设计小目标检测与目标分裂

智能在国防和民用领域均有广泛的应用，小目标检测和目标是智能中的研究热点，也是影响目标检测与的重要因素。本文针对运动目标检测过程中出现的小目标和目标问题进行研究。首先，针对小目标和目标问题，设计实验并进行对比分析，得知二者产生的原因是混合模型提取的运动目标前景不完整或缺失。其次，针对产生原因，我们棒性强和帧差法对小目标敏感的优点，将混合前景和通过连通区域面积筛选的图针对目标问题，我们提出基于HSV颜色空间的运动补偿算法。该算法将运似性对比，如果二者不一致，则判定该部分为前景，景图中进行补偿，提高运动于HSV颜色空间的运动补偿算法的目标次数至多减少90%，率提高50%。通：混 ResearchforSmallObjectdetectionandObjectFragmentationinComplexVisualScenesXiaohuiLiang（MicroelectronicsandSolidStateElectronics）DirectedbyYongZhaoInligentsurveillancehasawiderangeofapplicationsindefenseandcivilianfields.Smalltargetdetectionandobjectfragmentationarehotspots,whicharealsoimportantfactorsinmovingtargetdetectionandtracking.Thispaperstudiessmalltargetdetectionandobjectfragmentationininligentsurveillance.Forsmalltargetproblemandobjectfragmentation,thereasonisthatforegroundofobjectextractedbyGaussianMixtureModel(GMM)is pleteormissingbyourexperiments.Secondly,weproposethenewGMMbasedonframedifference,de-noisingalgorithmbasedonchangesofpixelvaluesoftheregion,andmotioncompensationalgorithminHSVcolorspacetoenhanceintegrityandreducenoise.Fortheproblems,ourmainworkandinnovationsareshownas1,forsmalltarget,weproposeanewGMMbasedonframedifference.ThealgorithmdemonstratesthatajointlyuseofforegroundofsmalltargetsbyframedifferencewithforegroundbyGMMtoget“or”foregroundwhichhasmoresmalltargets.2,fornoise,weproposede-noisingalgorithmbasedonchangesofpixelvaluesoftheregion.Thealgorithmmakessmalltargetinformationin"or"foregroundintegrityandlessnoisebycomparingpixelvalueschanges.3,forobjectfragmentation,weproposemotioncompensationalgorithminHSVcolorspace.ThealgorithmcomparestheareasbetweentwomovingobjectsoforiginalpictureswithbackgroundinHSVcolorspace.Iftheyarenotsimilar,theareaisapartofobject.TheexperimentsdemonstratethatthenewGMMbasedonframedifferenceincreasesmorethan30%ofdetectionrate,andabout40%oftrackingrate.Thede-noisingalgorithmcanreducenoiseandkeepforegroundofsmalltargetsunchanged.ThemotioncompensationalgorithminHSVcolorspacecanreduceupto90%ofobjectfragmentations,increaseupto50%oftrackingrate.Atthesametime,thetimecostofthethreealgorithmscanbereal-:Gaussianmixturemodel,Framedifference,Regionalpixelvalues,HSV,Motioncompensation.第一章绪 研究背 研究现 小目标检 目标.............................................................................................................本文组织结 第二章基础知 常见的背景建模算 混合模 帧差 形态学处 图像的相识度度 相 欧式距 L1距离（Manhanttan距离 直方图相 本章小 第三章小目标检 小目标漏检原因分 基于帧差的混合背景建模算 帧差 算法流 参数设 基于区域像素值的去噪算 实验结果与分 本章小 第四章目标................................................................................................................4.1目 原因分 基于HSV4.1目 原因分 HSV颜色空间和RGB颜色空 HSV颜色空间图像相似度度 算法流 实验结果与分 本章小 第五章结论及展 工作总 工作展 参考文 攻读期间研究成 致 第一章第一章交通、安检以及军事设施等领域对安全防范和的需求与日俱增，在生产得到大力发展，并应用在国防、工业、民生等领域。目前，头在公众场所得到广泛应用，比如一个城市的公众交通就会有成千上万的头被安装，用来交通路的迅猛发展。全球智能市场正在经历一个重要的增长时期，的智能，也叫分析，是指通过计算机软件分析信息来确认可疑物能优点很多，首先它的处理速度快、效率高、能够解放大量的管理人员；其次，它能够根据你的设置，在发生人员或者紧急时，主动发出，快速定位事故现场，引领安保人员进行处理，从而达到事前、事中处理、事后取证的效果；同时，它能够及时确认运动目标的，并对运动目标的轨迹和行为进行和分析。虽然目前智能技术仍然有一些技术难点需要攻克，但是智能已经得智能包含人或物的识别、移动物体的检测与、的检测、行为分析等内容。移动目标的检测与一直是智能的热点和难点。运动目标检测是指标检测常见的方法有背景差分法、帧间差分法、光流法等。运动目标是确定同一标搜索匹配等步骤。运动目标检测与的评价指标主要是检测率和率，检测率包括正确检测率、错误检测率和漏检率，率包括正确率、错误率和漏跟踪率。在实时的前提下，面对各种复杂的背景，如小目标、目标与背景相似等场景，怎样提高运动目标的正确检测率和正确率，一直是运动目标检测与研究本课题研究内容是运动目标检测与，以混合背景建模为基础，采用学校小目标漏检会造成检测率的低下，相应的率也会降低。而目标，会造成的断裂和目标误检，并且由于重建需要时间，所以目标造成检测率和率本针对小目标和目标进行研究，旨在减少小目标漏检和目标问题，以提高整体的检测率和率。用上的和搜救等，因此智能技术得到了国内外广大研究者的关注。小目标检测和目标是智能里比较重要的两个方面，也是影响运动目标检测率与率的主要原因之一。所以，针对小目标检测和目标两个方面的问题，本人进行了大量的文献研究，下面将从这两个方面介绍目前国内外的研究现自1989年起，每年举办“signalanddataprocessingofsmalltargets”国际会议，专门讨论小目标是指目标的成像尺寸属性，SPIE中定义的小目标是指目标成像尺寸小于图第一章预处理[2](包括图像去噪、背景抑制等)、目标检测[3](包括图像分割、目标识别等)和目标[4]等构成，常见方法有小波变换[5]、数学形态学[6]、奇异值分解[11]等。[7]等提出基于正交小波标的多尺度特征。AlexanderToet[8]等提出利用Top-hat形态学转换增强目标的对比度并[9]完成目标检测，该方法很好的利用了目标的形态信息，但是当小目标形状信息不足时检测效果较差[10]。[12]等提出利用奇异窗口[14]法在设计滤波器时需要预知运动的大小和方向，否则运动失配，效果较差[20]Blostein[21-23]等提出多级假设检验方法，根据图像信息和系统要求得到的多级门限[24]目标检测，但该方法在低信噪比时计算量非常大[29-30]；Barniv[31]等提出利用动态规划目标也是智能领域经常遇到的问题之一，当运动目标和背景颜色接近时，运动目标易从一个目标为几个运动块。目标会造成误检测和误，影响智能的检测率和率。所以，研究者们在目标方面进行很多探索。Bose[36]等提出通过合并运动目标的方式解决问题，一直运动目标直到运动目标，再根据空间的连通性和运动的连贯性，合并的运动目标[37]，但该方法在合并的过程中，有一定帧数的延迟[38]。[39]等提出基于区域聚类的目标本文针对小目标与目标问题进行深入研究，主要分为三部分。第一章和第二括第三章和第四章，介绍针对小目标和目标问题我们基于帧差的混合第三章为小目标检测，介绍针对小目标丢失问题我们基于帧差的混合算法和针对噪点问题基于区域像素值的去噪算法，并将二者分别与基于分布的第四章为目标，介绍针对目标问题我们基于HSV颜色空间的运动第二章第二章目标检测和是智能中的重要部分。VIBE、CodeBook等。模型[41]是背景建模中常用的方法，包括单模型[42]和混合模型[43]。模型匹配，如果匹配认为该像素是背景点，否则是前景点，如图2.1所示。图2.1 单模型假设每个像素点的灰度值在时间域上满足分布，每一点的布是独立的，通过一个函数来模拟像素值的分布特征，之后判断新的像素值是否和该函数匹配[45]。单模型具有计算简单，能够处理简单场景的优点，但是复杂场混合模型于1997年第一次被Stauffer和Grimson提出[41]，它是用K(3到5)图2.2混合分 1(x)T1(x(xu e2t t

k

(2)n/2

其中k和kMp(xk|) k

式第二章Mk出现在该像素点的先验概率，且wk,t1kBargwi,tbw,uk k k图2.3混合模型流程模型匹配。首先判定像素值和背景模型均值差值是否满足2.3。如果满足，则说明像素和模型匹配，否则，不匹配。xk,tk,t12.5k,t 2.6、2.7更新参数，否则按照2.8更新 (xu)T(xu k k k(xt|uk,k 背景分布更新。K个分布按照背景模型，如2.9所示。

fiisibbBargmin(wkT k

ViBe是一种像素级的背景建模算法[46]VisualBackgroundExtractor”，2009BarnichDroogenbroeck提出，其主要算法思想是给每一个像素点2.4ViBe第二章NSR(v(x))xR为半径的圆形区域，如果通过判定可M（X）[{SR(v(x))∩{v1,v2,…,vN}}]大于一个给定的阈值,x点属于背景ViBe具有算法简单，模型建立时间短，可以处理突况等优点，但是也具有容2.5ViBeCodeBook是一种像素级的背景建模算法[50]，与2005年首次由K.Kim,T.ChalidabhongseDHarwoodandLDavis提出[49]此时更新该点学习的阈值及检测的阈值。如果新像素的值与所元都不能匹配，则CBminModmaxModI(x,y)CB中的每一个码字CW，若存在一个CW，使得I(x,y)<max+maxMod并且I(x,y)>2.62.6CodeBook变化的情况，对不同类型的有较强鲁棒性，缺点是需要消耗大量的内存。2.7Codebookt-1t时刻图像，然后像前景提取的影响不同，从左到右二值化阈值分别为10、8、5。第二章t-1ttt+1帧图像取逻辑“与”得到的差分图像。2.9两帧差与三帧差比较1964Matheron和Serra提出，奠定了这门学科的理论基础。1982年赛拉的专著《ImageysisandMathematicalMorphology》在图像处理领域引起了广泛的关注。(ˆ部位移x的集合，B和A至少有一个元素是的。根据这种解释，膨胀的表达式2.10膨胀原理示意图 2.11膨胀试验效果图第二章达式等价为如下等式：ABx|BxAc}。2.112.11腐蚀原理示意图 2.11腐蚀试验效果图使用结构元素B对集合A进行开操作，表示为AB，其定义为：ABABB。因此，BABAB闭运算是先膨胀再腐蚀，用来连接的物体，填补小的空洞，填平窄缝使物体开运算和闭运算的试验效果图如2.12所示，原始图像是混合模型的前景提取

iH(i)*H iH(i)*H 2

(H1,H

) 值为0则表示无关联。假设某一图像直方图的特征矢量为(q0,q1,...,qL)(s,s,...,s)，那么直方图的欧氏距离[56]通过下述度量0 (i(is2i))

第二章

qi(0qi1si(0si1)为规一化值，LL1距离是Minkowsky距离[56]中当p1时的特例，计算如下n xi

地区分出颜色不相似的图像，其计算如下：n

式第一部分介绍常见的背景减除算法，混合背景建模、VIBE、CodeBook等。第三章小目标检测是运动目标检测与的难点，小目标由于目标面积小，容易导致目标的漏检，影响目标。本章首先分析小目标漏检产生原因，根据原因提出基于帧差的混合算法。用混合背景建模进行运动目标的检测和过程中，主要步骤是前景提取、噪声去除、连通区域提取、运动等。根据原理分析，造成小目标漏检的原因主要有三种：一，混合模型提取前景中没有小目标前景，造成漏检；二，前景提取获得小 图3.2噪声去除导致小目标漏检示意图第三章 图3.3连通区域过小导致小目标漏检示意图（a（b（c）GMM3.1（a）前景图中没有小目标的前景点，导致小3.2中小目标出现在（a）中，但是由于面积过小，在滤波和腐蚀的过程3.3（a（b）目标的前景图，如t时刻的图像减去t-1时刻的图像后二值化得到前景图。3.4帧差法示意图t-1t-1、t-2时刻的两帧差取逻辑“与”。通过只取两次帧差同时存在的我们的项目是建立在混合模型背景建模的基础之上，背景模型能够得到运动前景。此种方法，对于中运动变化更加敏感，可以得到富含小目标信息的前（a）308帧图像 （b）309帧图像 图3.5图像帧 3.6GMM 图3.7不同帧差法提取的前景对比图第三章所示，混合模型所得背景如图3.6（b）所示。3.7（a3.7（a选取场景进行对比，选出最优的帧差算法。混合背景模型在提取前景过程中，如果提高学习率减少噪点，会造成小目标丢失严重；如果降低学习率增多小目标，会造成噪点过多，更新速度过慢。混合我们基于帧差的混合算法是结合混合建模和帧差法的优点，将帧差法提取的小目标区域加成到混合模型的前景上，形成噪点少小目标信息完备的我们的算法首先是通过混合模型得到当前图像帧的背景图和前景图，然后求GMM前景和帧差前景进行中GMM前景图和帧差前景图。然后，求取帧差从图3.8可以看出我们最后用来进行检测和的图是用帧差法和GMM的合成前动都能捉，而小目标在运动时图像中相关位置的变化很明显，所以我们能够提取图3.8基于帧差的混 第三章GMM噪点少GMM的前景图噪点，在保证小目标信息完整的条件下减少帧差前景中噪点。 3.10GMM第三章（b点，通过测试的，将混合模型的学习率设置为0.05。其次，针对GMM前景图，选择不同的模板进行滤波、形态学处理，得到的结果如图3.10所示，图中从左到右三列分别是警戒区检测、雪地小区、停车场三个测根据目标完整噪点少的原则，选择使用5X5模板进行形态学处理。 5X53X33.113.12、3.133.12从左到帧差的噪点更少。三帧差在二值化阈值为5的时候前景图最优，小目标完整噪点最5的三帧差 第三章 3.14（a（b（c）（d（e（f）（a（d（b（e（c（f 图3.14不同测试集下三帧差与图像背景帧差效果对比第三章5从是X雪地小区、雪地行人、警戒区检测。图中可以看出不同的模板对小目标的完整性影响不大，但对噪声影响较大，55的模板处理之后小目标较小且有少5536所示。因533 图3.17根据连通区域面积筛选图61209120的连12120SPIE的定义像素小于图像0.12%即为小目标，所以筛选连通区域时最大面积设置为120此，筛选连通区域时将面积阈值设置为最小为9最大为120。第三章 图3.18不同阈值对连通区域的影响前后图和M求得的处理后的前景图取逻辑或，图9（（b（是M“或图，每一行是由近及远、雪地小区、停车场大风三个不同的测试集。从图（a）与（c）两（（如第二行，所以，基于帧差的混合 算法明显增强小目标的完整性、增加小目标数目。 图3.19不同阈值对连通区域的影响点，使框更完整，提高小目标的检测和。第三章通过基于帧差的混合算法获得混合前景和图像背景帧差前景的“或”图。但和小目标面积差不多的噪声不能去除，“或”图仍存在一些噪点，如图3.18所示。A1aver1A2aver2aver1aver2相差超过一定阈值，则判定该连通区域是前景，否则是噪点。如果是噪点则景图中将该连通区域像素值置为0，达到去噪的目的。（a（c）区域的前景置为0，如图3.21所示。 图3.21“或”图连通区域示意图3.22连通区域对比（（3.23的（b）与（c）的对比可知，基于区域像第三章声但是会对运动目标造成影响。因此，像素均值差异设置为5。 图3.23去噪效果对比图 ，提高小目标的检测和，同时减少漏 AMDRadeonCPU@2.60GHz、A6-3650APU、4GRAM,操作系统是win732位。测试集的格式均是352x288。小，所以选取不同的测试集，将基于帧差的混合算法提取的前景与GMM、Codebook、Vibe等算法前景比较，对比小目标前景的完整性。 图3.24基于帧差的混合 、GMM、VIBE、CodeBook前景对比图一第三章 图3.25基于帧差的混合、GMM、VIBE、CodeBook前景对比图二通过利用混合鲁棒性强的优点和帧差法对小目标敏感的优点，提取出小目标完整且噪点较少的运动前景图，如图3.24、3.25所示。图43.5是基于帧差的混合算法、M、IE、eBk四种背景建模算法的前景对比图，两幅图的每一列分别是不同的测试集，从上到下分别是基于帧差的混合算法前景、M前景、IE前景、ek图4（（）第一行与其他三行的对比可知，基于帧差的混合算法可以检测出的小目标，如雪地小区中我们的算法可以检测出左上角的三个小目标，而GMM、VIBE、3.25（a（b（c）等测试集，分别通过（a（b）中四种建模算法的对比可知基于帧差的混合算法检测出的小目标，通过（c）中四种建模算法对比可知基于帧差的混合算法提基于帧差的混合算法利用GMM鲁棒性强和帧差法对小目标敏感的特点，提取的前景噪点少、小目标数量多、目标完整性强，景的提取方面优于常见的背景小目标前景的缺失导致运动检测和的误和漏，所以选取测试集进行运动目标的检测和，将基于帧差的混合算法和基于分布的滤波算法的进行效果的对比，如图3.26、3.27、3.28所示。 第三章图3.27基于帧差的混合、滤波对比图图3.28基于帧差的混合、滤波对比图图3.263.273.28是利用基于帧差的混合算法获得的前景进行与基于分布的集中式滤波算法获得的前景进行的效果对比。三幅图中第一行是基于帧差的混合算法的效果图，第二行是基于分布的集中式滤波算法的效果图。图3.26从左到右的测试集分别是雪地小区、夜晚行人缓慢低对比度、大学校园自然光线变化，从三个的对比可知，基于帧差的混合算法对小目标具有更高的检测率和率，比如雪地小区基于帧差的混合算法可以三个小目标，而基于分布3.27从左到右的测试集分别是由近及远、森林山上行人、雨天低对比度行人，通过三个的对比可知，基于帧差的混合算法对低对比度小目标具有良好效果，比如森林山上行人只有基于帧差的混合算3.28从左到右的测试集分别是停车场行人、大学校园自然光线的变化、雨天低对比度行人，从三个的对比可知，算法对小目标更加基于分布的集中式滤波算法是对混合提取的前景根据噪点和目标的区别进行差异化滤波，但该算法具有自己的缺点，如果混合不能提取相应的目标或者提取的目标不完整就会导致滤波的效果较差。相对而言，基于帧差的混合模型是利用混合模型鲁棒性强和帧差法对小目标敏感的优点，提取的目标而且目标完整最后，选取三个典型进行检测率和率的数据统计，如图3.29所示，对比基于帧差的混合算法和基于分布的集中式滤波算法运动目标检测和的效果。使用实际目标个数、检测目标个数、正确率、漏率、误率等指标评价算法对检测和的影响计为一次误一次漏。正确率+漏率 图3.29进行对比的测试3.29的三个测试集分别是夜晚低对比度行人、由近及远、雪地小区。后两个视频小目标数目比较多，第一个小目标对比度低。数据统计过程中以人眼观察的数标只计一次，运动的人停下后前景点前作为前景统计，前景点景统计（即不记为漏统计结果如图3.30、3.31所示第三章 3.30运动目标检测对比图 踪率对比图。图3.30、3.31中蓝色的线条或柱形体代表基于帧差的混合算法的目标检测或者结果，红色的线条或者柱形体代表基于分布的滤波算法的目标检测或的检测对比图是从350帧开始的。近及远、雪地小区三个下检测到的目标数目分别是218和65、867和 2624，从累计检测到的目标数目上可以发现基于帧差的混合算法明显优于基于分测方面基于帧差的混合算法优于基于分布的滤波算法。这是因为基于分布的滤波算法在混合得到的前景基础上进行的滤波筛选出小目标，而混合模型对于低 下正确率分别是79.22%和0、65.78%和19.17%、71.90%和41.39%，漏 率是28.10%和100%、34.22%和90.83%、28.10%和58.61%，合算法比基于分布的滤波算法在保持误基本不变的条件下显著提高了正确跟踪率、降低了漏率。说明在目标方面基于帧差的混合算法优于基于分布的滤波算法。原因是混合模型提取的小目标少，并且有些小目标完整性不强，基于分布的滤波算法是在GMM提取的前景上进行的。基于帧差的混合算法对小目提升目标检测和效果。第三章小目标检测是运动目标检测与中不可忽视的问题，运动目标提取中小目标被腐蚀膨胀模板等参数获得最优GMM前景图。调整帧差法的二值化阈值、形态学处理标完整的优点。基于分布的滤波算法，在混合模型提取的前景基础上滤波，如果小目标对比度低，提取的小目标前景少时，算法效果较差。根据数据统计基于帧差的混合算法的小目标检测率比基于分布的滤波算法提高30%以上，率提高%左右。对于低对比度小目标，如夜晚低对比度小目标测试，基于帧差的混合基于帧差的混合算法能够显著提高小目标检测率，但当噪点较多时，可能会第四章合模型具有自身的缺陷，比如小目标丢失、前景提取不完整导致的目标等。运动目标的不完整或者误，降低率。 图4.1运动目 第四章第四章 图4.2运动示意图4.1（a4.1（b4.1（c现在为两个检测框，造成误检，影响。运动目标导致的不完整或者误，如图4.1（d）所示只到运动目标的一部分、图4.2（d）所示右上角的一个运动目标产生两个轨迹造成误，影响检测率和率。背景相似，混合模型发生误判，导致。根据原理分析，由于混合模型独通过分析可知，运动目标是因为运动目标的部分区域与背景相似，导致被误判为背景点。但人眼却能看出该区域与背景的差异，HSV颜色空间基于人眼感知颜色B颜色空间，B指的是红色（rer、蓝色le学中的三原色叠加原理，将不同强度的红、绿、蓝色光混合生成不同的颜色，常见于B（rl，各个分量的数值越大表示亮度越高，数值越小亮度越低，比如（,0）表示黑色，hue（saturation（valueS01的红色分别是从浅红到深红；亮度（Value）的取值0~100%0100%是由全黑到全白的变4.3HSV第四章第四章S

ifmax H60

V

HSV与人眼感知颜色的方法一致，通过改变色浓和色深的方法从某种纯色获得不但人眼可以分辨，因此在HSV空间进行相似度的匹配。9份，S3份，V3份，具体方法如下。0h1h2h3hH4h5h6h7h0h

vS1v v v

V1

v间的整数，共有72维。G9H3S 比较图像间的相关系数、卡方、直方图相交、bhattacharyya距离。 （b）4.54.4（a） 第四章第四章4.74.6（a（b）（a）选取的测试集进试，通过实验分析，选取两幅图像之间相关系数作为判通过上文的分析，运动目标的原因是运动目标部分区域的颜色与背景相似，运动目标虽然为两个或多个运动块，但是这些运动块都属于一个运动目标，首先，通过混合背景建模获得原图的背景图；其次根据运动目标检测的结果成一个大的运动目标，消除目标。第四章第四章 4.9（a（b（c（d）色的矩形框是选取的任意两个运动目标之间的运动块，如果把所有的蓝色框内的块才是算法关心的区域，所以设置限定条件选出算法关心的运动块。由于运动目标11311的质心的相对位置不变。因此，限同时限定选取的运动块面积（蓝色矩形框的面积）必须小于检测图中最大的运动目标4个像素点，以防止离散噪点之间的运动块被（（）所示。两幅图相似，此处的运动目标不是目标，不应该合并，则继续选取其他符合条件。。 著增强。通过补偿可以将红域上下的运动目标合并为一个运动目标，解决目标分AMDRadeonCPU@2.60GHz、A6-3650APU、4GRAM,操作系统是win732位。测试集的格式均是352x288.目标现象的本质是运动目标前景提取不完整，前景图中本应是一个运动目标却提取两个、三个或者多个连通区域，时导致目标。选取不同的情况，景建模方法提取的前景进行对比，比较前景的完整性，结果如图4.11、4.12所示。（a（b（c）4.12（a（b（c是雪地行人（行人身着白色外衣）测试集中的不同图像帧。图4.11、4.12从上至下每为两部分，4.11（b）最右侧的目标明显为三部分，导致误或者漏，行运动补偿使运动目标形成一个整体，消除运动。从图4.12（a）发现通过补偿运第四章第四章运动目标，显著提高前景完整性，提高的正确率。 图4.11Invasion 在GMM、Codebook、Vibe算法下的前景图 目标是一个运动目标成两个或者多个运动目标，所以运动目标的速度、方向、质心的相对位置均不会变化。目前，针对目标主要解决方法是基于结果，将图中运动一致且质心相对位置不变的两个目标合并为一个，简称“运动合合并后需要若干帧重新建立模板，所以运动合并仍存在一定的时间的目标和第四章第四章间的运动补偿算法和运动合并算法对目标检测、运动的影响，比较两种算法的优4.13、4.14、4.15所示。以下图中（a）表示基于运动合并算后的图。从以下三幅图中（b）可知，基于HSV空间的运动补偿算法能够解决不同的运动目标情况，如为两块、三块、碎裂的情况。通过运动块补偿可以将该类问题。对比图4.14（a）与（c）可知，运动合并会造成目标的丢失（建立新 图4.13运动目标为两部分 图4.14运动目标 图4.15运动目标碎裂其次选取运动检测和领域国际上通用的测试集中有代表性的进试，运动补偿算法可以将丢失运动块补偿，提高运动目标的完整性。图4.17是校园场4.17中光线突然变强，噪点明显增多，最左边运动的人衣服与背景相似，部分区域被误判为背景导致，运动目标丢失，经过运动补偿算法，解决问题，框能够覆盖两个目标，提高的完整性。 图4.16停车场 图4.17校园场景第四章第四章对比运动合并算法和基于HSV颜色空间的运动补偿算法的效果。Invasion运动目标经过灌木丛时，由于衣服和树叶相似，容易造成，雪地行人_白色运动目标的白色衣服与雪地相似，容易发生。目标次数是统计运动目标框小于运动目标实际面积70%的次数，包括目标分裂为两部分或者多部分的次数、由于目标框减小30%以上的次数、由于目标造成目标突然丢失的次数，如4.8所示次数=碎裂次数+框减小30%以上的次数+突然丢失的次 率包括正确率、误率、漏率三个指标。其中，运动目标的正确率+漏率 近易出现目标。统计两个目标次数和率，对比基于HSV颜色空间运算法的次数，红色圆柱形是运动补偿算法的次数。从图4.19可以看出，运动补偿算法显著减少次数，因为运动补偿算法在发生前补偿。而运动合并算法根据两个框相对位置、速度判定，二者一致才合并，算法使能发生在后，需要一定的判定时间，次数较多。踪率对比图，(a)是Invasion、（b）是雪地行人_白色，蓝色是运动合并下的率，红色是运动补偿的率。从图分析可知，运动补偿对提高正确率、降低漏、减小误有更好的效果，这是因为运动补偿发生在前而运动合并（a（b） 图4.20invasion和白 第四章第四章频多，是因为校园中光线变化和云层移动导致较多噪点，满足筛选条件的运动块较多，需要时间判定是否满足补偿条件。整、率降问题，严重影响智能的应用。本章的创新点是提出基于HSV空间的运动补偿算法。该算法在原图和背景图中取目标的一部分，景图中补偿该运动目标，以解决运动问题。目前常用的方法是运动合并算法，运动合并在图中将位置、速度相对不变的两个运动目标合并为一个目标。运动合并算法使能于后，需要若干帧的判定时间而重新建立模板需要若干帧时间，因此合并的方法仍会有一定的时间。针对运动合并的缺点，我们基于HSV颜色空间的运动补偿算法在前进行判定，显著减少次数。30ms-40ms左右，满足实时性需求。基于HSV颜色空间的运动补偿算法能够减少目标次数，提升目标率，且第五章智能中的研究热点，也是影响目标检测与的重要因一。小目标问题是指运动检测与中小目标的丢失或检测框偏小的现象。运动目标是指运动检测和中运动目标由一个框为两个或多个，或框突然本围绕小目标检测和目标进行研究，研究的思路分为以下三步：（1）分标完整的优点。根据数据统计基于帧差的混合算法的小目标检测率比基于分布的滤波算法提高30%以上，率提高40%左右。对于低对比度小目标，如夜晚低对比度小目标测试，基于帧差的混合算法效果更加优异。HSV空间的运动补偿算法。该算法通过补偿被误判为背景的前景区域以提高目标前景的完整性，减少。通过与运动合并算法对比，目标的次数至于HSV颜色空间的运动补偿算法耗时在30ms-40ms左右，满足实时性要求。第五章但是，本文基于帧差法的混合算法、基于区域像素值的去噪算法、基在误判的可能，这些问题会导致误。后续研究主要集中于如何进一步排除噪声的同时，目前随着头、硬盘等硬件成本的下降，慢慢成为视频的主流，针对可以考虑金字塔式逐级放大的研究方法。当图像被局部放大后，该区域的小目标信息就会变得更加丰富，如轮廓、纹理等。在图像基础上进行背景建模和运动检测，是后续的研究方向。DENGH,LIUJG.Infraredsmalltargetdetectionbasedontheself-informationmap[J].InfraredPhysics&Technology,2011,54(2):100-107.PORATB,FRIENDLANDERB.Afrequency algorithmformulti-framedetectionandestimationofdimtargets[J].IEEETransactionsonPatternysisandMachineInligence,1990,BAIXZ,ZHOUFG.ysisofnewtop-hattransformationandtheapplicationforinfrareddimsmalltargetdetection[J].PatternRecognition,2010,43(6):2145-2156.POHLIGSC.Spatial-temporaldetectionofelectro-opticmovingtargets[J].IEEETransactionsonAerospaceandElectronicSystems,1995,31(2):608-616.TanXiao-yu,ChenMou,JiangChang-sheng.Thesmalltargetdetectionbaseonwavelettransformandmathematicalmorphology[J].ElectronicsOptics&Control,2008,15(9):25-28GLi,JPeng,DimandSmallTargetDetectioninInfraredImageBasedonWaveletTransform[J].HuazhongUniv.ofSci&Tech,2000,vol28.,,.基变换的复杂海面背景红外小目标检测.激光与红外AlexanderToet.Detectionofdimpointtargetsinclutteredmaritimebackgroundsthroughmultisensorimagefusion.SPIE4718,TargetsandBackgroundsVIII:CharacterizationandRepresentation,2002.BaiX,ZhouF,XieY,JinT.AdaptiveMorphologicalMethodforClutterEliminationtoEnhanceandDetectInfraredSmallTarget.IEEEInternationalConferenceonInternetComputinginScienceandEngineering,Beijing,,28-29Jan.2008,28-33.BaiX,ZhouF,XieY.Newclassoftop-hattransformationtoenhanceinfraredsmalltargets[J].ElectronImaging,Jul-Sep2008,17(3):030501.1-030501.3.CJZang,GXLi,YXWang.Infrareddimtargetdetectionusingmorphologybasedmethod[J].AirRadarAcademy,2012,26(2):94-97.,郑,.基于SVD背景抑制和粒子滤波的弱小目标检测.计算机应用研究,LTomczak,VMosorov.Singularvalue positionfortexturedefectdetectioninvisualinspectionsystems.The2ndInternationalConferenceonandMethodsinMEMSDesign,2006,,131-133.JLGao,CLWen,MQLiu,SteelsurfacedefectdetectionandlocalizationbasedonSVDandtwo-sidecompressivemeasurements.The26thControlandDecisionConference,2014,,1401-1406.ZHLv,Directperturbationmethodforreysisofmatrixsingularvalue position.Appliedmathematicsandmechanics,1997,18(5):441-446.SamSchauland,JoergVelten,AntonKummert.Implementationofhardware-optimized3-Ddigitalfiltersformotion-basedobjectdetectionin scenes.16thEuropeanSignalProcessingConference,2008.ReedLE,etal.Applicationof3-DFilteringtomovingtargetdetection.IEEE,1983:898-Marzetta,TLFanfilters,the3-DRadontransform,andimagesequenceysis.IEEETransactions,Marzetta,TL.Uniformlyoptimal3-Dfanfiltersforopticalmovingtargetdetection.1993IEEEInternationalConferenceonAcousticsSpeechandSignalProcessing,1993,543-545.Aghajan,KhalajBH,KailathT.Estimationofmultiple2-DuniformmotionsbySLIDE:subspace-basedlinedetection.IEEETransactionsonImageProcessing,1999,8:517-526.SDBlostein,TSHuang.Detectionofsmallmovingobjectsinimagesequencesusingmultistagehypothesistesting.InInternationalConferenceonAcoustics，SpeechandSignalProcessing,1988,BlosteinSD.Objectboundarydetectioninimagesequencesusingmultistagehypothesistesting.MultidimensionalSignalProcessingWorkshop,1989,6:26.BlosteinSD,RichardsonHS.Multidimensionalautoregressiveparameterestimationusingitivelyreweightedleastsquares.1990InternationalConferenceonAcoustics，SpeechandSignalProcessing,ICASSP-90,vol.5：2699-2702.TaoHuang,ZhulianLi,YuZhou,YuqiangLi,YaohengXiong.Spacemulti-targetdetectionbysecondvariance.2013InternationalConferenceonMechatronicSciences,ElectricEngineeringandComputer(MEC),2013,1506-1511.JihongPei,ZongqingLu,WeixinXie.AMethodForIRPointTargetDetectionBasedonSpatial-temporalBilalFilter.18thInternationalConferenceonPatternRecognition,2006,SawasdTantaratana.AsymptoticEfficienciesofTruncatedSequentialTests.IEEETransactiononInformationTheory,November1982,28(6):911-923.ChenRC.Constrainedstochasticcontrolwithprobabilisticcriteriaandsearchoptimization.43rdIEEEConferenceonDecisionandControl,2004,3013-3020.GuerrieroM,PozdnyakovV,GlazJ,WillettP.ARepeatedSignificanceTestWithApplicationsToSequentialDetectionInSensorNetworks.IEEETransactionsonSignalProcessing,2010,3426-3435.MaranoS,MattaV,WillettP,LangTong.Cross-LayerDesignofSequentialDetectorsinSensorNetworks.IEEETransactionsonSignalProcessing,2006,4105-4117.NhanNguyen-Thanh,InsooKoo.OptimalTruncatedOrderedSequentialCooperativeSpectrumSensinginCognitiveRadio.SensorsJournal,IEEE,2013,4188-4195.BarnivY.Dynamicprogrammingsolutionfordetectingdimmovingtargets.IEEETransactionsonAerospaceandElectronicSystems(AES),144-156.WeiYi,MorelandeMR,LingjiangKong,JianyuYang.AnEfficientMulti-FrameTrack-Before-DetectAlgorithmforMulti-TargetTracking[J].IEEEJournalofSelectedTopicsinSignalProcessing,2013,421-434.LaiJ,FordJJ.RelativeEntropyRateBasedMultipleHiddenMarkovModelApproximation.TransactionsonSignalProcessing,2010,58:165-AcitoN,CorsiniG,DianiM.DetectionperformancelossduetojitterinnavalIRSTsystems.IEEETransactionsonAerospaceandElectronicSystems,2008,44:326-338.WhiteLB,VuHX. umLikelihoodSequenceEstimationforHiddenReciprocalProcesses.IEEETransactionsonAutomaticControl,2013,58:2670-2674.BBose,XWang,EGrimson.Multi-classobjecttrackingalgorithmthathandlesfragmentationandgrou.IEEECVPR,2007,1-8.JSullivan,SCarlsson.Trackingandlabellingof ctingmultipletargets.ECCV,TZhaoR.Trackingmultiplehumansincrowdedenvironment.CVPR,StaufferC,GrimsonWEL.Adaptivebackgroundmixturemodelsforreal-timetracking.IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,1999,2:246-252.KaewTraKulPongP,BowdenR.Animprovedadaptivebackgroundmixturemodelforreal-timetrackingwithshadowdetection. -BasedSurveillanceSystems,2002,US,135-144.ZivkovicZ,vanderHeijdenF.Efficientadaptivedensityestimationperimagepixelforthetaskofbackgroundsubtraction.Patternrecognitionletters,2006,27(7):773-780.ZivkovicZ,vanderHeijdenF.“Recursiveunsupervisedlearningoffinitemixturemodels”.PatternysisandMachineInligence,IEEETransactionson.2004,26(5):651-656.TurduD,ErH.Improvedpost-processingforGMMbasedadaptivebackgroundmodeling.22ndinternationalsymposiumonComputerandinformationsciences,2007,1-6.BarnichO,VanDroogenbroeckM.ViBe:apowerfulrandomte