視頻監(jiān)控運(yùn)動(dòng)目標(biāo)分片跟蹤報(bào)告內(nèi)容1234馬爾可夫隨機(jī)場分割全局運(yùn)動(dòng)估計(jì)車輛檢測與跟蹤5圖像超分辨率重建2動(dòng)態(tài)場景的運(yùn)動(dòng)檢測視頻圖像中的目標(biāo)檢測與跟蹤，是計(jì)算機(jī)視覺的基礎(chǔ)課題，同時(shí)具有廣泛的應(yīng)用價(jià)值。依照目標(biāo)與攝像頭之間的關(guān)系：靜態(tài)場景目標(biāo)檢測相對簡單，研究漸趨成熟動(dòng)態(tài)場景相對復(fù)雜，成為當(dāng)前研究領(lǐng)域的熱點(diǎn)靜態(tài)場景幀差的一個(gè)例子3視頻序列運(yùn)動(dòng)檢測對于動(dòng)態(tài)場景，由于目標(biāo)與攝像頭之間存在復(fù)雜的相對運(yùn)動(dòng)，運(yùn)動(dòng)檢測富有挑戰(zhàn)性。傳統(tǒng)的幀差方法已經(jīng)不再適用，如何能對全局的運(yùn)動(dòng)進(jìn)行估計(jì)和補(bǔ)償，成為問題的關(guān)鍵。第一幀幀差圖像4解決思路要檢測動(dòng)態(tài)場景中的運(yùn)動(dòng)目標(biāo)，關(guān)鍵在于對場景的運(yùn)動(dòng)進(jìn)行估計(jì)，通過估計(jì)出的運(yùn)動(dòng)參數(shù)補(bǔ)償其運(yùn)動(dòng)，最后使用幀差法得到運(yùn)動(dòng)目標(biāo)。提取特征點(diǎn)特征點(diǎn)匹配最小二乘求運(yùn)動(dòng)參數(shù)提取特征點(diǎn)前一幀圖像后一幀圖像運(yùn)動(dòng)補(bǔ)償幀差法運(yùn)動(dòng)目標(biāo)5求解全局運(yùn)動(dòng)參數(shù)前一幀后一幀求特征點(diǎn)并匹配運(yùn)動(dòng)補(bǔ)償補(bǔ)償后的幀差圖像6實(shí)驗(yàn)結(jié)果與普通幀差法的比較

第50幀第80幀第5幀幀差法特征匹配的方法原序列7基于圖像金字塔分解的全局運(yùn)動(dòng)估計(jì)

采用了3層金字塔進(jìn)行多分辨率計(jì)算,而且在每層迭代計(jì)算中,將基于塊的外點(diǎn)去除算法與特征點(diǎn)提取算法相結(jié)合,這樣既加快了算法的速度,又提高了計(jì)算結(jié)果的準(zhǔn)確性。8基本步驟如下：用高斯圖像構(gòu)造法構(gòu)造圖像金字塔；對金字塔頂層圖像進(jìn)行全局運(yùn)動(dòng)估計(jì)，求得運(yùn)動(dòng)參數(shù)；將頂層金字塔求得的參數(shù)集隱射到金字塔的中間層，并對該層進(jìn)行全局運(yùn)動(dòng)估計(jì)，求得相應(yīng)的運(yùn)動(dòng)參數(shù)；將金字塔中間層的參數(shù)集映射到金字塔的底層,對該層進(jìn)行全局運(yùn)動(dòng)估計(jì)，求得該層的運(yùn)動(dòng)參數(shù)集,即最終求得的參數(shù)集。利用求得的最終參數(shù)集，對圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償，將運(yùn)動(dòng)補(bǔ)償后的圖像與前一幀圖像進(jìn)行差值。9下圖給出了運(yùn)動(dòng)補(bǔ)償與直接幀差的結(jié)果比較圖1

Coastguard序列圖像圖2直接幀差和運(yùn)動(dòng)補(bǔ)償后的差值圖比較10運(yùn)動(dòng)目標(biāo)分分片跟蹤報(bào)告內(nèi)容1234馬爾可夫隨隨機(jī)場分割割全局運(yùn)動(dòng)估估計(jì)車輛檢測與與跟蹤5圖像超分辨辨率重建11目標(biāo)分割的的意義與現(xiàn)現(xiàn)狀運(yùn)動(dòng)目標(biāo)的的準(zhǔn)確分割割，對于獲獲取目標(biāo)的的特征信息息非常重要要，直接影影響到進(jìn)一一步的運(yùn)動(dòng)動(dòng)目標(biāo)跟蹤蹤的處理，，傳統(tǒng)的運(yùn)運(yùn)動(dòng)目標(biāo)分分割的算法法主要有背背景差分，，相鄰幀間間差分，光光流場的方方法，這些些方法都有有各自的缺缺點(diǎn)和不足足，不能滿滿足準(zhǔn)確分分割運(yùn)動(dòng)目目標(biāo)的要求求。12Ohlander等提出了一一種多維直直方圖閾值值化分割方方法，該方方法直方圖圖閾值法不不需要先驗(yàn)驗(yàn)信息，計(jì)計(jì)算量較小小,但缺點(diǎn)是單單獨(dú)基于顏顏色分割得得到的區(qū)域域可能是不不完整的，，而且沒有有利用局部部空間信息息，分割不不準(zhǔn)確。13馬爾可夫隨隨機(jī)場分割割目前基于馬馬爾可夫隨隨機(jī)場隨機(jī)機(jī)場（MRF）運(yùn)動(dòng)目標(biāo)標(biāo)分割的方方法在圖像像分割領(lǐng)域域影響越來來越大，該該方法與傳傳統(tǒng)方法和和閾值法相相比，由于于基于MRF的運(yùn)動(dòng)目標(biāo)標(biāo)分割方法法同時(shí)考慮慮了圖像顏顏色信息和和空間關(guān)聯(lián)聯(lián)信息，因因此分割效效果較好。。14另外，MRF參數(shù)選選取的好好壞會(huì)直接接影響到分分割結(jié)果，，Smits等研究雷達(dá)達(dá)圖像分割割時(shí)表明，，馬爾可夫夫參數(shù)如果果較大容易易形成較長長的邊緣，，較小容易易形成微邊邊緣，而固固定的馬爾爾可夫參數(shù)數(shù)則使目標(biāo)標(biāo)的輪廓模模糊，對分分割出的目目標(biāo)準(zhǔn)確判判斷產(chǎn)生不不利影響。。15因此，我們們提出一種種基于自適適應(yīng)權(quán)值的的區(qū)域馬爾爾可夫隨機(jī)機(jī)場的分割割方法，結(jié)結(jié)合分水嶺嶺預(yù)分割算算法，并利利用形態(tài)濾濾波對分割割結(jié)果進(jìn)行行修正，較較好地解決決了分割不不準(zhǔn)確，目目標(biāo)信息丟丟失的問題題。16基于MRF的運(yùn)動(dòng)目標(biāo)標(biāo)分割馬爾可夫隨隨機(jī)場是把把一維因果果馬爾可夫夫鏈擴(kuò)展成成二維的結(jié)結(jié)果，Hammersley-Clifford定理指出了了MRF和Gibbs分布之間的的等價(jià)性，，每個(gè)MRF都可以用一一個(gè)Gibbs分布來描述述，這樣就就解決了MRF概率難求的的問題。17Gibbs分布可定義義成如下公公式：圖像上每一一點(diǎn)的概率率分布18對于一幀CIF圖像，存在在一系列的的像素點(diǎn)，，對于這這些點(diǎn)存在在一標(biāo)記場場和事先觀觀察場，，這樣馬爾爾可夫隨機(jī)機(jī)場的運(yùn)動(dòng)動(dòng)目標(biāo)分割割的問題可可以歸結(jié)為為在事先觀觀察場和其其它一系列列約束條件件下，確定定運(yùn)動(dòng)目標(biāo)標(biāo)區(qū)域和背背景區(qū)域的的二值標(biāo)記記問題。19MRF運(yùn)動(dòng)目標(biāo)標(biāo)分割結(jié)結(jié)果一（a）實(shí)驗(yàn)序序列1（b）固定閾閾值二值值化（c）高斯模模型分割割（（d）自適應(yīng)應(yīng)值MRF分割20MRF運(yùn)動(dòng)目標(biāo)標(biāo)分割結(jié)結(jié)果二（a）實(shí)驗(yàn)序序列2（b）固定閾閾值二值值化（c）高斯模模型分割割（（d）自適應(yīng)應(yīng)值MRF分割21運(yùn)動(dòng)目標(biāo)標(biāo)分片跟跟蹤報(bào)告內(nèi)容容1234馬爾可夫夫隨機(jī)場場分割全局運(yùn)動(dòng)動(dòng)估計(jì)車輛檢測測與跟蹤蹤5圖像超分分辨率重重建22分片跟蹤蹤為什么引引入分片片跟蹤：在目標(biāo)跟跟蹤領(lǐng)域域，一個(gè)個(gè)重要的的難題就就是目標(biāo)標(biāo)的遮擋擋問題，，因?yàn)檎谡趽醢l(fā)生生時(shí)目標(biāo)標(biāo)可能部部分或全全部不可可見。模擬人眼眼跟蹤目目標(biāo)的方方式，發(fā)發(fā)生遮擋擋時(shí)，人人眼會(huì)關(guān)關(guān)注目標(biāo)標(biāo)的可見見部分來來繼續(xù)跟跟蹤。受受這一思思想啟發(fā)發(fā)，我們們將目標(biāo)標(biāo)分成多多個(gè)小片片，目標(biāo)標(biāo)被遮擋擋時(shí)，利利用“可可見片””來跟蹤蹤。23分片跟蹤蹤主要思想想：將目標(biāo)分分片，建建立目標(biāo)標(biāo)分片表表現(xiàn)模型型（模板板）。在在目標(biāo)上上一幀的的位置周周圍遍歷歷搜索，，找到與與目標(biāo)模模板相似似度最高高的候選選目標(biāo)作作為跟蹤蹤結(jié)果。。當(dāng)前幀上一幀目標(biāo)位置候選目標(biāo)位置搜索窗口目標(biāo)分片24分片跟蹤蹤其中相似似度的度度量是通通過各片片的空間間直方圖圖匹配來來實(shí)現(xiàn)的的。確定定目標(biāo)位位置后，，判斷目目標(biāo)中各各片的有有效性，，我們僅僅利用有有效片進(jìn)進(jìn)行下一一幀的跟跟蹤。被遮擋的的區(qū)域片基本丟丟失25模板更新新由上可見見這種分分片方法法已經(jīng)可可以很好好的解決決遮擋問問題。但是在跟跟蹤過程程中，目目標(biāo)的外外觀模型型可能發(fā)發(fā)生變化化（例如如目標(biāo)轉(zhuǎn)轉(zhuǎn)身、尺尺寸變化化等等））。那么么剛開始始為目標(biāo)標(biāo)建立的的模板就就不能很很好的表表示目標(biāo)標(biāo)，這將將影響跟跟蹤效果果。26目標(biāo)外觀觀變化時(shí)時(shí)片匹配配的情況況外觀緩慢慢變化時(shí)時(shí)，丟失失的片很很少27利用有效效片的概概念，我我們?yōu)槊棵總€(gè)目標(biāo)標(biāo)建立兩兩種模板板，臨時(shí)時(shí)模板和和參考模模板。臨時(shí)模板板—實(shí)時(shí)更新新的模板板，在無無遮擋情情況下跟跟蹤，可可以解決決目標(biāo)外外觀緩慢慢變化的的問題。。參考模板板—能夠很好好的表示示目標(biāo)的的模板，，用于遮遮擋情況況下的跟跟蹤。28分片跟蹤蹤多組實(shí)驗(yàn)驗(yàn)結(jié)果：：1.可以有效效的解決決目標(biāo)遮遮擋2.在目標(biāo)表表現(xiàn)模型型緩慢變變化的情情況下，，實(shí)時(shí)更更新模板板3.在背景較較為簡單單的情況況下實(shí)現(xiàn)現(xiàn)目標(biāo)尺尺度的更更新29分片跟蹤蹤遮擋下的的跟蹤30分片跟蹤蹤目標(biāo)表現(xiàn)現(xiàn)模型的的變化時(shí)時(shí)的跟蹤蹤31目標(biāo)尺度度發(fā)生變變化32運(yùn)動(dòng)目標(biāo)標(biāo)分片跟跟蹤報(bào)告內(nèi)容容1234馬爾可夫夫隨機(jī)場場分割全局運(yùn)動(dòng)動(dòng)估計(jì)車輛檢測測與跟蹤蹤5圖像超分分辨率重重建33車輛檢測測與跟蹤蹤包括以下下兩方面面內(nèi)容：：基于碼本本更新的的檢測與與跟蹤方方法基于輪廓廓匹配的的檢測與與跟蹤方方法34車輛檢測測與跟蹤蹤概述智能交通通系統(tǒng)：：(IntelligentTransportSystems,ITS)35車輛檢測測與跟蹤蹤概述影響車輛輛檢測和和跟蹤的的主要因因素：（1）車輛自自身陰影影；（2）車輛間間相互遮遮擋或車車輛被背背景中物物體遮擋擋；（3）同車型型車輛之之間具有有較大的的相似性性；（4）光線突突變；（5）夜晚和和雨、雪雪等惡烈烈天氣等等。主要針對對（1）、（2）兩種情情況開展展研究36車輛檢測測與跟蹤蹤概述車輛檢測測：改進(jìn)進(jìn)的碼本本算法解決車輛輛檢測中中的陰影影問題;車輛跟蹤蹤:Kalman預(yù)測的方方法解決車輛輛跟蹤中中的遮擋擋問題;37基于改進(jìn)進(jìn)碼本的的車輛檢檢測方法法運(yùn)動(dòng)檢測測方法：：幀間差分分方法光流場方方法背景減法法構(gòu)建較為為理想的的背景模型型38常用背景建模模和更新新算法混合高斯斯模型(MixtureofGaussians,MOG)：能處理復(fù)復(fù)雜、非非靜止的的多模態(tài)態(tài)背景，，但它不不能適應(yīng)應(yīng)快速的的背景變變化,對噪聲變變化比較較敏感；；基于內(nèi)核核密度估估計(jì)(kerneldensityestimation,KDE)的非參數(shù)數(shù)背景模模型：需要大量量內(nèi)存來來存儲(chǔ)先先前的數(shù)數(shù)據(jù)，需需要很高高的計(jì)算算開銷；；基于Bayes決策的方方法：在場景比比較復(fù)雜雜或前景景與背景景顏色比比較接近近時(shí)，提提取的前前景目標(biāo)標(biāo)很不完完整39基于碼本模型型的運(yùn)動(dòng)動(dòng)目標(biāo)檢檢測方法法KimK，ProceedingsofIEEEInternationalConferenceonImageProcessing；2004算法是利利用量化化和聚類類技術(shù)來來構(gòu)建背背景模型型；針對彩色色監(jiān)控視視頻,對背景中中的每一一個(gè)像素素點(diǎn)進(jìn)行行一段時(shí)時(shí)間的采采樣，采采樣值聚聚類成碼碼本的形形式，碼碼本就代代表了背背景模型型。運(yùn)動(dòng)檢測測時(shí)，對對新輸入入的像素素值與其其對應(yīng)碼碼本做比比較,如果能找找到與其其匹配的的碼字，，則認(rèn)為為該像素素點(diǎn)為背背景點(diǎn)，，否則為為前景點(diǎn)點(diǎn)。40基于碼本模型型的運(yùn)動(dòng)動(dòng)目標(biāo)檢檢測方法法碼本方法法：計(jì)算聚類類均值和和樣本與與它的距距離,不涉及概概率運(yùn)算算,運(yùn)算速度度較快；；碼本方法法能處理理高亮和和陰影問問題，而而且訓(xùn)練練時(shí)允許許有前景景運(yùn)動(dòng)目目標(biāo)。該算法具具有較強(qiáng)強(qiáng)的魯棒棒性，能能實(shí)現(xiàn)對對運(yùn)動(dòng)目目標(biāo)較好好的檢測測。41基于碼本模型型的運(yùn)動(dòng)動(dòng)目標(biāo)檢檢測方法法原碼本算算法對RGB空間的視視頻序列列，已具具有較好好的檢測測效果，，有一些些不足之之處：視頻采集集設(shè)備，，如網(wǎng)絡(luò)絡(luò)攝像機(jī)機(jī)、DV和圖像采采集卡等等采集的的視頻序序列大多多是YUV格式的，，如果要要在RGB空間做運(yùn)運(yùn)動(dòng)檢測測，則需需要進(jìn)行行從YUV空間到RGB空間的轉(zhuǎn)轉(zhuǎn)換，而而該轉(zhuǎn)換換運(yùn)算為為浮點(diǎn)型型運(yùn)算，，運(yùn)算量量大；原算法在在RGB空間進(jìn)行行陰影處處理時(shí)，，需要做做浮點(diǎn)型型運(yùn)算，，進(jìn)一步步加大了了運(yùn)算量量。42基于改進(jìn)進(jìn)碼本的的車輛檢檢測實(shí)現(xiàn)現(xiàn)對原算法法進(jìn)行改改進(jìn)，直直接在YUV空間做運(yùn)運(yùn)動(dòng)檢測測及陰影影處理，，省去了了大量的的浮點(diǎn)型型運(yùn)算，，提高了了算法的的效率。。檢測步驟驟：（1）初始碼碼本的建建立（2）前景運(yùn)運(yùn)動(dòng)目標(biāo)標(biāo)檢測（3）陰影影和高亮亮問題的的解決（4）目標(biāo)檢檢測過程程的碼本本實(shí)時(shí)更更新43車輛跟蹤蹤方法的的實(shí)現(xiàn)基于Kalman濾波的車車輛跟蹤蹤通過運(yùn)動(dòng)估計(jì)計(jì)和目標(biāo)匹配配兩個(gè)模塊塊實(shí)現(xiàn)對對車輛的的跟蹤。。利用前一一幀獲得得的參數(shù)數(shù)作為Kalman濾波的狀狀態(tài)變量量，當(dāng)前前幀獲得得的參數(shù)數(shù)作為觀觀測值，，通過Kalman濾波推導(dǎo)導(dǎo)獲得估估計(jì)值。。以估計(jì)值值為中心心進(jìn)行目目標(biāo)匹配配，如果果能匹配配上則認(rèn)認(rèn)為是當(dāng)當(dāng)前運(yùn)動(dòng)動(dòng)目標(biāo)，，如果匹匹配不上上則認(rèn)為為出現(xiàn)了了遮擋，，使用Kalman對其位置置進(jìn)行預(yù)預(yù)測。44算法步驟驟Step1背景模型型訓(xùn)練，，得到表表示初始始背景模模型的碼碼本。Step2輸入像素素點(diǎn)和碼碼本做比比較判斷斷，得到到可能的的前景像像素點(diǎn)，，同時(shí)更更新碼本本。Step3去除可能能前景像像素點(diǎn)中中陰影和和高亮區(qū)區(qū)域，得得到真實(shí)實(shí)的前景景點(diǎn)，同同時(shí)更新新碼本。。Step4去噪，連連通區(qū)域域分析，，根據(jù)檢檢測出的的運(yùn)動(dòng)目目標(biāo)的長長寬消除除非車輛輛目標(biāo)，，將運(yùn)動(dòng)動(dòng)車輛分分割出來來。Step5使用卡爾曼濾濾波器預(yù)測車車輛在下一幀幀中的可能位位置。Step6在預(yù)測區(qū)域周周圍對各個(gè)車車輛進(jìn)行匹配配跟蹤。轉(zhuǎn)Step2，進(jìn)行下一輪輪跟蹤。45夜晚車輛檢測測結(jié)果46普通路面檢測測結(jié)果（a）序列某一幀幀（b）混合高斯模模型檢測結(jié)果果（c）Bayes決策檢測結(jié)果果（d）本方法檢測測結(jié)果47高速公路檢測測結(jié)果（a）序列某一幀幀（（b）混合高斯模模型檢測結(jié)果果（c）Bayes決策檢測結(jié)果果（d）本方法檢測測結(jié)果48跟蹤結(jié)果（a）序列第168幀跟蹤結(jié)果（（b）序列第182幀跟蹤結(jié)果（c）目標(biāo)質(zhì)心在在x方向的坐標(biāo)（（d）目標(biāo)質(zhì)心在在y方向的坐標(biāo)49跟蹤結(jié)果與粒粒子濾波方法法比較（a）粒子濾波第第40幀（（b）粒子濾波第第60幀（c）粒子濾波第第88幀（（d）粒子濾波第第100幀50跟蹤結(jié)果與經(jīng)經(jīng)典CamShift方法比較（a）CamShift第40幀（b）CamShift第60幀（c）CamShift第88幀（d）CamShift第100幀51跟蹤結(jié)果比較較（a）本文方法第第40幀（（b）本文方法第第60幀（c）本文方法第第88幀（（d）本文方法第第100幀52車輛檢測與跟跟蹤包括以下兩方方面內(nèi)容：基于碼本更新新的檢測與跟跟蹤方法基于輪廓匹配配的檢測與跟跟蹤方法53背景傳統(tǒng)視頻檢測測車流量統(tǒng)計(jì)計(jì)主要采用車車輛檢測和跟跟蹤技術(shù)相結(jié)結(jié)合的方法，，算法復(fù)雜且且容易受到外外界干擾影響響，本文建立若干干車輛遮擋模模型，利用分分層輪廓匹配配法將運(yùn)動(dòng)目目標(biāo)與車輛遮遮擋模型進(jìn)行行輪廓匹配識(shí)識(shí)別出遮擋車車輛。為了提提取運(yùn)動(dòng)目標(biāo)標(biāo)完整外部輪輪廓，提出一一種基于連通通域的兩輪掃掃描法來標(biāo)記記各個(gè)運(yùn)動(dòng)車車輛，并利用用YUV彩色空間對陰陰影進(jìn)行檢測測和抑制，提提高車流量統(tǒng)統(tǒng)計(jì)精度。54一、基于連通通域的兩輪掃掃描法通過背景減法法得到運(yùn)動(dòng)區(qū)區(qū)域后，各個(gè)個(gè)運(yùn)動(dòng)目標(biāo)可可以認(rèn)為是一一個(gè)獨(dú)立的連連通域，本文文采用基于連連通域的兩輪輪掃描法標(biāo)記記這些連通域域，從而實(shí)現(xiàn)現(xiàn)目標(biāo)分割。。55基于連通域的的兩輪掃描法法一、第一輪掃掃描初步標(biāo)記各個(gè)個(gè)連通域。針針對背景減法法所得到的二二值化圖，按按照從上向下下，從左至右右的順序掃描描各像素點(diǎn)，，判斷當(dāng)前掃掃描點(diǎn)像素值值是否為255,如果像素值為為255，說明該點(diǎn)是是運(yùn)動(dòng)像素點(diǎn)點(diǎn)，接著判斷斷該點(diǎn)鄰近像像素點(diǎn)是否已已被標(biāo)記以決決定當(dāng)前像素素點(diǎn)標(biāo)記值，，當(dāng)遇到第第一個(gè)已被標(biāo)標(biāo)記的鄰近像像素點(diǎn)，就將將該像素點(diǎn)的的標(biāo)記值作為為當(dāng)前掃描像像素點(diǎn)的標(biāo)記記值，若鄰近近像素點(diǎn)都未未標(biāo)記，說明明該像素點(diǎn)可可能屬于一個(gè)個(gè)新的目標(biāo)塊塊，賦予該像像素點(diǎn)新的標(biāo)標(biāo)記值。56基于連通域的的兩輪掃描法法二、第二輪掃掃描第一輪掃描后后可能存在同同一連通域的的像素點(diǎn)被標(biāo)標(biāo)記成不同目目標(biāo)的情況，，第二輪掃描描將同一連通通域內(nèi)不同標(biāo)標(biāo)記值的目標(biāo)標(biāo)合并為一個(gè)個(gè)目標(biāo)。判斷斷每個(gè)像素點(diǎn)點(diǎn)標(biāo)記值是否否為0，如果為0，說明當(dāng)前掃掃描點(diǎn)為背景景像素點(diǎn)，則則不予處理。。反之進(jìn)一步步查詢當(dāng)前掃掃描點(diǎn)鄰近像像素點(diǎn)是否已已被標(biāo)記，，按照從上到到下，從左至至右的順序?qū)︵徑袼攸c(diǎn)點(diǎn)進(jìn)行掃描，，當(dāng)遇到第一一個(gè)已被標(biāo)記記且標(biāo)記值與與當(dāng)前像素點(diǎn)點(diǎn)標(biāo)記值不同同的鄰近像素素點(diǎn)時(shí)，將進(jìn)進(jìn)行合并。57基于連通域的的兩輪掃描法法(a)一輪掃描后(b)二輪掃描后58對比情況（a）原始圖像（b）分割后（（c）逐行掃描法法（d）本文掃描方方法上圖是實(shí)際的的目標(biāo)分割結(jié)結(jié)果比較。圖圖（a）為原始圖像像，圖（b）為運(yùn)動(dòng)檢測測結(jié)果，存在在外部輪廓不不連續(xù)的情況況。逐行掃描描法將該運(yùn)動(dòng)動(dòng)目標(biāo)分割成成好幾塊不同同的區(qū)域，如如圖（c）所示，而本本文兩輪掃描描法成功將該該運(yùn)動(dòng)目標(biāo)分分割成一個(gè)獨(dú)獨(dú)立的區(qū)域，，如圖（d）所示。59二、通過輪廓廓匹配來解決決遮擋問題處于遮擋狀態(tài)態(tài)的運(yùn)動(dòng)目標(biāo)標(biāo)與未處于遮遮擋狀態(tài)的運(yùn)運(yùn)動(dòng)目標(biāo)分割割得到的輪廓廓有很大的差差異，本文分分析目標(biāo)的外外部輪廓來判判斷該運(yùn)動(dòng)目目標(biāo)是否處于于遮擋狀態(tài)。。先建立若干干車輛遮擋模模型，代表一一些常見的車車輛遮擋情況況，再提取運(yùn)運(yùn)動(dòng)目標(biāo)的輪輪廓分別與各各個(gè)車輛遮擋擋模型的外部部輪廓進(jìn)行匹匹配，根據(jù)匹匹配值判斷該該運(yùn)動(dòng)目標(biāo)是是否處于遮擋擋狀態(tài)。60遮擋模型下圖所建立的的車輛遮擋模模型代表了典典型的相鄰車車道車輛遮擋擋情況。m1m261分層輪廓匹配配方法本文采用一種種分層輪廓匹匹配方法來比比較運(yùn)動(dòng)目標(biāo)標(biāo)與車輛遮擋擋模型的外部部輪廓，該方方法在匹配過過程中利用輪輪廓的整體和和局部信息進(jìn)進(jìn)行計(jì)算。首首先提取運(yùn)運(yùn)動(dòng)目標(biāo)輪廓廓，并進(jìn)行采采樣并以二叉叉樹形式存儲(chǔ)儲(chǔ)，如右圖圖。62分層輪廓匹配配方法我們主要依靠靠該二叉樹的的獨(dú)特分層結(jié)結(jié)構(gòu)逐層進(jìn)行行匹配比較，，最終計(jì)算出出匹配值。具具體的匹配計(jì)計(jì)算可以利用用下面這個(gè)遞遞歸等式來表表示：63試驗(yàn)結(jié)果（a）遮擋模型（（b）原始遮擋圖圖像（c）分割處理后后（（d）遮擋模型與與運(yùn)動(dòng)目標(biāo)匹匹配64試驗(yàn)結(jié)果（a）（b）（c）（d）（e）（f）（g）表1上圖各個(gè)車輛輛與車輛遮擋擋模型輪廓匹匹配結(jié)果65三、主要算法法步驟（1）首先根據(jù)背背景減法，初初步分割出運(yùn)運(yùn)動(dòng)目標(biāo)，并并對運(yùn)動(dòng)目標(biāo)標(biāo)進(jìn)行形態(tài)學(xué)學(xué)處理，填補(bǔ)補(bǔ)內(nèi)部空洞，，去掉一些孤孤立的噪聲點(diǎn)點(diǎn)。（2）基于YUV彩色空間檢測測并去除出運(yùn)運(yùn)動(dòng)目標(biāo)的陰陰影像素。由由于YUV的色差分量U、V和HSV空間的色度以以及飽和度分分量存在一定定的聯(lián)系，色色度可以近視視表示為,而可以認(rèn)為是是飽和度的值值，陰影像素素與背景像素素比較，亮度度有很大的變變化，飽和度度線性減少，，色度一般不不變，利用這這一性質(zhì)檢測測并去除出陰陰影像素。66主要算法步驟驟（3）通過本文提提出的兩輪掃掃描法，分割割各個(gè)運(yùn)動(dòng)目目標(biāo)，采集各各個(gè)運(yùn)動(dòng)目標(biāo)標(biāo)的大小，位位置，矩特征征，以及輪廓廓信息等，并并修補(bǔ)外部輪輪廓中不連續(xù)續(xù)的部分，得得到完整的目目標(biāo)輪廓，供供后續(xù)處理。。（4）根據(jù)分層輪輪廓匹配方法法，對每一個(gè)個(gè)運(yùn)動(dòng)目標(biāo)，，提取輪廓信信息與車輛遮遮擋模型輪廓廓匹配比較，，如果該運(yùn)動(dòng)動(dòng)目標(biāo)與某一一遮擋模型的的輪廓匹配值值小于某一閾閾值，則認(rèn)為為是匹配的，，判定該目標(biāo)標(biāo)處于對應(yīng)遮遮擋狀態(tài)。67主要算法步驟驟（5）判斷車輛是是否通過。本本文采用類似似開辟檢測帶帶的方法進(jìn)行行判斷，首先先設(shè)置一條檢檢測線，橫貫貫馬路，分析析位于檢測線線上的各個(gè)運(yùn)運(yùn)動(dòng)車輛，對對于每一幀圖圖像中位于檢檢測線上的所所有運(yùn)動(dòng)車輛輛，我們都要要查詢對應(yīng)位位置在上一幀幀附近是否存存在運(yùn)動(dòng)車輛輛，如果存在在，則它們可可能是同一輛輛車，進(jìn)一步步查詢這兩個(gè)個(gè)運(yùn)動(dòng)車輛的的大小、方差差與均值（矩矩特征）差值值是否保持在在一個(gè)范圍內(nèi)內(nèi)，若小于某某一閾值，則則認(rèn)為它們是是同一輛車，，反之認(rèn)為當(dāng)當(dāng)前車輛是剛剛進(jìn)入檢測線線的新車輛，，進(jìn)一步查詢詢它的遮擋狀狀態(tài)，根據(jù)遮遮擋情況，增增加車輛計(jì)數(shù)數(shù)值，達(dá)到統(tǒng)統(tǒng)計(jì)出車流量量的目的。68運(yùn)動(dòng)目標(biāo)分片片跟蹤報(bào)告內(nèi)容1234馬爾可夫隨機(jī)機(jī)場分割全局運(yùn)動(dòng)估計(jì)計(jì)車輛檢測與跟跟蹤5圖像超分辨率率重建69超分辨率重建建的概念超分辨率重建建(super-resolutionreconstruction)是指：從單幀幀或一序列低低分辨率圖像像(LR)復(fù)原出一幅或或一序列高分分辨率圖像(HR)，HR圖像有著更高高的細(xì)節(jié)信息息和更好的主主觀質(zhì)量。LR序列HR圖像70圖像超分辨率率重建的必要要性攝像機(jī)在空間間上的分辨率率能力是有限限的。圖像分分辨率受攝像像機(jī)感光陣列列的空間密度度及其本身引引入的模糊誤誤差、運(yùn)動(dòng)模模糊、下采樣樣、噪聲等因因素，導(dǎo)致實(shí)實(shí)際拍攝圖像像的質(zhì)量較差差、分辨率低低。因此有必必要提高一定定的重建算法法來提高圖像像的分辨率，，改善圖像質(zhì)質(zhì)量。物體鏡頭感光陣列物體成像過程程：71圖像超分辨率率重建的理論論基礎(chǔ)傅立葉光學(xué)理理論中把成像像系統(tǒng)看成是是一個(gè)低通濾濾波器，在成成像過程中會(huì)會(huì)丟失高頻細(xì)細(xì)節(jié)：對于一一個(gè)線性空間間不變成像系系統(tǒng)，成像過過程可表示為為：g(x)表示像，f(x)表示物，h(x)表示點(diǎn)擴(kuò)展函函數(shù)。在截止頻率之之外H(u)=0，因此就把成成像系統(tǒng)看成成了一個(gè)傅立立葉濾波器，，對F(u)的解進(jìn)行了限限制。SR技術(shù)的目的就就在于恢復(fù)截截至頻率之外外的高頻信息息，以使圖像像獲得更多的的細(xì)節(jié)和信息息。它的理論論基礎(chǔ)是：解解析延拓理論論，信息疊加加理論和非線線性操作。y(x)=h(x)*f(x)Y(u)=H(u)F(u)F(u)=Y(u)/H(u)72超分辨率重建建的觀察模型型給出超分辨率率問題的完整整的數(shù)學(xué)描述述：給定p幀LR觀測圖像k=1,………p；每幀大小為為L1×L2，它們是來自自同一場景，，也可以看成成是來自HR圖像f的不同位置，，f的大小為H1×H2。每個(gè)是是x經(jīng)任意的偏移移、模糊以及下采采樣而形成。建立觀察模型型如下：Warp1M1WarpkMkWarppMpPSFBlur1B1PSFBlurkBkPSFBlurpBpSamplc1DSamplckDSamplcpD+++n1nknpy1ykypx73配準(zhǔn)在序列圖像超超分辨率重建建過程中，必必須從欲重建建圖像的前后后幀圖像中提提取相關(guān)的信信息作為本幀幀圖像信息的的補(bǔ)充，因此此必須找到當(dāng)當(dāng)前幀圖像中中各象素點(diǎn)在在前后序列圖圖像中所處的的位置。所以以圖像超分辨辨率重建中一一個(gè)關(guān)鍵性要要素就是對序序列圖像中每每個(gè)象素點(diǎn)進(jìn)進(jìn)行圖像間精精確的亞象素素級(jí)運(yùn)動(dòng)估計(jì)計(jì)。為什么要進(jìn)進(jìn)行圖像配配準(zhǔn)？1stframe2ndframenotcorrect741stframe2ndframecorrectresultregistrated2ndframe+75為什么需要要子像素的的配準(zhǔn)