下载文档原格式
opencv基于光流的物体跟踪方法基于光流的物体跟踪方法是计算机视觉领域中常用的一种技术，可以实现对视频中运动物体的跟踪和分析。
通过分析帧与帧之间的光流信息，可以获取物体的运动方向和速度，从而实现对物体的跟踪。
本文将介绍基于光流的物体跟踪方法的原理、算法和应用。
一、原理1.光流光流是指图像中像素点由于光强变化而产生的位移信息。
在视频中，同一个物体在相邻帧之间的位置会发生变化，光流可以通过分析这种位移信息来描述物体的运动。
2.基于光流的物体跟踪基于光流的物体跟踪方法主要分为两步：光流计算和物体跟踪。
光流计算：通过计算相邻帧之间的像素位移信息，获取光流场。
常用的光流计算方法有：基于互相关法的Lucas-Kanade算法、基于最小二乘法的Horn-Schunck算法等。
物体跟踪：通过分析光流场，确定运动物体的位置和速度。
常用的物体跟踪算法有：基于运动一致性的算法、基于光流跟踪算法等。
其中，基于运动一致性的算法通过比较不同区域的光流，判断是否属于同一物体；基于光流跟踪算法则通过追踪光流的路径，确定物体位置。
二、算法1. Lucas-Kanade算法Lucas-Kanade算法是一种经典的光流计算方法，基于互相关法。
它假设运动物体的光流在一个小的局部窗口内是恒定的，通过最小化误差平方和得到运动物体的光流。
该算法的优点是计算简单快速，适用于小范围、低速运动的物体。
2. Horn-Schunck算法Horn-Schunck算法是一种基于最小二乘法的光流计算方法，假设整个图像区域内的光流是恒定的。
该算法通过最小化光流连续性方程和平滑约束来求解光流。
它对于光强变化较大、噪声较多的图像具有较好的鲁棒性，适用于大范围、低速运动的物体。
3.基于运动一致性的物体跟踪算法基于运动一致性的物体跟踪算法采用一致性检验的方法判断不同区域的光流是否属于同一物体。
其基本思想是，在光流场中选择一个局部窗口，对窗口内的光流进行一致性检验。
opencv 基于光流的物体跟踪方法基于光流的物体跟踪是计算机视觉领域中的一个重要技术应用。
OpenCV是一个开源计算机视觉库，提供了丰富的算法和函数，用于实现各种图像处理和模式识别任务。
光流是描述图像中物体运动的一种方法，通过分析连续帧之间的像素强度变化，可以计算出每个像素在时间上的运动轨迹。
基于光流的物体跟踪方法利用这些运动信息，来跟踪图像中的特定物体。
在OpenCV中，可以使用光流法来实现物体跟踪。
光流法的基本原理是假设图像中的像素在连续帧之间的移动是连续的，并基于此构建运动模型。
OpenCV提供了多种光流算法的实现，其中比较常用的是Lucas-Kanade光流算法和Farneback光流算法。
Lucas-Kanade光流算法是一种光流估计方法，通过指定一个感兴趣的区域，在该区域内计算每个像素的运动向量。
这个算法的思想是，在每个像素周围的窗口内，通过最小化当前帧和前一帧之间的灰度误差，来计算像素的运动向量。
基于这些运动向量，可以实现物体的跟踪。
Farneback光流算法是另一种计算光流的方法，在这个算法中，通过在整个图像中建立稠密的运动场，来计算每个像素的光流向量。
这个算法利用了图像的空间连续性和相邻像素的相关性，可以更好地描述图像中的物体运动。
除了Lucas-Kanade和Farneback算法，OpenCV还提供了其他光流算法的实现，比如基于全局优化的Horn-Schunck算法和利用神经网络的FlowNet算法等。
总之，基于光流的物体跟踪是OpenCV中重要的功能之一，它可以通过分析图像中像素的运动信息，来实现对物体的准确跟踪。
无论是Lucas-Kanade算法、Farneback算法还是其他光流算法，OpenCV都提供了丰富的工具和函数来实现这一功能。
这些方法在视频监控、运动分析和目标追踪等领域具有广泛的应用前景。
基于光学流的运动目标跟踪技术研究随着科技的不断进步，运动目标跟踪技术得到了越来越广泛的应用。
其中，基于光学流的运动目标跟踪技术已经成为了研究的热点。
本文将从理论、应用以及未来发展等角度，来探究基于光学流的运动目标跟踪技术。
一、理论基础基于光学流的运动目标跟踪技术，依赖于光学流的计算。
所谓光学流，指的是相邻帧之间像素的运动速度。
在光学流的计算中，有三个基本假设，即：像素的亮度在其周围是不变的；相邻两个像素在瞬间的时间内的运动速度是基本一致的；同一平面内的物体，其光学流的速度是相同的。
在基于光学流的运动目标跟踪中，需要提取出目标的运动轨迹。
这个过程可以分为两个步骤。
首先，需要对图像进行预处理，去除不必要的干扰信息。
其次，根据光学流的计算结果，提取出目标的运动轨迹。
二、应用领域基于光学流的运动目标跟踪技术广泛应用于安防、交通、视频监控等领域。
在安防领域，可以通过该技术来识别可疑人员、车辆等目标，提高安全性。
在交通领域，可以通过该技术来实现车辆轨迹跟踪、交通状况监控等功能，为交通管理提供数据支持。
在视频监控领域，通过该技术可以实现对人员、动物等目标的跟踪，提高监控效果。
三、发展趋势虽然基于光学流的运动目标跟踪技术已经取得了一定的进展，但是仍然存在一些问题。
例如，在运动目标的遮挡、光照变化等情况下，该技术的性能下降明显，需要进一步研究解决。
未来，该技术将会在以下方面得到更好的发展：1、结合深度学习技术。
深度学习技术已经在图像识别、语音识别等领域取得了显著的成果。
将深度学习技术与基于光学流的运动目标跟踪技术结合，可以提高目标的识别率和跟踪效果。
2、开发更为智能化的跟踪算法。
传统的基于光学流的运动目标跟踪技术，对目标运动的速度和方向有一定的要求。
未来，需要研究开发更为智能化的跟踪算法，能够应对目标运动速度、方向变化较大的情况，提高跟踪的鲁棒性。
3、实现跨不同领域的应用。
基于光学流的运动目标跟踪技术，目前主要应用于安防、交通、视频监控等领域。
《基于光流法的运动目标检测与跟踪技术》篇一一、引言在计算机视觉和智能监控领域，运动目标检测与跟踪技术是一项至关重要的技术。
该技术通过实时获取并分析视频序列中的图像信息，对运动目标进行准确检测与跟踪，进而实现目标识别、行为分析、异常检测等功能。
光流法作为一种经典的运动目标检测与跟踪方法，具有广泛的应用前景。
本文将重点介绍基于光流法的运动目标检测与跟踪技术，分析其原理、方法及优缺点，并探讨其在实际应用中的发展前景。
二、光流法原理光流是指图像中像素点在单位时间内运动的速度和方向。
光流法基于图像序列中像素强度的变化来计算光流，从而实现对运动目标的检测与跟踪。
其基本原理是：在连续的视频帧之间，如果某个区域发生运动，那么该区域的像素强度变化将与周围区域产生差异。
通过分析这些差异，可以确定运动目标的轨迹和位置。
三、光流法在运动目标检测中的应用基于光流法的运动目标检测方法主要包括以下步骤：首先，通过计算图像序列中像素的光流，得到每个像素的运动矢量场；然后，根据预设的阈值或其他条件，从运动矢量场中提取出运动目标的轮廓信息；最后，通过形态学处理等手段对提取出的轮廓信息进行优化和整合，得到完整的运动目标区域。
该方法可以有效地从背景中分离出运动目标，为后续的跟踪和分析提供基础。
四、光流法在运动目标跟踪中的应用基于光流法的运动目标跟踪方法主要利用光流信息对运动目标进行连续的定位和跟踪。
具体而言，首先在初始帧中检测并确定运动目标的初始位置；然后根据后续帧中的光流信息，计算目标在连续帧之间的位置变化；最后通过一定的算法对目标的轨迹进行预测和更新，实现目标的跟踪。
该方法可以有效地解决因背景干扰、光照变化等因素导致的跟踪问题。
五、光流法的优缺点及改进方向优点：1. 适用于各种类型的运动目标，包括刚性物体和非刚性物体；2. 可以处理背景动态变化的情况；3. 在没有先验知识的情况下，能够自主地检测和跟踪运动目标。
缺点：1. 计算量大，实时性较差；2. 对光照变化和噪声较为敏感；3. 在复杂场景下，容易出现误检和漏检的情况。
《基于光流法的运动目标检测与跟踪技术》篇一一、引言在计算机视觉和智能监控领域，运动目标检测与跟踪技术是研究热点之一。
其中，基于光流法的运动目标检测与跟踪技术因其高效、实时和准确的特性而备受关注。
本文将详细介绍基于光流法的运动目标检测与跟踪技术的原理、方法及其应用。
二、光流法的基本原理光流是一种描述图像序列中像素点强度变化的技术。
在运动场景中，光流反映了像素点在时间维度上的运动轨迹。
基于光流法的运动目标检测与跟踪技术，主要是通过计算图像序列中像素点的光流信息，进而确定运动目标的轨迹和位置。
三、光流法的计算方法光流法计算的基本思想是假设在相邻两帧图像中，像素点的运动速度是连续的。
根据这个假设，可以计算出每个像素点的速度矢量，即光流。
常用的光流计算方法包括稀疏光流法和稠密光流法。
稀疏光流法主要关注图像中的特征点，通过匹配特征点来计算光流；而稠密光流法则计算图像中每个像素点的光流信息。
四、运动目标检测与跟踪技术基于光流法的运动目标检测与跟踪技术主要包括以下步骤：首先，通过计算图像序列中每个像素点的光流信息，得到图像的运动场；然后，根据运动场的分布和特性，检测出运动目标的位置和轨迹；最后，利用一定的跟踪算法，对运动目标进行持续跟踪和轨迹预测。
五、技术应用及优势基于光流法的运动目标检测与跟踪技术在智能监控、智能交通、人机交互等领域有着广泛的应用。
其优势在于能够实时、准确地检测和跟踪运动目标，对光照变化、遮挡等复杂场景具有较强的适应性。
此外，该技术还能为后续的目标识别、行为分析等提供可靠的数据支持。
六、技术挑战与展望尽管基于光流法的运动目标检测与跟踪技术取得了显著的成果，但仍面临一些挑战。
例如，在处理高动态场景、多目标交互等复杂情况时，算法的实时性和准确性有待提高。
未来，该领域的研究将围绕提高算法的鲁棒性、降低计算复杂度、融合多源信息等方面展开。
同时，随着深度学习、机器学习等技术的发展，基于光流法的运动目标检测与跟踪技术将更加智能化和自动化。
基于光流法的运动目标检测与跟踪技术基于光流法的运动目标检测与跟踪技术摘要：本文针对运动目标检测与跟踪问题，提出了一种基于光流法的新型技术。
通过对光流场的计算和分析，可以实现对视频图像中的运动目标进行准确检测和跟踪。
本文首先介绍光流法的基本原理和常用算法，然后提出了一种改进的光流法算法，包括光流计算、光流场分析和目标检测与跟踪过程。
最后，通过实验验证了该方法的有效性和准确性。
一、绪论运动目标的检测和跟踪是计算机视觉领域的重要研究方向之一。
在许多实际应用中，如视频监控、自动驾驶等，准确地检测和跟踪运动目标对于实现自动化和智能化具有重要意义。
光流法作为一种经典的运动目标检测和跟踪方法，已经被广泛应用于计算机视觉领域。
二、光流法的基本原理光流法是通过分析图像中的像素在时间上的变化来计算出运动场的一种方法。
其基本原理是基于一个假设：在连续帧之间，邻近的像素之间有相似的运动。
因此，通过计算相邻帧之间像素的灰度值差异，可以推导出运动场的信息。
三、光流法的常用算法1. Horn-Schunck 算法：该算法是光流法中最经典的方法之一。
它假设了连续图像之间的亮度恒定，并通过最小化光流误差方程求解运动场。
2. Lucas-Kanade 算法：该算法是利用局部邻域的光流约束，求解光流方程组的一个最小二乘解。
相比于 Horn-Schunck 算法，该算法对亮度变化敏感度较低。
四、改进的光流法算法为了提高光流法在运动目标检测和跟踪中的准确性和鲁棒性，本文提出了一种改进的光流法算法。
该算法主要包括以下几个步骤：1. 基于稀疏光流法计算光流：在计算光流时，为了降低计算复杂度，采用了稀疏光流法，选择了一部分具有代表性的像素进行光流计算。
2. 光流场分析：通过对光流场的统计分析，提取出关键信息，如目标的位置、速度和方向等。
同时，为了减少运动目标检测中的误检，对光流场进行滤波和优化处理。
3. 运动目标检测：基于光流场分析的结果，通过设定一定的阈值和规则，将光流场中的运动目标提取出来。
光流法运动目标检测光流法是一种计算机视觉的方法，用于检测视频中的目标运动。
它通过分析连续帧之间的像素变化，获得目标在时间上的位移信息。
本文将介绍光流法的原理、优缺点以及在目标检测中的应用。
光流法基于一个假设：相邻帧之间的像素强度保持不变。
根据这个假设，光流法找出当前帧中的每个像素，在下一帧中的对应位置。
这个对应位置的偏移量就是该像素的光流向量。
在光流法中，最常用的算法是Lucas-Kanade算法。
该算法基于最小二乘法，使用了窗口特征和局部性质。
首先，选择一个窗口大小，在当前帧和下一帧中找到窗口内的特征点，并计算它们的灰度差。
然后，根据灰度差和窗口的局部性质，用最小二乘法求解光流向量。
光流法有许多优点，使其成为目标检测中常用的技术之一。
首先，光流法只需要计算相邻帧之间的像素变化，不需要额外的训练过程，因此计算速度较快。
其次，光流法对目标运动的估计较为准确，能够捕捉到细微的移动，例如运动模糊或者快速的目标运动。
此外，光流法还具有较好的鲁棒性，对光照条件的变化和背景杂乱的情况具有一定的容忍度。
然而，光流法也有一些限制。
首先，光流法假设相邻帧之间的像素强度保持不变，这个假设在一些情况下并不成立，例如光照变化或者背景混杂的情况下。
此外，想要获得准确的光流向量需要选择合适的窗口大小和特征点，这个过程对于不同的视频可能需要调整参数，不够智能化。
在目标检测中，光流法常被用于场景分析、目标跟踪和行为识别等任务中。
在场景分析中，光流法可以根据目标的运动信息，进行场景的聚类和分割，帮助检测出不同的目标区域。
在目标跟踪中，光流法可以追踪目标的运动轨迹，提供目标位置的估计。
在行为识别中，光流法可以提取目标的动作特征，用于动作识别和行为分析。
综上所述，光流法作为一种计算机视觉的方法，在目标检测中具有重要的应用。
它能够根据连续帧之间的像素变化，获得目标的运动信息，用于场景分析、目标跟踪和行为识别等任务中。
虽然光流法存在一些限制，但其优点使其成为目标检测中常用的技术之一。
２。
２典鍪酌毙浚场鹜２．４燕一个嚣檬黪楚串酌穗邻秘羧翟绦。
～黎在旋转，蠹这嚣褴巍豫计算出来瓣光滤整图２，５。
图豫上每点豹光浚衩牾）（，Ｙ题个分港，组成～个离蠹。
蠢滠黼橡上每～点是国一个繁关缀戚麓，装头鹣方向代表涎滚趣方向，长度代表了光流酌大小。
２。
３光流的计算蚕２．４旋转蕊枣球图２，５计爨的巍流兆流约诗冀方法一般分或蹬类：１）基于梯凌静方法咚２）鏊－Ｔ匿配的方法鼎Ｈ帅；３）基于能餐的方法ｆｌｌｌ；４）莲予相位的方法ｆｊ２ｌ。
将在第四鬻重点讨论鏊予梯魔的方法和基予题配的方法，下飚简介一下这两种方法鼢基本思想。
（ａ）（ｂ）（ｃ）序列图像１的原始图像（ｂ）：Ｈｏｒｎ＆Ｓｃｈｕｎｃｋ算法（基于全局的算法）（Ｃ）：Ｌｕｃａｓ＆Ｋａｎａｄｅ算法（基于局部的算法）各算法的仿真条件，即实验参数如下：表４．１序列１的仿真条件算法条件ＨＯｍ＆Ｓｃｈｕｎｃｋ拉格朗日因子丑＝Ｏ．５，迭代次数七＝２０，对于梯度图像使用域值Ｔ＝Ｉ．０Ｌｕｃａｓ＆Ｋａｎａｄｅ特征值阈值ｆ＝１．０仿真得到的结果如下：表４．２序列１的仿真结果算法平均角误差（。
）标准误差（。
）耗时（Ｓ）Ｈｏｒｎ＆Ｓｃｈｕｎｃｋ２６．７１１．８２８Ｌｕｃａｓ＆Ｋａｎａｄｅ４．３６．５１２晗自；滨王程大学磺士学位论文扶仿真结采可黻看涪Ｌｕｃａｓ＆Ｋａｎａｄｅ算法韵平均角误差最，ｊ、，扶运算耗时的角度来说，Ｌｕｃａｓ＆Ｋａｎａｄｅ算法耗辩氇箍少，戮馥，Ｌｕｃａｓ＆Ｋａｎａｄｅ是一种眈较好的算法，在下蔼｝豹仿真串，主要是嘏据平均角误差米判断一令算法的优劣。
２．合痨￡＿亭列国像２图像魏国４．８所示，图像大，ｊ、菇３００ｘ２００，班每桉ｖ《２，２）象索豹速度运动，采用离袈平涛。
（ｂ）图４．８（ａ）：序列图像２的原始图像（ｂ）：Ｈｏｒｎ｛ｔＳｃｈｕｎｃｋ算法（基于全局的算法）（ｃ）：Ｌｕｃａｓ＆Ｉ【｛ａａａｄｅ算法（基于局部的算法）∥州班Ａ需１Ｉ‘ｗ∽，４，哈尔滨工程大学硕士学位论文∥州≯’一＾船≯㈣＋五（，：＋！）１＋五ｆ，：＋，！）这样做的结果是提高了准确度。
邮局订阅号：82-946120元/年技术创新软件时空《PLC 技术应用200例》您的论文得到两院院士关注基于光流的运动目标检测跟踪快速算法The Fast Algorithm Based on Optical Flow for Tracking Moving Targets(装甲兵工程学院)关兴来谢晓竹GUAN Xing-lai XIE Xiao-zhu摘要:采用光流算法对运动目标进行识别跟踪,其优点是能够适应复杂的背景条件,并且能保证目标分割的完整性,但现有的按照光流矢量对目标进行跟踪的算法有明显的局限性:运算量过大,并且不适用与运动特征复杂的目标。
对现有算法进行改进,采用均值平滑算法和基于光流绝对值的区域分割算法,可以有效解决这两个问题。
关键词:光流;运动目标;图像分割中图分类号:TP391.4文献标识码:AAbstract:Using optical flow algorithm for identification and tracking moving targets,the advantage is the ability to adapt to the com -plex background conditions,and can ensure the integrity of the target partition,but the existing target tracking algorithm based on op -tical flow vector has obvious limitations:excessive operation,and does not apply and movement characteristics of complex targets.Im -provements to existing algorithms,using the pyramid optical flow-based smoothing algorithm and the absolute value of the region seg -mentation algorithm can effectively solve these two problems.Key word:Optical flow;Kinetic target;Image segmentation 文章编号:1008-0570(2012)10-0421-03图像序列中的运动目标检测跟踪是指在图像序列中将前景运动区域从背景中提取出来。
图像序列中检测运动目标,主要有图像差分法(帧间差分和背景差分)、光流场的方法、统计模型的方法、运动能量的方法、小波变换的方法等。
其中,光流场的方法是利用运动物体随时间变化在图像中表现为速度场的特性,根据一定的约束条件估算出运动所对应的光流,然后根据光流矢量对图像中的目标进行检测,将目标从背景中分割出来。
与其它方法相比它的优点是可以避免分割目标不完整的情况,因此得到越来越广泛的应用。
但现有的基于光流算法同样存在以下缺陷:一是求稠密光流算法过于复杂。
图像金字塔法的计算过程过于复杂,求出图像的金字塔的计算量非常大,而且对金字塔的每层图像均需要重新求其光流值。
因此,这种经典的求稠密光流的方法运算时间过长,实时性较差。
二是不能适用于特征复杂的运动目标。
例如:一个人在走路时,其身体各个部位的光流矢量值是不同的。
对此类目标,如果仅仅根据光流矢量判断分割目标,很容易出现错误分割的情况。
1基于光流的运动目标跟踪原理基于光流的运动目标的检测跟踪流程包括求取稀疏光流,求取稠密光流和目标的分割标识等几个步骤。
目前,最常用的计算运动目标稀疏光流的算法是H-S 算法,此理论的前提是:运动目标的灰度在很短的间隔时间内保持不变;给定邻域内的速度向量场变化是缓慢的。
算法具体原理如下:首先是建立基本的光流约束方程,求稀疏光流。
令为时刻t 图像点(x,y)的灰度,u(x,y)和v(x,y)表示图像点(x,y)的水平和垂直移动速度,则可建立光流方程:(1)其中,Jx 、Jy 和Jt 分别表示图像中像素灰度沿X,Y,T 方向的梯度。
由于给定邻域内的速度向量场变化是缓慢的,可利用这个条件来建立下面两个光流约束方程,即:(2)(3)HS 算法是将这两个方程与光流方程结合,通过解最小化问题得出下面两个迭代公式:(4)(5)上面公式(4)(5),就是H-S 法求光流的迭代公式,一般情况下,需要迭代20次以上,才能求出精度较高的光流值。
通过H-S 算法计算的光流仅仅是稀疏光流,为了将整个目标的完整轮廓描绘出来,需要计算出目标的稠密光流。
求稠密光流可采用图像金字塔法:图像金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合。
先使用金字塔上较低的分辨率图像来求其光流值,然后再逐步求较高分辨率的光流。
在计算出稠密光流后,就可以将目标从背景中分割出来,实现对目标的检测和跟踪。
2对基于光流的目标跟踪算法的改进上面的算法存在计算复杂和无法跟踪复杂运动状态目标这两个缺陷,可通过对算法进行改进解决这两个问题。
改进的思想是,不再将光流矢量做为分割目标的特征,而是将光流取绝对值,根据光流绝对值值的大小,按照基于区域分割的原理,设置相应的阈值,对运动目标进行分割,然后使用均值平滑算法,求出运关兴来:工程师硕士研究生421--技术创新《微计算机信息》2012年第28卷第10期120元/年邮局订阅号：82-946《现场总线技术应用200例》软件时空动目标的稠密光流。
由于这个方法不再将精确的光流矢量值做为分割目标的特征值,因此在求稀疏光流时,没有必要求出非常精确的光流值,只需要将目标光流和背景分开即可。
经实验仅需迭代10次,即可满足分割目标所需的精度要求。
2.1选取阈值对运动目标进行分割首先对运动目标和背景的特征做如下假定:①运动目标在图像中投影的各像素的可测量光流值绝对值的的均值大于背景部分的像素;②运动目标之间的距离较大,明显大于目标本身的尺寸,即不考虑不同运动目标的重合问题;③在图像中,运动目标的面积明显小于背景。
根据以上假定,选择一个适当的阈值完成对运动目标的分割。
其算法是:先对图像中所有像素的水平和垂直光流值取绝对值,将图像中每一个像素的光流值减去阈值,结果大于0的为目标,小于等于0的为背景。
在取绝对值后,运动目标各点的光流平均值大于背景的光流平均值。
设运动目标、背景和整幅图像的光流平均值分别为M 1、M 2、M,则这三个值之间的关系如下:(6)设各点的光流值为f xy ,其下标中的x 和y 分别代表图像中像素点的坐标,将图像中各点光流绝对值减去M.(7)公式(7)中f 1xy 为减去均值后各像素的光流值。
由公式(6)可知,公式(7)求出的f 1xy 光流场中,光流值为负值或0的像素是背景像素,而光流值为正值的像素动画目标像素。
由于可能存在较强的噪声信号以及光流值计算公式自身不精确等原因,可能出现部分背景像素点的光流值明显大于其邻域的像素点,为了滤除这些干扰点,可以将阈值加上一个修正量:α(M 1-M),其中α为修正系数,一般取值0.01-0.2之间。
这样式(7)就变成:(8)由于按照式(4)(5)求得的光流值仅仅是稀疏光流,因此无法分割得到目标完整的轮廓。
同时,由于背景中的干扰信号或光流计算的不精确导致光流场中出现一些干扰信号。
解决这两个问题需要对分割后的光流场进行采用均值平滑法进行平滑。
2.2采用对光流图的平滑算法计算稠密光流均值平滑法的原理是,先确定平滑窗口的尺度,然后将图像中的各像素,在其平滑窗口范围内求其及临域像素的光流平均值做为这个像素的平滑后光流值。
其公式是:(9)上式中x 和y 分别是当前点的横坐标和纵坐标,f 1(x,y)是点(x,y)处的稀疏光流值,f 2(x,y)是进行平滑处理后,点(x,y)处的稠密光流值,2n+1是光流窗口的大小。
例如:n=2时,表示某点的光流值为以当前点为中心的5×5个像素组成的像素块的光流值的均值。
由于在随后进行图像分割时,是按照各像素的光流值是否大于0将图像分割为目标和背景,因此,在各像素光流值相对比例和符号不变情况下,具体数值的大小并不重要,为了简化运算,式(9)中的分母(2n+1)2可以省略,这样,式(9)就成为:(10)对于目标中稀疏光流像素临域内的0光流点,采用均值平滑的本质是用临域中光流的平均值进行插值。
从而实现求稠密光流的作用。
对图像的平滑处理,不仅可以将稀疏光流转化为密集光流,而且本身也可以起到消除噪声干扰的作用。
如图像中所有运动目标投影的像素集合为N 1,背景投影的像素集合为N 2。
则(11)(12)因此,在对图像中各像素的光流值进行一定次数的平滑处理后,存在噪声的像素的光流值,会逐渐被平滑为与其临域的背景光流值相同或相近。
(13)(14)式中,f 2xy 为平滑处理后各像素点的光流值。
在进行平滑时,选择不同的n 的值可以起到不同的平滑效果。
n 的值越大时,其平滑效果越明显。
计算出稠密光流后,以图像中各像素的水平和垂直光流值为特征值,根据各像素点光流值的符号,将运动目标造图像中的光流值大于0的像素标记为1,其余部分标记为0,即实现对目标区域分割。
分别按照水平和垂直光流分割完毕后,将两次分割的结果求并集,即可得到运动目标在图像中的投影区域。
2.3对目标的标识对运动目标完成分割后,按照基于游程连通性分析的算法对目标进行标识并计算目标在图像中的具体位置坐标,本文采用运动目标的形心坐标做为运动目标的坐标。
形心坐标的求法是:以目标最左侧和最右侧像点的横坐标的平均值做为目标的横坐标,以目标最上一行和最下一行的纵坐标平均值做为目标的纵坐标。
设目标i 的形心坐标为(p i ,q i ),其包含的所有像素集合为M i ,则,(15)(16)3仿真结果分析仿真程序采用MATLAB2008编写而成。
仿真实验分析包括两个方面,一是使用改进后的算法对图像序列中的运动目标进行检测,并标记出其坐标位置,观察算法对运动目标的跟踪效果;二是将改进后的求稠密光流的算法———均值平滑算法和经典的图像金字塔算法所需时间进行对比,判断两种算法的优劣。
在仿真程序中,图像金字塔算法取分辨率分别为1/2和1/4两层低分辨率图像,而本文改进的算法使用n=1和n=2两次均值平滑。
3.1对目标的跟踪效果分析下面两组图片是对目标分割和定位的效果。
图1是对车辆的跟踪效果。
左上图和右上图分别是从一个视频中截取的两幅连续图片,下图是处理结果,图中的圆圈表示运动目标的形心坐标位置。
从图上可以看出,由于汽车的车身的灰度梯度几乎为0,因此很难求出其整个车身的稠密光流,但在进行平滑处理后,车身外部轮廓的光流不为0的区域基本连为一体,求出目标光流场的形心坐标后,其位置基本符合目标的形心位置。
