1. 研究目的与意义
运动目标检测是计算机视觉、图像与视频处理及模式识别领域的一个重要课题,其主要目标是获取运动目标的运动参数(如位置、速度、加速度等)以及运动轨迹,从而进行进一步处理与分析,实现对运动目标的行为理解,以完成更高一级的任务。基于光流法的运动目标检测与跟踪技术,具有高精确率,可以直接获得运动目标的运动参数等优点,但一直未能在鲁棒性与实时性方面有突破性的进展,未能应用在有实时性处理需求的领域。
目标检测被看作是视觉系统的一个重要能力，在军事及工业等领域都有着广泛的应用前景。目前检测方法主要有光流法和差图像法，一般来说，差图像法实现较为简单，易于实时应用，普通的光流法需要迭代计算，占用时间很长，因此实时性和实用性相对较差。但是差图像法由于自身算法的缺陷只有在少数非常理想的条件下才有效，比如静止不变的运动背景，目标没有任何形式的遮挡，但这完全不符合实际复杂的应用环境，绝大多数情况下背景不但有平移运动，而且还有缩放、照度变化，同时目标也经常
被遮挡等等。
2. 研究内容与预期目标
一.研究内容
光流场是图像分析中的一个重要概念，它起源于对生物视觉系统的研究。早在1976 年，Poggio和Reichartdt在对昆虫视觉的研究中就提出了光流的粗略计算形式。光流计算的研究真正起始于 80 年代初期Horn和Schunck以及 Lucas和Kanade等奠基性的工作。由于光流的重要性，在此后的 20 多年的时 间里推动了一些新方法的发展，这些方法大致可以分为五类：微分法、匹配法、基于能量的方法、基于相位的方法、神经动力学方法。
基于梯度方法又称为时空梯度法，也称微分法，它是建立在图像亮度常数模型)的基础之上的，利用图像序列灰度的 时空梯度函数来计算图像上每一像素点的光流。由于计算简单和较好的效果,该方法成为使用最广泛的一种光流估计方法。Horn-Schunck的光流计算方法就是此类方法的典型代表，它是在光流基本方程的基础上附加了全局平滑假设，从而计算出光流场。后人根据此思想提出了大量的改进算法，如由Nagel提 出了方向平滑性约束，在约束条件中首次引入了二阶微分项；Black和 Anandan针对多运动估计问题，提出了分段平滑处理的方法。但是基于梯度 的光流估计方法在使用中存在以下问题：首先，在运动的非连续区域图像亮度在运动方向上的平滑性约束会被破坏；其次,为了计算方便,光流方程常常通过一阶Taylor级数逼近来线性化，当有大的运动矢量存在时会产生较大的模型误差,因而降低估计精度；第三，由于光流约束是建立在图像亮 度不变模型上的，当图像序列中存在时间或空间域上的光照变化时,基于BCM类 型的算法一般都会产生较大的估计偏差。
3. 研究方法与步骤
| 一．基于光流场的运动目标检测方法 图像运动估计是动态场景分析的基础，当物体和摄像机之间具有相对运动 时会导致图像产生相应的变化，这些变化可以用来估计相对运动以及物体的形状等结构信息。运动可以用运动场进行描述，运动场是由图像中每个点的运动速度构成。在某一个特定的时刻，由投影方程可得图像上一点Pi 对应三维物体 上的某一点P0，如下图所示。
假设相对于摄像机的运动速度为V0，那么它将引起在图像中与之对应的点Pi产生一个运动速度Vi，V0和Vi分别如下式所示：
由图可知，式中r0和ri有如下的关系：
其中f为图像平面到镜头中心的距离，z为运动目标到镜头中心的距离。上式反映了三维物体运动和图像平面投影的关系，类似地，空间物体运动的三维速度场在二维图像平面也形成一个投影，这个投影就是图像的二维运动场。 简单来说，图像运动场就是对图像中每个像素点赋予一个速度向量。而光流是图像亮度模式的表观运动，是空间运动物体被观测面上的像素点运动产生的瞬 时速度场。光流场是对运动场的一个近似，在理想情况下，光流场与运动场相对应，但有时却并不对应，例如当场景中仅存在光照变化而无物体运动时，其运动场是不变的，但光流场却随着光照的变化而变化。同样地，运动场的改变 也未必能引起光流场的变化，例如一个质地均匀的球体围绕着自身轴心旋转 时，其运动场发生了改变，而其亮度模式并没有发生变化，因而其光流场是不变的。但是在一般情况下，我们可以认为光流场等同于运动场，通过求解图像 光流场来估计物体的运动信息。 根据视觉感知原理，客观物体在空间上的运动具有一定的连续性，物体运动过程投影到视网膜上的平面图像上实际也是一个连续变化的过程。因此，我们可以假设图像中像素点(x,y) 在某时刻t的灰度值为 I(x,y,t) ，用u(x,y) 和v(x,y ) 表示图像点(x,y)的水平和垂直方向上的速度分量，则经过一段时间后，图像点从(x,y)运动到位置(x dx ,y dy) ，此时的灰度值 I(x dx,y dy,t dt )。我们根据强度不变假设，即对一组连续的二维图像序列中某个目标的运动而言，沿该运动轨迹曲线的各帧中相应的像素点具有相同的灰度值，就可以认为在dt很小的情况下，图像上对应点灰度不变，即：
将上式右侧用一阶Taylor公式展开后得到：
忽略高阶项O(δ2)，可得著名的光流约束方程(OFCE)：
写成矢量的形式就是：
其中 Ix,Iy,It分别为图像点(x,y)的灰度值I(x,y,t) 沿 x,y,t 三个方向的偏导数。为图像灰度的空间梯度，为光流。光流约束方程，又称为光流基本等式，体现了图像灰度梯度与光流之间的约束关系。
|
4. 参考文献
[1] 李金宗, 原磊, 李冬冬. 一种基于特征光流检测的运动目标跟踪方法[J]. 系统工程与电子技术, 2005, 27(3):422-426.
[2] 魏国剑, 侯志强, 李武,等. 融合光流检测与模板匹配的目标跟踪算法[J]. 计算机应用研究, 2014(11).
[3] 王新余, 张桂林. 基于光流的运动目标实时检测方法研究[J]. 计算机工程与应用, 2004, 40(1):43-46.
5. 工作计划
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
