其他增强效果算法.DOCVIP

评阅成绩 计算机学院专业实习报告 专业名称 计算机科学与技术 实习题目 基于多摄像机协同的运动对象分割与三维重建系统之背景建模与运动前景分割 姓 名 李林 班 级 学 号 2008302499 实习时间 指导教师 杨涛 2010年7月14日 目 录 摘 要 1 第一章 基本原理 2 1.1高斯模型原理 2 1.2 混合高斯背景建模与更新 3 1.2.1 背景训练 4 1.2.2 模板匹配 4 1.2.3背景更新 5 第二章 运动物体提取 5 2.1目标提取概述 6 2.2 提取过程 6 2.2.1 参数设置 6 2.2.2 模型建立 6 2.2.3 背景学习 7 2.2.4 模板匹配与背景更新 9 第3章 其他增强效果算法 10 3.1阴影的检测和去除 10 3.1.1 阴影简介 10 3.1.2 阴影检测法 11 3.1.2 阴影去除 13 3.2形态学滤波 14 3.2.1 图像腐蚀与膨胀 15 3.2.2 开运算和闭运算 16 第四章 最终成品 18 4.1 成品说明 18 4.1.1性能说明 18 4.1.2成品样式 19 4.1.3使用说明 19 第五章 实习心得 19  摘 要 背景建模与运动前景分割是指从视频或者连续的图像序列中将运动的区域分割出来，本次实行所需的运动物体提取只是用来为后面的形成3维图形提供图像数据，日常生活中视频监控系统已广泛应用于各大公共场所，如公司，机场，酒店等都备有监控系统。但对于大多数监控系统来说，都需要监控者保持对监控录像的观测。如何实现视频监控系统的自动监控，是近年来比较关注的问题。自动视频监控技术其主要内容之一就是能监视某一特定场景中的新目标的出现，首先检测视频序列图像中是否有变化，如图像变化，说明有新目标出现，则把这个目标从视频图像序列中分割提取出来，为下一步的目标识别和跟踪提取数据提供基础。因此，一个视频监控系统的好坏，运动目标能否良好的提取是非常关键的。 目前运动目标的提取已经取得很多成果，并且不断有新技术、新方法出现。但是，在实际应用中，由于自然环境复杂，目标机动性高，使得提取与跟踪时干扰因素多，提取不准确且匹配效率不高。要提高跟踪的精度需要对复杂环境下的目标提取和跟踪进行研究，但到目前为止，仍没有一种普遍适用、比较完善的方法，因此对这两方面作进一步研究仍有很大空间。 针对本次实习的特殊场景，经分析决定采用混合高斯模型对运动图像进行提取，弥补单高斯模型不能适应背景微变化的这一缺陷，例如光照明暗、阴影等变化。利用混合高斯模型对输入的视频进行学习，之后再对运动物体进行前景提取，形成二值图像，运动物体置为白色，背景值为黑色，由于在提取过程中会存在这一些噪声点，所以最后运用腐蚀与膨胀运算对图像进行去噪处理。最终设计完形成的图像预计效果为能基本提取出运动物体，可能遇到较为复杂的背景会存在一定的噪声。 目前，从现有的测试数据来看程序能基本提取出运动物体，基本达到了预定的效果，在设计之中起初运用了帧间差分法，测试数据背景较为简单时能基本提取前景，但换成了光照发生变化的背景后运动物体的提取有明显难以改善的噪声，之后考虑更改算法，现有的算法中，光流法效果较为明显，但其算法较为复杂，不适合本次实习的开发，其次较为合适的还有单高斯模型，但其由于在变化的场景中表现不是很好，所以最终确定为采用混合高斯模型，GMM（Gaussian Mixture Model），高斯混合模型，是由Chris Stauffer 等人提出将其作为背景的统计模型，为同一场景中不同状态建立不同的高斯模型。该算法较其它的算法（如光流法，帧差法等）有良好的自适应性。本文采用了简化的GMM 对视频图像序列进行建模，并实现了对视频中的运动前景进行提取的效果。 本次实习的难点在于对于混合高斯模型算法的理解以及其参数的调试，不过经过两周的实习已对其有了一定的了解，总了来说较为圆满的完成了实习的任务。 第一章 基本原理 1.1高斯模型原理 高斯分布，也称为正态分布。是伟大的数学家高斯（Gauss）与1809 年在研究误差理论时推导出来的。对于随机变量x，其概率密度为 （1） 其中μ 为高斯分布的期望，σ 为高斯分布的方差。如果一组数据符合高斯分布，那么这种数据中的大多数会集中在以μ 为中心的-2σ 到2σ 范围内的这段区间里。其函数分布曲线如图1 所示。 图1 高斯分布示意图 在日常生活中，很多事件都是符合高斯分布的。对于某一场景中的视频图像，如果其背景相对静止，没有扰动因素，那么背景中的每个像素点在一段时间序列中的排列就可以用一个高斯分布来描述。但是在实际中，尤其是对于室外的场景，由于各种噪声的干扰，其背景变化是比较大的，会出现树