公共场景中运动目标分析范文

本站小编为你精心准备了公共场景中运动目标分析参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《计算机仿真杂志》2014年第六期

1场景知识的数学模型

1.1直线型边界的参数提取经过实验对比，发现在对直线进行提取时Radon变换的效果优于Hough变换(实验结果参见7.1、7.2及图3、图4)。故本文采用Radon变换来提取直线的参数，下面陈述Radon变换原理。Radon变换是计算指定方向上图像的投影。对应二元函数为f(x，y)，则是计算该函数在某一个方向上的线积分，投影可以沿任意角θ进行。一般来说，函数f(x，y)的Radon变换就是沿着y''''轴(过图像中心且与x正半轴的夹角为θ)进行线积分，其定义如下。因此，将二值化后的边界图像(例如:图2)沿θ(θ=0°，1°，2°，…，359°)角进行投影，投影的最大值对应最长直线的参数。本文关注的是公路两边的边界线，所以只需找出投影后的最大值和次大值，就获得了公路两边界线的参数了。图4就是利用Radon变换检测直线公路边缘的效果图。

1.2曲线型边界的参数提取在对公路边界线进行提取时，获得的精度越高且参数个数越少越好，因为这有利于更准确、更快速地分析运动目标的行为，而最小二乘多项式拟合就具有这一特点。通过实验，针对一般的公路而言，采用三次多项式进行提取就可以满足了。本文采用三次多项式对曲线型公路边界进行提取，因此，在算法中，事先给出一个三次多项式(即式(4))，然后将检测到的公路边界点(即已知点(xi，yi))代入式(5)中并满足min，便可获得多项式的系数参数。图5为曲线型公路的原图像，图6为此算法提取的效果图。提取后就得到两个方程，在保存方程时，只保存两方程的系数，这也大大地节省了存储空间。这样，就解决了曲线型公路边界的参数化问题，为后面的异常行为分析奠定了基础。

2运动目标的检测

由于自适应背景差的自适应性能很好地解决光照对图像造成的影响，本文将采用此算法来分割运动目标。其基本思想是:首先初始化背景图像(即2.1中的背景初始化图像)，这幅图像仅包含场景中的静态目标。当图像中出现运动目标时，将会发现，在出现运动目标的区域，当前图像的灰度与背景图像的灰度相比发生了明显的变化。运用这些变化信息，能检测和定位运动目标的位置。所谓“自适应”是指在下一个背景图像中将会考虑到当前图像对背景图像的贡献，这样不断调节背景图像，以适应天气或光照等外部因素的变化，自适应背景的循环模型为:将t时刻的图像与t－1时刻的背景图像相减，就会发现，出现运动目标区域的灰度值发生了较大的变化，当这个变化大于给定的阈值T1时，则认为出现了运动目标。图7就是利用此算法检测运动目标的效果图。

3特征提取

为了有效地跟踪运动目标，本文将引用运动目标的Hu矩、面积和质心作为运动目标的特征。

3．1Hu矩由于Hu矩具有旋转、缩放、平移的不变性，将引用此性质来克服检测和跟踪运动目标时发生的变化。设二维图像函数为f(x，y)，则其Hu矩的p+q阶几何矩为:

3．2运动目标区域的面积因为在相邻两帧图像中，同一运动目标的面积不会发生很大变化。所以，这也是跟踪运动目标的一个关键特征。实际上，每个区域的面积是二值化图像中每块区域的白点数。4．3运动目标的质心因为在相邻两帧图像中，同一运动目标的质心相距不会很远。所以，这也是跟踪的一个关键特征，质心为(x珋，y珋)，这里的珋x和珋y与式(8)中是一致的。

4运动目标的跟踪

在对运动目标跟踪时，本文借助以上提取地特征发展了一种新算法。依据相邻的两幅图像中同一运动目标的Hu矩的不变性来进行预匹配，为了进一步验证匹配的真实性，然后再验证其它特征。本文算法如下:1)区域标记:对t时刻检测到的运动目标区域进行记，标记后知道t时刻图像中出现的运动目标个数N;2)Hu矩预匹配:分别计算t时刻各个运动目标的Hu矩，如果运动目标数为N，便可得到Huit=(Hu1it，Hu2it，Hu3it，Hu4it，Hu5it，Hu6it，Hu7it)，i=1，…，N。将Huit与Huit－1中的对应元素相减并取绝对值，即|Huit(1，j)－Huit－1(1，j)|，j=1，…，7，再设定一个阈值T2，当|Huit(1，j)－Huit－1(1，j)|＜T2，则认为t时刻的运动目标与t－1时刻的运动目标是同一目标;在以上的3)和4)得到证实后，那么前面2)的预匹配就认为是完全匹配的同一运动目标在不同图像中的体现。否则，认为在场景中出现了新的运动目标。图8就是本文算法对两个运动目标进行跟踪的效果图。其中，蓝色点为第一个动目标的轨迹，红色点为第二个动目标的轨迹。

5运动目标的行为分析

5．1基于边界的行为分析在2.2和2.3中，利用Radon变换和最小二乘三次多项式算法提取了公路边界的参数方程，直线型边界的解析式为:y1=k1x+b1和y2=k2x+b2，曲线型边界的解析式为:y3=a3x3+a2x2+a1x+a0和y4=b3x3+b2x2+b1x+b0。如图9是直线型的行为监测分析示意图(曲线型与直线型的类似)。现在，将检测到的运动目标的质心点(x珋，y珋)的列坐标y珋分别代入以上四个方程中右边的x，便可得到yj(j=1，2，3，4)的值。需要做平面坐标系和图像坐标系的变换，由数学知识可知，当n－珋x≥yj(n为图像的行数)时，表明运动目标在直线的上方(即运动目标处于报警区)，此时便知运动目标发生了异常情况，应及时报警;如果n－x珋＜yj，则表明质心点在直线的下方(即运动目标处于安全区)，此时为正常情况，这样，就实现了对动目标的行为分析。图10为检测运动目标质心A(50，50)为异常的情况，系统发出了报警信号，实验结果显示是正确的。

5．2基于轨迹的行为分析为了监控运动目标轨迹的异常行为(如:醉酒驾驶、疲劳驾驶等)，本文将对运动目标的轨迹进行弯曲程度的分析，如果弯曲程度过大，则认为发生了异常行为。为此，引用曲线的“曲率”。

作者：吴永武钱淑渠王海英符祖峰单位：安顺学院