研究生课程考试小论文格式要求

重庆交通大学 2013～2014学年1学期研究生课程考试

小论文

课程名称： 现代车辆设计理论与方法 课程编号：

论文题目： 汽车安全碰撞模型建模及控制特性研究

研究生姓名： 张沙沙 学 号： 2130940019

论文评语：

成 绩： 任课教师：

评阅日期：

论文格式说明

1、课程论文要有题目、作者姓名、摘要、关键词、正文及参考文献。摘要500字以下；关键词3～5个；参考文献不少于10篇，并应有一定的外文文献。

2、论文要求自己动手撰写，如发现论文是从网上下载的，或者是抄袭剽窃别人文章的，按作弊处理，本门课程考核成绩计0分。

3、课程论文用A4纸双面打印。字体全部用宋体简体，题目要求用小二号字加粗，标题行要求用小四号字加粗，正文内容要求用小四号字；经学院同意，课程论文可以用英文撰写，字体全部用Times New Roman，题目要求用18号字加粗；标题行要求用14号字加粗，正文内容要求用12号字；行距为2倍行距（方便教师批注）；页边距左为3cm、右为2cm、上为2.5cm、下为2.5cm；其它格式请参照学位论文要求。

4、论文题目、篇幅、内容等由任课教师提出具体要求。

硕士课程论文

中文题目（宋体，小二号字，加粗）

研究生姓名（宋体，四号字，加粗）

摘要（小四号字加粗）：×××（小四号字）

关键词（小四号字加粗）：××；××；„（小四号字）

正文部分（标题行用小四号字加粗，正文内容用小四号字）

参考文献（小四号字加粗）

[1] ×××（五号字）

注：正式上交课程论文时，请删除蓝色字体内容

视频中的运动目标分割与阴影消除

高书德

摘 要：针对目前运动对象分割不完整，以及存在阴影和鬼影对运动目标分割的影响，提出了一种基于复杂背景下的运动目标分割与阴影消除方法。首先利用高斯混合模型进行初始背景建模并提取初始前景对象，将当前视频帧和背景模型进行差分运算，且通过多尺度小波变换时空域特征，将多尺度分析和图像分割相结合，压制阴影并消除鬼影对运动目标分割的影响。通过实验对比，所提方法能有效地从复杂背景视频图像中提取运动目标且具有强的鲁棒性。

关键字：目标分割；阴影消除；高斯混合模型；小波变换

Segmentation of Moving Targets and Shadows Elimination based on

Complex Background

Abstract: Aiming some existing limits in foreground objects segmentation such as incomplete segmentation of moving targets,

moving shadow and ghosts, a novel segmentation method and shadows elimination from a complex background is proposed.

Firstly, a Gaussian mixture model (GMM) is adopted to construct background model and extract some foregrounds. Background

subtraction is performed between the current frame and the previous constructed background model. According to some

characteristics of multi-scale wavelet transform in spatial and temporal fields, multi-scale analysis is combined with image

segmentation to suppress shadows and eliminate ghost in the video. Experimental results show that the proposal can effectively

segment the moving targets from video with a complex background and eliminate shadows and ghosts by comparisons.

Keywords: Target segmentation; Shadows elimination; Gaussian mixture model; Wavelet transform

1. 引言

随着视频多媒体的不断发展，视频运动目标分割已经成为计算机视觉研究的核心课题之一[1-4],它不仅可以从视频流中分割出目标和背景，又是目标跟踪、识别和分析的基础。目前，运动物体的视频分割与提取在视频监控、人机交互、娱乐动画、多媒体、通讯、军事以及体育等领域都有着极为广泛的应用前景，引起了国际上许多著名科研机构以及研究人员的兴趣。

目前已有运动目标分割方法主要有：背景差分法、时域差分运动检测法和光流(Optical Flow)法。其中，背景差分法利用当前图像与背景图像的差分来检测运动区域，但这种方法对光照变化非常敏感。为克服上述不足，Hou等人利用自适应的混合高斯模型进行背景建模，并利用在线估计来更新模型处理光照变化。但该方法很难抑制阴影所造成的影响。Huang等人提出了一种融合边缘检测的运动前景分割方法，但是此方法对运动前景的分割结果不完整，容易出现空洞；Bayona等人提出了一种基于复杂背景下的前景区域提取方法，但是此方法仅仅用于提取静止的前景区域，实用性差。时域差分运动检测法对于动态环境具有较强的自适应性,鲁棒性较好,能够适应多种动态环境,但不能完整提取出相关的特征象素点,在运动实体内部容易产生空洞。Xiao等人提出了一种基于帧间差分法和不变矩阵特征的运动目标检测与识别方法。该方法虽然检测速度快，但检测到的目标完整性也不高。光流法能够在预先不知道场景任何信息的条件下检测出独立运动的对象,但其计算复杂、耗时，难以满足实时性要求。Hirai提出一种基于多通道整合的方法，加快光流估计的运算速度。但是由于该方法的算法较为复杂，无法达到实时性。

针对上述方法不足，本文提出了一种基于运动变化的复杂背景下的运动目标分割及阴影消除方法。它运用混合高斯模型进行背景建模，并实时更新背景，将当前图像与背景图像在HSV彩色空间做差分运算，最后利用多尺度小波变换的频率抽取特性，结合混合高斯模型，有效地消除了阴影和鬼影影响。该方法能较完整

地提取视频中的运动对象，且能对背景实时更新，误检率低，处理速度快，具有较强的鲁棒性。

2. 基于混合高斯模型和多尺度小波变换的运动前景分割

2.1混合高斯模型运动检测

目前的运动对象分割算法有许多，其中混合高斯模型是一种较为常用的算法，该方法能快速地检测出运动前景区域。其大体方法如下：

（1）在视频序列中，假设某位置的像素点在各帧图像中的像素点的值分别为：{X1、X2、…、Xt}，根据这些像素值，用n(1≤n≤K)个高斯分布来描述该像素点的像素值分布情况。在时刻t，像素值X1属于背景的概率可以通过下面的式子得到：

titittx,,1iti,,, (1)

其中，K是高斯分布个数，ti,是第i个高斯分布在t时刻的权值ti,是第i个高斯分布在t时刻的均值，ti,是第i个高斯分布在t时刻的协方差矩阵，是高斯分布概率密度函数。

（2）适时对混合高斯背景模型进行更新，不但要对模型自身的参数进行更新，还要更新各分布的权值等。若第k个高斯分布与Xt匹配，则按照如下方式对模型中K个高斯分布的权值tk,进行调整：

tktktkMaa,1,,1 (2)

其中a是权值更新率，如果被检测的像素值Xt与第k个高斯分布匹配，则Mk,t=1，而其它高斯分布对应的Mk,t=0。

背景模型中匹配成功的高斯分布，其均值和方差也要进行更新，方式如下：

ttt11 (3)

ttTtttt2121 (4)

其中kktXa,。

（3）设像素点m(x,y)的当前像素值为Xt，其前景判定式如下（Bt(x,y)=1时表示Xt属于前景像素点）：

否则，若11,0,,1BiXyxiittt (5)

其中，为高斯更新判决参数。即在进行前景检测时，只要被检测的像素值和背景模型中前B个高斯分布的任意一个相匹配，则认为该像素点属于背景，否则认为它属于前景。只有当被检测的像素点的值和前B个高斯分布中的一个相匹配时才认为该像素点属于背景，可以避免新引入的高斯分布立即参与前景的判断。

采用上述方法，会将运动物体的阴影误检为前景区域提取出来，所得到的结果如图1(b)所示。因此有必要结合时空域特征进行运动目标检测。由于多尺度小波变换在时空域上的特性，利用多尺度小波变换，将有效地消除阴影对运动目标分割所造成的影响。

(a) (b)

图1. 运动对象分割结果.(a)为原始图像,(b)为分割结果.

2.2融合多尺度小波变换的运动前景分割

由于运用混合高斯模型得到的前景图像，受到阴影的影响极为严重，因此，如何去除阴影[20]对前景分割的影响十分必要。我们这里引用了多分辨率小波变换的特性。

一般来说，图像检索必须在特定的颜色空间内进行。而颜色空间描述一方面应符合人眼的视觉感知特性，另一方面应该方便图像处理。RGB颜色空间是一种不均匀的颜色空间，像素的颜色距离与人眼的感知距离比较大，不适合彩色图像的分割。HSV颜色空间是均匀的颜色空间，它反应了人眼视觉观察彩色的方式，同时也有利于图像处理。HSV颜色空间有两个重要的特点：其一，V分量（亮度）与彩色信息无关；其二，H分量（色调）和S分量（饱和度）与人感受彩色的方式紧密相连。

相比于RGB颜色空间，HSV中3个分量之间的相关性要小很多，色彩分类简单自然。这些特点使得HSV颜色空间非常适合于借助人眼视觉系统来感知彩色特性的图像处理方法。

所提方法在利用混合高斯模型得到最新的背景图像时后，将所得到的背景图像转化至HSV颜色空间，同时将当前帧也转化至HSV颜色空间。在V分量（亮度）和S分量（饱和度）两个通道上，将当前图像和背景图像进行差值运算，得到两个通道上的差值图像。在得到两个分量上的差值图之后，我们将利用多尺度小波变换，对其进行处理，从而得到两分量上的前景图。

这里，我们运用到了Sobel算子[21]，Sobel算子很容易在空间上实现，它利用像素点邻域的灰度加权算法，根据在边缘点处达到极值这一现象进行边缘的检测。定义卷子算子如下：