒ ｃ ｄｎ ） ｐ ｅｅＤｅｏ ｉｇ 检测 相结合，避免了符号序列在不 同半径下的重复检测 。仿真表 明，在较 小性 能损失的前提下，
维普资讯
第 ３ 卷 第 ３期 Ｏ
２０ ０ ８年 ３月
电
子
与
信
息
学
报
Ｖｏ１ Ｎ Ｏ． ． ３Ｏ ３ Ｍａ． ｒ２００ ８
Ｊ ｕ ｎ ｌ ｆ ｅ ｔｏ ｉｓ＆ Ｉ ｆｒ ｔｏ ｃ ｎ ｌｇ ｏ ｒ ａ ｃｒ ｎｃ ｏ Ｅｌ ｎｏ ｍａ ｉｎ Ｔｅ ｈ ｏｏ ｙ
ｌ ａ ｓ ｔ ｕ ｈ ｓ ｏ ｔ ｎｅ ｅ ｅ ｔｏ ｉｔ ｗｈｉｈ ｍ ｅ ｎ ｉ ｐ ｉ ｅ ｅ ｅｖ ｒ ｅ ｄ ｏ ａｍ ｃ ｈ ｒｅ ｄ ｄ ｔ ｃｉｎ ｌ ， ｓ ｃ ａ ｓ ａ ｓｍ ｌ ｄ ｒ ｃ ｉｅ ． ｉ ｆ
Ｋｅ ｒ ｓ Ｌｓ ｐ ｅｅＤｅｏ ｉｇ（ Ｓ ； ｙＷｏｄ ： ｉ Ｓ ｈ ｒ ｃ ｄｎ Ｌ Ｄ） ＭＡＰ ｄ ｔｃｉｎ Ｍｅｒ ｔ ｅｅｔ ； ｔｉ ｏ ｃ
１ 引言
后 验 概 率 检 测 是 ＭＩ ＭＯ 系 统 中迭 代 检 测 译 码 算法 的重 要 组 成 部 分 。但 在 ＭＩ Ｏ 系 统 中 ，基 于 穷尽 形式 列表 的后 Ｍ
可 Ｄ ２将 Ｓ 检测相结合 ，避免 了符号序列在不 同半径下 的重复检测 。仿 真表 明，在 较小的性能损失前提下 ，该算法可以显著减小检
一种自适应失效检测算法的研究与应用
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ， Ｓ ｉ ｃ ｈ ｕ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｃ ｈ ｅ ｎ ｇ ｄ ｕ ６ １ ０ ０ ６ ５ ， Ｃ ｈ ｉ ｎ ａ ） ［ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ］ Ｆ ａ ｉ ｌ ｕ ｒ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｉ ｓ ｏ ｎ ｅ ｏ ｆ ｔ ｈ ｅ ｃ ｒ ｕ ｃ ｉ ａ ｌ ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｓ ｔ ｏ ｐ ｒ ｏ ｍｉ ｓ ｅ ｔ ｈ ｅ ｄ ｉ ｓ ａ ｓ ｔ ｅ ｒ ｒ ｅ ｃ ｏ ｖ ｅ ｒ ｙ ｓ ｙ ｓ ｔ ｅ ｍ’ Ｓ ｓ ｅ ｒ ｖ ｉ ｃ ｅ ａ ｂ ｉ ｌ ｉ ｔ ｙ ， ａ ｎ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｃ ａ ｌ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ
第４ ０卷 第 ３期
、 ， ０ １ ． ４ ０
Ｎｏ． ３
计
算
机
工
程
２ ０ １ ４ 年 ３月
Ｍａ ｒ ｃ ｈ ２ ０１ ４
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
・ 开发研 究与工程应 用 ・
一
文章编号：１ ０ ０ ０ — ３ ４ ２ ８ （ ２ ０ １ ４ ） ０ ３ — ０ ３ ０ ３ — ０ ３
ｆ ａ ｉ ｌ ｕ ｒ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ｈ ａ ｓ ｔ ｈｅ ｓ ｈ ｏ ｒ ｔ ａ ｇ ｅ ｏｆ ｌ ｏｎ ｇ ｆ ａ ｉ ｌ ｕ ｒ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｔ ｉ ｍｅ ａ ｎ ｄ ｈ ｉ ｇ ｈ ｅ ｒｏ ｒ ｒ ａ ｔ ｅ ．Ｆｏ ｒ ｔ ｈｉ ｓ ｐｒ ｏ ｂ ｌ ｅ ｍ ，ｔ ｈｉ ｓ ｐａ ｐｅ ｒ ｓ ｔ ｕｄ ｉ ｅ ｓ ａ ｎ ａ ｄ ａ ｐ ｔ ｉ ｖｅ ｆ ａ ｉ ｌ ｕｒ ｅ ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ￣ ， － ＦＤ，ｂ ａ ｓ ｅ ｄ ｏ ｎ ｅ ｘ ｐｏ ｎ ｅ ｎ ｔ ｉ ａ ｌ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ．Ｓ ｉ ｍｕ ｌ ｔ ａ ｎ ｅ ｏ ｕｓ ｌ ｙ ，Ｌ－ ＦＤ ｃ ｏ ｍｂ ｉ ｎｅ ｓ Ｐ ｕｌ ｌ ｈ ｅ ａ ｒ ｔ ｂ ｅ ａ ｔ ａ ｎ ｄ Ｐ ｕｓ ｈ ｈｅ ａ ｒ ｔ ｂｅ ａ ｔ ｔ ｏ ａ ｃ ｈｉ ｅ ｖ ｅ ｒ ｅ － ｃ ｈ ｅ ｃ ｋ．Ｅｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ￣ ， － Ｆ Ｄ ｈ ａ ｓ ｔ ｈ ｅ ｏ ｐ ｔ ｉ ｍａ ｌ ｐｅ ｒ ｆ ｏ ｒ ｍａ ｎｃ ｅ ｗｈ ｅ ｎ ｉ ｔ ｓ ｅ ｔ ｓ ｔ ｈ ｅ ｔ ｈ ｒ ｅ ｓ ｈｏ ｌ ｄ ｔ ｏ ０ ． ６８ ，ｔ ｈｅ ｆ ａ ｉ ｌ ｕ ｒ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｔ ｉ ｍｅ ｔ ｏ １ ３ ３ ９． ５ ｍｓ ａ ｎｄ ｔ ｈ ｅ ｅ ｒ ｒ ｏ ｒ ｒ ａ ｔ ｅ ｔ ｏ ０． ０５ ５ ７ ％， ａ ｎｄ ｔ ｈｅ ｌ ａ ｔ ｔ ｅ ｒ ｉ ｓ ｍｕ ｃ ｈ ｌ ｏ ｗｅ ｒ ｔ ｈ ａ ｎ ｔ ｈｅ ｅ ｒｏ ｒ ｒ ａ ｔ ｅ ｏ ｆ 一 ＦＤ，１ ５ ． １ ９ ％ ，ａ ｎ ｄ ｔ ｈｅ ｅ ｒｏ ｒ ｒ ａ ｔ ｅ ｏｆ Ｃｈ ｅ ｎ — ＦＤ．２ ４ ． ９ ２％ ． Ｓｏ ｈｅ ｔ ｅ ｒ ｒ ｏ ｒ ｒ ａ ｔ ｅ ｏ ｆ九 一 Ｆ Ｄ ｉ ｓ ｇ ｅ ｎ ｅ ｒ ａ ｌ ｌ ｙ ｌ ｏｗｅ ｒ ｔ ｈａ ｎ ｔ ｈ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｃ ａ ｌ ａ ｌ ｇｏ ｒ ｉ ｔ ｈ ｍｓ ｗｈｉ ｃ ｈ ｈ ａ ｖ ｅ ｔ ｈ ｅ ｓ ａ ｍｅ ｆ ａ ｉ ｌ ｕ ｒ ｅ
运动轨迹拟合度评估
运动轨迹拟合度评估
运动轨迹拟合度评估是指通过数据分析和运动模型来评估运动员的运动轨迹与理想轨迹之间的匹配程度。
这一评估方法在运动训练和运动技术优化中起着重要作用，可以帮助运动员和教练员更好地了解运动员的表现，并提供指导性建议以改进运动技能。
首先，运动轨迹拟合度评估需要收集大量的运动数据，包括运动员的速度、加速度、位置等信息。
这些数据可以通过传感器、GPS 设备或运动摄像机等工具来获取。
通过对这些数据进行分析，可以得到运动员的实际运动轨迹。
其次，运动轨迹拟合度评估需要建立运动模型，用于描述理想的运动轨迹。
这个模型可以是基于运动力学原理的数学模型，也可以是基于历史数据和专家知识的经验模型。
通过比较实际运动轨迹和理想运动轨迹，可以评估运动员的表现，并找出存在的差距。
在评估过程中，运动轨迹拟合度评估可以通过各种数学方法来计算拟合度指标，比如均方根误差、相关系数、拟合优度等。
这些指标可以帮助运动员和教练员了解运动员的表现是否符合预期，并找出需要改进的方面。
最后，基于运动轨迹拟合度评估的结果，可以制定相应的训练计划和技术指导，以帮助运动员提高表现。
比如，如果评估结果显示运动员的实际轨迹与理想轨迹存在较大差距，可以通过调整训练方法、改进技术动作等方式来提高运动员的表现。
综合来看，运动轨迹拟合度评估是一种重要的运动分析方法，可以帮助运动员和教练员更好地了解运动表现，优化训练计划，提高运动技能水平。
随着科技的发展和数据分析技术的提高，运动轨迹拟合度评估将在运动训练和竞技领域发挥越来越重要的作用。
基于帧间差分自适应法的车辆抛洒物检测
基于帧间差分自适应法的车辆抛洒物检测李清瑶;邹皓;赵群;王建颖;刘智超;杨进华【摘要】高速公路抛洒物事件容易引发交通事故,造成不良影响.为了实现对高速公路抛洒物的检测,提出了帧间差分自适应法.该方法是基于连续帧间差分法和均值法背景减除的运动目标检测算法.首先,对图像进行包括灰度转换、图像降噪以及图像增强等预处理.然后,对连续的序列图像进行累计差分,对得到的差值图像进行求和运算并求平均,并对得到的图像通过选择合适的阈值T进行二值化;使用均值法进行背景建模,将当前帧与所得的背景模型进行差分运算并进行二值化处理.最后将用连续帧间差分法得到的二值图像与基于均值法的背景减除得到的二值图像进行逻辑"与"运算,并对逻辑运算后的结果进行数学形态学膨胀处理得到最终的运动目标检测结果.实验结果表明,该方法可在一定程度上克服传统的帧间差分法和均值背景减除法的缺点,更加完整准确地提取出前景运动目标.【期刊名称】《长春理工大学学报（自然科学版）》【年(卷),期】2018(041)004【总页数】6页(P108-113)【关键词】连续帧间差分法;背景减除法;帧间差分自适应法;抛洒物检测【作者】李清瑶;邹皓;赵群;王建颖;刘智超;杨进华【作者单位】长春理工大学光电工程学院,长春 130022;长春理工大学光电工程学院,长春 130022;长春理工大学光电工程学院,长春 130022;长春理工大学光电工程学院,长春 130022;长春理工大学光电工程学院,长春 130022;长春理工大学光电工程学院,长春 130022【正文语种】中文【中图分类】TP391.4高速公路交通事件指高速公路上的偶发异常事件，包括停驻车辆、货物散落、交通事故等，具有偶发性和随机性，不易及时发现和排除。
而且高速公路是全封闭的，车辆运行速度快，车流量大，一旦发生事故，会造成拥挤和交通延误，影响高速公路正常的通行能力。
高速公路抛洒物事件包括大型货车的货物散落以及其他车辆的随机抛物等，大型抛洒物容易引发交通事故的发生。