基于背景差分法的机动目标检测

基于背景差分法的机动目标检测LANZHOU UNIVERSITY OF TECHNOLOGY

毕业论文

题目基于背景差分法的机动目标检测

学生姓名梅金涛

学号09250124

专业班级通信工程（1）班

指导教师李立

学院运算机与通信学院

答辩日期2013年6月17日

基于背景差分法的机动目标检测

Maneuvering target detection based on background difference method

拼音：Mei Jintao

学号：09250124

摘要

在道路交通治理中，采纳摄像头拍照的道路视频，再用运算机软件处理的方法，则能够极大的增加方便性和灵活性。本文运动目标检测研究如何让运算机从视频图像序列中获得物体运动数据。

运动目标检测分为视频读取、灰度处理、视频图像化、运动位置提取这几个步骤。论文的提取背景是通过算数平均法实现的。与此同时，在运动点团位置提取步骤中，采纳了背景减法直截了当将目标提取出来。

本文还通过实验分析比较了图像预处理给实验带来的正面成效。实验结果再次证明了平均法和差分法在图像处理领域的方便性和灵活性。

关键词：读取视频;视频图像化;背景提取;目标提取。

Abstract

Road traffic management system often uses camera to capture the roa dway with computer software processing method in order to increase proc essing convenience and flexibility. The topic of this paper is the detection of moving target, and this also means how to get the whole target from the image sequence. Moving target detection is divided into several step s，such as video read, grayscale processing, video visualization, sports loc ation extracting. In this paper, background is extracted by arithmetic mean method. At the same time, the paper in the moving point position extra ction step, used the background subtraction to pick up the target directly.

This article also analysis the image preprocessing experiment to bring the positive effect by experiment. The experimental results prove that the average method and difference method again in convenience and flexibili ty in the field of image processing.

Keywords: Video Reading、Graphical Video、Background Extraction、Target Extraction.

目录

第一章绪论1

1.1 视频图像差分信息的提取的进展与意义1 1.2 国内外研究现状 2

1.3论文组织结构2

第二章差不多原理和有关理论3

2.1数字图像处理3

2.1.1 数字图像处理常用方法3

2.1.2 数字图像处理技术的应用4

2.2图像的预处理5

2.2.1 基础知识5

2.2.2图像增强技术5

2.2.3 图像复原技术6

2.2.4 图像去噪质量评判标准6

2.3.1 差不多介绍7

2.3.2 差不多方法8

2.4 MATLAB软件介绍9

2.4.1 MATLAB的应用9

2.4.2 MATLAB工具箱10

2.5 运动目标检测算法研究 11

2.5.1手动背景法11

2.5.2统计中值法12

2.5.3算术平均法12

2.5.4 Surendra算法13

2.5.5其他算法14

2.6运动目标检测算法研究14

2.6.1 光流法错误!未定义书签。

2.6.2 背景减法14

第三章背景提取15

3.1 彩色图像的背景提取15

3.1.1 基于均值的彩色图像背景15

3.1.2 改进的基于均值的彩色图像背景提取16 3.1.3 基于中值滤波的彩色背景图像提取17 3.1.4 基于共同区域的彩色图像背景提取18 3.1.5 灰度图像的背景提取19

第四章实验仿真结果分析20

4.1 视频图像的读取格式20

4.2帧图像的读取21

4.2.1单帧读取图像21

4.2.2 多帧图像的读取22

4.4目标背景和前景提取22

4.4.1 背景提取的步骤23

4.4.3 图像二值化25第五章总结26

参考文献27

附录29

附录一：29

附录二：32

致谢46

第一章绪论

1.1 视频图像差分信息的提取的进展与意义

视频图像差分信息的提取作为运算机视觉研究的核心课题之一，是一门正兴起的技术。它融入了人工智能、图像处理、模式识不、运算机、以及自动操纵等许多领域的先进技术。若用在视频跟踪系统上，具有隐藏性、直观性、抗电子干扰性、性价比高等突出优点。因为可从视频监视器上直截了当看到目标图像，因而能方便、直观地辨不出目标。此外在近距离跟踪方而，视频的跟踪系统具有较高的可靠性、精确性和稳固性。因提取的结果中包含了场景中各个运动目标的大量时空信息，视频图像差分信息提取技术从二十世纪六十年代以来，取得了极大的进展，在医疗诊断、战场戒备、气像分析、军事视觉制导、安全监测、参数现实、交通管制、机器人视觉导航、虚拟现实和视频压缩等许多方面都有广泛应用。例如在军事方面，要紧应用于电视跟踪和红外跟踪。早期的电视和红外跟踪器都采纳的是单一工作模式，必须全部用硬件实现。现在的跟踪以微机为基础，采纳图像处理与模式识不技术，利用程序操纵实现多种功能。多模跟踪器差不多用于电视和红外成像系统，如美国的坦克破坏者和海尔法等导弹的制导系统。近年来，人工智能被应用到视频跟踪中，专门有效的提升了系统自适应昀能力。在这些防空反导的系统中，视频的跟踪系统都起到了不能替代的作用。在民用方而，例如视觉监控，通过摄像机监视动态场景，已广泛地应用于社会生活的各方面，视频跟踪能够应用在社区和重要设施的保安监控中，用作智能交通系统中对车辆的实时检测与追踪。通过实时监测和跟踪，可得到车流量、车流密度、车型、车速等许多有用的交通流参数，同时还能够检测事故或者故障等突发的状况。此外，在港口治理、远距离测量、天文观测、医学图像分析、电视会议等专门多领域视频跟踪技术也大有作为。近年，国内外的设计用在支持视频跟踪图像处理的软硬件系统，通过系统的接口简化和编码推进了完全可编程的基于图像高帧频跟踪器的迅速的进展，且国外差不多达到了有用化水平，在国内也采纳高速数字的处理技术和目标跟踪测量技术，得到了母弹解爆后所产生的数个目标的高帧频摄像，实时的处理和实时的跟踪显示。

1.2 国内外研究现状

长期以来，我国各大都市的交管部门对交通信息的采集仍停留在使用传感线圈、固定的摄像装置等路基采集设备时期，存在监视范畴狭小、灵活性低、无法应对突发事件、缺乏对宏观信息的掌控等困难，严峻阻碍对交通的有效疏导。如果为了猎取全面的交通信息而在所有潜在交通拥堵地点和奥运等重大活动周边都安装固定监视设备，不但成本昂贵，而且由于大型活动具有短期性，将造成资源的庞大白费。

随着近年来全国各大都市交通拥挤程度的加剧，如何克服传统路基交通监视设备监视范畴狭小、灵活性低等固有缺点，对宽广范畴内的路面交通状况进行覆盖监视，快速到达突发事故地点，实时猎取事故现场信息，及时采取有效措施疏散车辆，实现对特定交通对象的跟踪定位，差不多上交管部门十分关怀的咨询题，也是各国科学家亟待解决的难题。

欧美一些发达国家在20世纪90年代就差不多开始探究一种能够代替或增强路面交通态势监视手段的新技术——道路交通态势空中监测技术。该技术的理念是利用空基平台特有的不受路面交通状况制约、可快速到达指定地点的特点，对重大活动、灾难事件、突发交通事件进行监视并提供各种应急信息服务，从而为全面、快速、准确的猎取与处理交通态势奠定基础。

1.3论文组织结构

第一章是绪论。

要紧讲视频图像差分信息的提取的进展与意义、国内外研究现状以及论文的组织结构。

第二章是差不多原理和有关理论。

要紧讲数字图像处理技术中的目标提取差不多原理，其中包括：图像预处理的概念、图像的预处理、图像灰度化。同时介绍了MATLAB和图像处理的关系[1]、MA TLAB的命令和工具箱[2]。

第三章是背景提取和目标提取。

要紧介绍视频读取过程，然后读取帧图像。同时本文给出了背景提取的具体方法：算术平均法，以及目标提取的具体过程。由于视频资源咨询

题，将背景图像通过预处理。本文还采纳了二值化图像处理方法对图片进行了处理和提取。

第四章是本文结论和总结部分。

总结了论文的仿真结果跟论文的具体实现过程。

第二章差不多原理和有关理论

2.1数字图像处理

数字图像处理是指将图像信号转换成数字信号并利用运算机对其进行处理的过程。图像处理最早显现于20 世纪50 年代，当时的电子运算机差不多进展到一定水平，人们开始利用运算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20 世纪60 年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉成效为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等[6]。

2.1.1 数字图像处理常用方法

1 ）图像变换：由于图像阵列专门大，直截了当在空间域中进行处理，涉及运算量专门大。因此，往往采纳各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少运算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用。

2 ）图像编码压缩：图像编码压缩技术可减少描述图像的数据量（即比特数），以便节约图像传输、处理时刻和减少所占用的储备器容量。压缩能够在不失确实前提下获得，也能够在承诺的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中是进展最早且比较成熟的技术。

3 ）图像增强和复原：图像增强和复原的目的是为了提升图像的质量，如去除噪声，提升图像的清晰度等。图像增强不考虑图像降质的缘故，突

出图像中所感爱好的部分。如强化图像高频重量，可使图像中物体轮廓清晰，细节明显；如强化低频重量可减少图像中噪声阻碍。图像复原要求对图像降质的缘故有一定的了解，一样讲应按照降质过程建立“降质模型”，再采纳某种滤波方法，复原或重建原先的图像。

4 ）图像分割：图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特点部分提取出来，其有意义的特点有图像中的边缘、区域等，这是进一步进行图像识不、分析和明白得的基础。尽管目前已研究出许多边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究还在持续深入之中，是目前图像处理中研究的热点之一。

5 ）图像描述：图像描述是图像识不和明白得的必要前提。作为最简单的二值图像可采纳其几何特性描述物体的特性，一样图像的描述方法采纳二维形状描述，它有边界描述和区域描述两类方法。关于专门的纹理图像可采纳二维纹理特点描述。随着图像处理研究的深入进展，差不多开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法。

6 ）图像分类（识不）：图像分类（识不）属于模式识不的范畴，其要紧内容是图像通过某些预处理（增强、复原、压缩）后，进行图像分割和特点提取，从而进行判决分类。图像分类常采纳经典的模式识不方法，有统计模式分类和句法（结构）模式分类，近年来新进展起来的模糊模式识不和人工神经网络模式分类在图像识不中也越来越受到重视[18]。

2.1.2 数字图像处理技术的应用

随着运算机技术的进展，图像处理技术差不多深入到我们生活中的方方面面，其中，在娱乐休闲上的应用差不多深入人心。图像处理技术在娱乐中的应用要紧包括：电影特效制作、电脑电子游戏、数码相机、视频播放、数字电视等。

电影特效制作：自从20 世纪60 年代以来，随着电影中逐步运用了运算机技术，一个全新的电影世界展现在人们面前，这也是一次电影的革命。越来越多的运算机制作的图像被运用到了电影作品的制作中。其视觉

成效的魅力有时差不多大大超过了电影故事的本身。现在，我们差不多专门难发觉在一部电影中没有任何的运算机数码元素。

电脑电子游戏：电脑电子游戏的画面，是近年来电子游戏进展最快的部分之一。从1996 年到现在，游戏画面的进步简直能够用突飞猛进来形容，随着图像处理技术的进展，众多在几年前无法想象的画面在今天差不多成为了平平常常的东西。

视频播放与数字电视：家庭影院中的VCD ，DVD播放器和数字电视中，大量使用了视频编码解码等图像处理技术，而视频编码解码等图像处理技术的进展，也推动了视频播放与数字电视象高清晰，高画质进展[20]。

2.2图像的预处理

图像预处理技术确实是在对图像进行正式处理前所做的一系列操作，因为图像在传输过程和储备过程中难免会受到某种程度的破坏和各种各样的噪声的污染，导致图片丧失了本质或者偏离了人们的需求，而这就需要一系列的预处理操作来排除图像受到的阻碍。

2.2.1 基础知识

一样情形下，人们对获得的图像（原始图像）进行预处理无非是从两个方面：图像增强和图像复原。如果人们在图像处理过程中并不考虑图像的降质等有关缘故，只是单独的将人们感爱好的图像特点有选择的突出出来，并衰减其他不需要或者次要的特点，这类图像预处理方法所得到的图像并不需要和原先的图像接近，只是让人们更容易观看到自己感爱好的地点，因此称这类预处理方法为图像增强技术[3]。而图像复原技术需要明白图像的降质缘由，按照图像降质的现眼知识，复原并重构原先的图像。因此图像增强和图像复原的目的是不一样的，图像增强的目的是为了改善图像视觉成效，便于观看和分析人们所感爱好的东西，而把那些不重要的地点给清除出去，不仅如此，图像增强还便于人工或者机器对图像的进一步处理。而图像复原不仅仅是对图像进行预处理还要复原至原先的面貌，它需要建立模型依此为依据进行复原。

2.2.2图像增强技术

一样来讲图像增强技术要紧有两种方法：空间域和频率域法。空间域法则要紧是直截了当在空间域内对图像进行运算处理，分为两个方面：点运算和邻域运算（局部运算）。其中点运算包括图像灰度变换、直方图修正、局部统计法等几种方法，邻域运算包括图像平滑和图像锐化等几个方面。频率域法则只在图像的某种变换域里对图像的变换值进行运算，例如我们对图像进行傅立叶变换，然后在变换域里对图像的频谱进行某种运算，最后把运算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波、同态滤波等等。因此以上分类是从图像预处理的方法上来分的，如果从处理目的方面来讲图像增强能够分为灰度调整、平滑减噪、图像锐化等，从处理策略分类上能够分为全局处理和局部处理两大方面，从处理对象上来分能够分为灰度图像处理和伪彩色图像处理。因此图像预处理中的图像增强技术分类极其复杂，那个地点只阐述下图像灰度化及灰度变换、图像平滑减噪及其中滤波方法之一的均值滤波等常用的预处理方法[10]。

2.2.3 图像复原技术

图像复原技术确实是利用图像的先验知识来改变一副被退化的图像的过程，图像复原技术需要我们先建立图像模型，然后逆向反解那个退化过程，最后获得退化前的最优图像。图像退化模型能够当成是一个线性模糊和一个高斯噪声的合体。因此，图像复原能够通过设计复原滤波器即逆向滤波来实现。在进行图像复原时，有许多选择。第一能够用连续数学，也能够用离散数学来处理。其次，进行图像处理时既能够在空域里还能够在频率域里。此外，当复原采纳数字方法是，处理时既能够通过空域的卷积运算，也能够通过频域的相乘运算进行。

2.2.4 图像去噪质量评判标准

图像质量评估也是图像处理领域的研究方向之一，当我们进行图像增强时，把一幅含有噪声的图像处理之后图像的质量是否会有所提升，这需要一个标准来衡量图像增强的好坏，因此，引入图像的去噪评判标准对图像去噪前后的质量进行评比，做出比较标准的判定。现在比较常用的图像去噪的评估标准有两类：客观准则和主观准则。

客观评判标准是用去噪后的图像与原始图像的偏离程度来衡量图像去噪处理的质量。常用的一个方法是均方误差估量，它通过运算输入图像与输出图像的均方值(MSE)来评判图像处理质量。

以上简单介绍了两种常用的客观评判标准。也可采纳主观评测准则，即主观比较去噪图像与原图像两者之间的差不。因此主观评判带有主观性，因人而异，要紧从以下两方面进行评判：

①观看图像去噪后的平滑成效。通过观看图片复原前后平坦区域和缓变区域的平滑程度。因为人眼关于平坦区、缓变区的噪声的敏锐度相对其它区域会更高，而且目前常见的平滑去噪的过程也大多在这些区域进行。

②观测图像的结构的边缘爱护情形。因为在平滑去噪的过程中，为了排除噪声，会将图像边缘的部份结构模糊掉，这会对图像边缘和细节信息造成一定的破坏。目前大部份滤波方法都会产生边缘模糊、边缘移动、边缘失真及细节丢弃的后果。因此能够通过观看图像的边缘和平坦的区域是否受到损坏以判定滤波器对图像的爱护成效[2]。

2.3图像灰度化

将彩色的图像转化灰度图像的过程叫做图像灰度化，由于彩色图像的每个像素的颜色由R、G、B三个重量组成，即红、绿、蓝三种颜色。每种颜色都有255中灰度值能够去，而灰度图像则是R、G、B三个重量灰度值相同的一种专门的图像，因此在数字图像处理过程中将彩色图像转换成灰度图像后就会使后续的图像处理时的运算量变得相对专门少，这也确实是图像灰度化的缘故。而且灰度图像对图像特点的描述与彩色图像没有什么区不，仍能反应整个图像的整体和局部的亮度和色度特点。现在大部分的彩色图像差不多上采纳RGB颜色模式，处理图像的时候，要分不对RGB 三种重量进行处理，实际上RGB并不能反映图像的形状特点，只是从光学的原理上进行颜色的调配。因此人们在进行图像处理和预处理时都会先进行图像的灰度化处理，方便对图像的后续化处理，减少图像的复杂度和信息处理量[9]。

2.3.1 差不多介绍

灰度用黑色调来表示物体，每个灰度对象有0%（白色）至100%（黑色）的范畴值，通常用灰度来表示黑白或灰度扫描仪生成的图像。另外使用灰度还能将彩色的图像转换为高质量的黑白图像，现在制图软件将会把原图像的所有颜色信息丢弃。而我们所讲的灰度色，确实是指纯白、纯黑及两者的一系列从黑到白的过渡颜色。平常所讲的黑白照片、电视，实际上都应称为灰度照片、灰度电视才准确。灰度共有256个级不，灰度最高的相当于最高的黑，那确实是纯黑。灰度最低的相当于最低的黑，也确实是没有黑，确实是纯白。当把像素量化以后，用一个字节表示像素的大小。如果把黑-灰-白连续多种变化的灰度值也量化为256个灰度级，则灰度值的范畴大小为0到255，表示的含义是亮度从深到浅，相对应的图像中的颜色则是从黑到白。因此黑白照片里包含了黑白之间的所有灰度值，每个像素都在黑和白之间的256种灰度中包含着[5]。

2.3.2 差不多方法

彩色图像RGB模型中，如果R=G=B，则彩色表示一种灰度颜色，其中那个值叫做灰度值，因此灰度图像每个像素用一个字节存放灰度值（亮度值），一样有四种方法对彩色图进行灰度化：

①取重量法。将彩色图像中的三个重量之一的亮度值作为灰度图像的灰度值，按照需要选取一种作为灰度图像。

②取最大值法。是将彩色图像中的三个重量的亮度的最大值作为灰度图像的灰度值。

③平均值法[10]。将彩色图像中的三个重量的亮度值求平均值得到一个灰度值，作为灰度图像的灰度。

④加权平均值法。按照三个重量的重要性及其它指标，将三个重量以不同的权值进行加权平均运算。由于人眼对绿色的敏锐度高，对蓝色的敏锐度低，故能够按照不同的权值对RGB三个重量进行加权平均运算能得到比较合理的灰度图像[3]。

图2.1 图像灰度化前后

2.4 MATLAB软件介绍

MATLAB[12]是Matrix Laboratory即矩阵实验室的缩写，是美国Mat hWorks公司专门开发的集数值运算、符号运算、图像可视化三大功能于一体的功能强大的仿真软件，是国际上公认的优秀数学应用软件之一。由于它的差不多单位是矩阵，它的指令表达式与数学和工程中的相似，故用MA TLAB解决运算和图像咨询题比用其他语言完成要简单的多。MATLAB最突出的功能确实是简洁，用更直观的符合人们思维的代码代替了C和VC+ +的冗长的代码，给用于带来了最直观最简洁的程序开发环境。而且MATL AB的图形功能专门强大，在MATLAB里数据的可视化专门简单，MATLA B还具有较强的编辑图形界面的能力。MATLAB的另一大特色是功能强大的工具箱。MATLAB软件里包含两部分：核心部分和各种可自由选取的工具箱。核心部分则有数百个内部函数，工具箱又分为两个方面：功能性工具箱和学科性工具箱。前者用来扩充符号运算功能，图像建仿照真功能，文字处理功能和硬件实时交互功能等。能够看出功能性工具箱用于多种类型的学科，而学科性工具箱是比较专业性的工具箱，如signl processing to olbox，communication toolbox等等，因此用户能够不编写自己学科内的基础性程序，直截了当进行高端的程序研究。在上述工具箱中，图像处理工具包是由一系列支持图像处理操作的函数构成的，所支持的图像操作有：图像几何操作，邻域操作、图像变换、图像增强与复原、线性滤波和滤波器的设计与实现等等[20]。

2.4.1 MATLAB的应用

下面简单介绍一些MATLAB在图像处理方面的实际操作应用[12]。

（1）图像文件格式的读入和写出。MA TLAB提供了图像读入函数im read()，用来读取各种各样的文件，如bmp、pcx、jgpeg 、hdf、xwd等格式的图像。MATLAB还提供了图像写出函数imwrite()，另外还有图像显示函数image()、imshow()。

（2）图像处理有关的差不多运算。MA TLAB提供了图像线性运算以及卷积、有关、滤波等非线性算。例如，用函数2(,)

conv A B实现了A，B两幅图像的卷积运算。

（3）图像变换。MA TLAB提供了傅立叶变换、快速傅立叶变换、离散余弦变换及其反变换和连续小波变换、离散小波变换及其反变换各种变换。

（4）图像分析、增强。针对图像的统计运算MATLAB 提供了灰度调整、直方图均衡、中值滤波、自适应滤波等一系列图像预处理技术[10]。

以上所提到的MATLAB软件在图像中的各种处理应用差不多上通过相应的MATLAB函数来实现的，因此使用时，只需正确调用相应的函数并输入参数即可。

MATLAB中的差不多数据结构是由一组有序的实数或复数元素构成的数组，同样的，图像对像的表达采纳的是一组有序的灰度或彩色数据元素构成的实值数组。MATLAB中通常用二维数组来储备图像，数组的每一个元素对应于突袭哪个的一个像素值。由于对图像采纳了通用的数据矩阵的表达方式，MATLAB中原有的所有差不多矩阵操作都可应用于图像矩阵。

2.4.2 MATLAB工具箱

MATLAB图像处理工具箱提供了丰富的图像处理函数，使用这些工具箱函数将大大减轻图像数据的纷杂操作，使我们更加快捷地实现图像处理任务，不再把专门多的时刻花在调试一些差不多代码上，而是把更多的精力倾注于各种图像处理算法的成效上。工具箱函数[3]要紧能够完成以下功能：

①图像的几何操作；

②图像的临域和图像块操作；

③线形滤波和滤波器设计；

④图像变换；

⑤图像分析和增强

⑥二值图像形状学操作

⑦图像复原

⑧图像编码

⑨感爱好区域处理

MATLAB支持的图像文件格式：

'bmp’、’cur’、’gif’、’hdf'、’ico’、'jpg’、’pbm'、’pcx’、’pgm'、’p ng’、’pnm’、’ppm’、'ras'、'titP、'xwd'。

MATLAB支持的图像类型：

①索引色图像

②灰度图像

③RGB图像

④二值图像

⑤图像序列

2.5 运动目标检测算法研究

在进行运动目标检测时，一个专门重要的步骤确实是区分出运动目标和背景范畴，常见的一种情形是摄像机处于静止状态同时焦距也是固定的。现在，图像中的背景区域固定不动。在这种情形下，运动目标识不不管是使用背景差法，依旧使用背景差法结合帧间差法，质量良好的背景的建立显得及其重要。另外，当涉及到背景的使用时，一旦背景发生一些变化时，如背景中频繁地显现运动物体，或者光照发生变化、树叶等小物体的晃动等等，使得不能准确地提取背景作为参考图像，从而不能正确地分割出视频序列中的运动物体。为了克服上述咨询题，国内外众多研究人员提出了背景建立和自适应的背景模型，实现了背景模型的实时更新，能够比较准确地识不出运动目标。在能够满足实时性和有用性要求的前提下，讨论并研究下列几种算法。

2.5.1手动背景法

手动背景法需要人观看到没有前景物体时启动该帧图像，作为背景图像。这种背景提取方法增加了人力和物力的需求，而且在专门多情形下专

门难在没有前景的情形下获得背景图像，例如高速公路的车辆监测系统、小区的门禁系统等等。这种方法不能实现自适应背景更新的功能，需要使用其他方法修正由于光线，亮度等的变化带来的背景误差[13]。

2.5.2 统计中值法

考虑到运动物体较少的情形下，连续多帧图像中背景的像素值占要紧部分，如此在一段时刻内变化缓慢，取中值便能够认为是背景图像。统计中值算法从统计学的角度统计单个像素点(,)i A x y =，( 1.2..)i N =在连续帧图像中的亮度值Bi 。在一段时刻内对视频序列图像的亮度值(或者色彩信息) Bi 进行排序，然后取中值(,)i M x y =作为背景。该算法存在的咨询题在于：图像帧的像素点大多以数万，数十万的数量级显现，而用于取中值的图像帧数量N 也应该比较大。对如此大的数组进行排序取出中值，实现时运算量较大，处理较慢。同时需要占用大量的内存单元用于储备数据[15]。

2.5.3 算术平均法

采纳算术平均法提取背景图像，能够总结为在特定的时刻段内对像素点的亮度和色彩信息取平均值，用均值作为背景图像对应像素点数值。在读入一段视频时，对某一像素点进行观看，会发觉在没有前景的运动目标通过时，该点的灰度值保持稳固，变化专门小,只有当前景的运动目标通过时，该点的灰度才会发生剧烈的变化。如此就能够连续读入N 帧图像，对图像各点的灰度或色彩信息进行统计的方法，使得变化剧烈的像素点变得平缓，取其平均值作为背景图像像素点的值。如此也能够滤除背景图像中的突变噪声点。其统计公式如下：

1

1(,)(,)N i B x y Ii x y N ==∑ （2-1） 公式中式中： (,)B x y =表示背景图像， (,)i I x y =表示第i 帧序列图像，N 表示平均帧数。在实际场景中，一段时刻内，同一区域专门少有可能总是存在运动物体。而通过平均法得到的背景就会排除亮暗分布不平均的情形。

算术平均法的特点是模型简单，运算方便，能够较好的得到背景图像[16]。然而在仿真过程中，也发觉了该方法的一些咨询题。其中最明显的是，

该算法得到背景图像需要猎取的图像帧较大。受运动物体数量的阻碍，随着平均帧数的增加，得到的背景图像的质量越好。由因此求取序列图像的算术平均值，如果N 值太小，背景图像中的运动物体不容易被滤除，专门容易在背景图像中留下“影子”。而且在运动物体专门多，轨迹专门固定的情形下，也需要加大N 的数值，以使得平均值更加接近与真实的背景图像。在这种情形下，背景的建立就需要较长的时刻。本算法也有一定自适应更新功能。随着时刻的推移，在背景提取后猎取的图像帧也能够作为新的信息量，与背景图像进行统计平均或加权平均，实现背景的自适应更新。因此这种方法也使用于实时背景更新算法[17]。

2.5.4 Surendra 算法

Surendra 背景更新算法能够自适应地猎取背景图像，该算法提取背景的思想是对差值图像的亮度值进行判定，如亮度大于阈值，背景图像对应位置的像素点保持不变，否则利用当前帧对背景图像进行替换更新。其算法能够分成以下几个步骤：

(1)将第1帧图像i I 作为背景1B 。

(2)选取阈值T ，迭代次数1m =，最大迭代次数MAXSTEP 。

(3)求当前帧的帧差分图像 {111||0||i i i i I I T i I I T D --->-≤=

(2-2) (4)由二值图像Di 更新背景图像Bi ， 11(,)1(,)(1)(,)0i i i i i B x y D i aI x y a I x y D B --=+-=??=??? (2-3)

式中(,)i B x y ，(,)i D x y =为背景图像和差分二值图像在(,)x y 的灰度值，

(,)i I x y =为输入的第i 帧图像，a 为更新速度。 (5)迭代次数1m m =+，进行第(3)步的运算。当迭代次数m MAXSTEP =时终止迭代，现在(,)i B x y 可当作背景图像。

选取80MAXSTEP =，0.1a =，选取固定阈值20T =。在MATLAB 中进行仿真。

背景差分法MATLAB实现

程序1 背景差分法MA TLAB实现 function temp3 d=60; b='d\6\capfile3.avi'; e='.bmp'; for i=0:13 u=d+1; m=int2str(d); n=int2str(u); s=strcat(b,m,e); %连接字符 m=imread(s); m=rgb2gry(m); %灰度值 % imshow(m); if(d>=61) s=strcat(b,n,e); n=imread(s); n=rgb2gry(n); q=im2double(m); figure(18);imshow(q); w=in2double(n); figure(19);imshow(w) c=q-w; %进行差分处理 figure(20);imshow(c) figure(99);imshow(c);%绘制直方图 t=100;%此値可以调节（阈值调整） t=t/255; k=find(abs(c)>=t); c(k)=1; k=find(abs(c)

f0=imread('capfile3.avi61.bmp'); g=rgb2gray(f0);%图像灰度化 imshow(g); g2=imnoise(g,'salt & pepper',0.05);%加淑盐噪声 figure(3);imshow(g2); g3=medfilt2(g2,[3,3],'symmtric');%以3*3窗口中值滤波 figure(4);imshow(g3); g1=im2bw(g);%图像二值化 figure(2);imshow(g1); 程序3 % “高速公路汽车阴影”视屏的阴影去除的方法 clc; clear all; close all; % 打开视频文件对话框 h1=figure('toolbar','name','Shadow Removal'); [FileName.PathName]=uigetfile({'*.avi','avi(*.avi)','*.*', 'All Files(*.*)'},'Open video sequence'); if isequal([FileName,PathName],[0,0]) return else pic_path=fullfile(PathName,FileName); mov=aviread(pic_path); end n=100; % 读取视频帧数 s=1; % 起始为1 e=n; % 结束为n for i=s:e mov_gray(i).image=mov(i).cdate; % mov_gray(i).image 为第i帧图像 end [ih,iw,id]=size(mov_gray(1).image); % 取得视频帧的大小 % 计算1到第n帧的各个像素的均值 for i=s:e u=mov_gray(i).image; h=u(:)'; t(i,:)=h(:); end tmp=median(t); % 对t数组各列取均值 mean=reshape(tmp,ih,iw,id); % 将n帧均值图像恢复成h*w*d的图像矩阵，得到背景 figure,imshow(uint8(mean));title('背景图像');

四年级数学上册目标检测参考答案

四年级数学上册目标检测参考答案 第一单元 练习一 百发百中 一、填空 （1）万千万九（2）万十万百万千万（3）计数单位10 （4）7个千4个十万（5）4 （6）九亿 5 5个亿（7）100000 99999 1 （8）3057090 二、94000500 九千四百零五万 940050 九百四十万零五百 9400500 九百四十万五千 9405000 九千四百万零五百 94050000 九十四万零五十 竞技搏击10万100万1000万 练习二 百发百中 一、（1）300000 （2）20000000 （3）1514290000 （4）69400 二、60090000 50336700 800204 10000080 三、（1）2305000 （2）70082400 （3）9000900 （4）50005000 四、（1）2001050027 （2）805002000 （3）1008006090 竞技搏击 （1）606600 （答案不唯一） （2）873210 102378 873201 873021 870321 870231（后4空答案不唯一） 练习三 百发百中 一、5400872 1000020 34800723 4803070 2090030 90094003 4802000 5900000 二、（1）A（2）B 三、（1）×（2）√(3)× (4) √

1、980000 2、（1）7654000 （2）4000567唯一（3）7065040 （4）7060504 （答案不唯一） 练习四 百发百中 一、< < < < > < = > > > 二、（1）1000000 > 999999 >9989999 > 909999 (2)4028922 < 4208922 <4280922 < 42089222 三、（1）太平洋北冰洋 （2）0-6 9 0-9 0 竞技搏击 64980 <70950 <70999 <78700 < 80342 < 88080 <840000 80342 64980 70950 70999 78700 练习五 百发百中 一（1）A（2）B （3）B （4）A 二、（1）4000万（2）1690万（3）705万（4）960万 三、（1）133800 13万（将目标上的“近似数”应改为“近似数万”，避免学生做的时候出现不知道写“130000”还是写“13万”的现象。 （2）19978 2万 （3）4791000 479万 竞技搏击 （1）64999 55000 （2）47900 97400 79400 （答案不唯一）不能 练习六

背景差法是 3种

背景差法是3种 方法中最直接、最简单的一种方法．这种方法事先把背景图像存储下来，然后将前景图像与背景图像作差．一般情况下，由于运动物体在灰度上与背景灰度存在着很明显的差异，这样作差过后的差值图像只是在运动物体出有较大的灰度值．选取适当的阈值，差值图像的灰度值大于，视为前景物体，灰度值小于，视为背景点．运用背景差法通常会遇到背景的获取背景的更新和背景的扰动 1 问: Pluto对波长650纳米的激光校准，即上载一幅灰度值在0-255之间的图，施加的相位调制对应在0-2pi之间。如果改用波长532纳米的激光，上载灰度值范围为多少时，可以达到0-2pi之间的相位调制。 答: 若改用532nm激光，相位调制范围比650nm会大些。一般来说,SLM相位调制范围在短波长上会增加。 2 问: LC-R2500等型号对微机系统有什么具体要求？ 答: 目前的PC配置一般都能满足要求. 3 问: 说明书中提到相位校准过程中要加入起偏器和检偏器，请问SLM使用中是否要还要加入起偏器和检偏器？ 答: 正常使用中也需要加入起偏器和检偏器。并且，一般要求起偏器的偏振方向与SLM微显示板的长边方向一致，基本不影响入射偏振态，达到只改变相位的目的。 4 问: 入射光束和SLM法线的夹角有何限制，最大夹角大约为多少？ 答: 入射角度一般控制在6度以内，对相应偏振光的影响较小。 5 问: SLM调制时有时中心光斑仍比较强，导致衍射效果变差，请问何种原因？如何消除？ 答: 一般来说，衍射效果受填充因子和入射偏振态影响。使用中，应通过插入起偏器和检偏器来消除非相干光的影响。 6 问: Holoeye空间光调制器使用中应注意哪些问题？ 答: 一、防静电措施，特别是安装液晶显示面板时，应带防静电手套，防静电手腕；二、液晶显示面板与控制器之间的连线，应避免频繁插拔；三、空间光调制器部件的连接，应在断电状态下进行； 四、使用环境，应避免高温、高湿，并保证一定的洁净度。 7 问: Holoeye空间光调制器能否用于脉冲光？ 答: Holoeye空间光调制器可用于飞秒脉冲整形，具体损伤阈值取决于脉冲能量，重复频率、光斑大小等。一般连续光功率密度为2W/cm2,制冷状态下可承受更高功率。 8 问: Pluto系列的响应时间？ 答: VIS: ~25ms；NIR: ~30ms；TELCO:~ 40ms。 9 问: SLM Pluto和HEO 1080P的区别？ 答: Pluto与1080P采用相同的液晶显示面板，但Pluto的控制器体积小，是厂家改进的型号。而HEO1080P多应用于多通道 1.控制空间光调制器程序

FPGA论文背景差分法论文

FPGA论文背景差分法论文 摘要：视频图像处理对处理器的数据处理能力和实时性要求都非常高。设计基于fpga和背景差分算法的静态背景下运动目标检测系统，并详细介绍了系统的设计过程。采用fpga硬件实现系统设计，极大的提高了系统的实时性，能准确的检测出运动目标。 关键词：fpga；目标检测；视频处理；背景差分法 moving target real-time detection of fpga-based static background chen quanjin,zhang yide (school of optoelectronic information,university of electronic science and technology of china,chengdu610054,china) abstract:a video detection system of moving objects based on fpga and background difference algorithm is designed.and introduces the realization in detail.the system processing speed has been enhanced greatly,and the moving object can be detected in realtime and accurately under the staticbackground. keywords:fpga; object detection;video processing;background differencing

目标检测与识别

采用视频图像的运动目标检测与识别 相关调研 目标检测是计算机视觉的一个重要组成部分,在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法,差值法。光流法的计算量很大,实时性和应用性较差。而图像差值法比较简单,实时性较好,是目前应用最广泛,最成功的运动目标检测的方法。图像差值法可分为两类,一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分,但自然场景不是静止不变的,因而必须不断的更新背景。另一类是用序列图像的两帧进行差分,这种方法无法检测出两帧图像中重合的部分,只能检测出目标的一部分信息。在绝大多数视频监控图像应用中,每一个像素都可以用一个或多个高斯模型近似,因此,高斯背景模型是绝大多数目标检测方法常用的基本模型。 智能视频服务器是飞瑞斯在多年视频分析技术优势的基础上，推出的一系列具有智能视频分析功能的DVS 视频编码设备。智能视频服务器基于DSP、ARM等核心平台，完成前端标准的H.264高压缩率编码，同时完成智能分析功能。 智能视频服务器的最大的创新点在于，这一系列DVS不仅仅提供视频监控的功能，能通过飞瑞斯核心的智能视频分析技术，来感知视频场景内的环境、人和物，并挖掘其中的人(物)行为、状态、身份信息、数量、轨迹等更深层次的元数据信息。 智能视频服务器赋予了视频监控系统智慧的大脑，从此视频监控不仅仅是能看得到，而且还能自己思考，提供更为智能的应用。

https://www.wendangku.net/doc/ec11095852.html,/products_20_26.html?bdclkid=BztEJhpzcR34JE_Ft948PGoNuxuK0gsc zre7HPa3EhvUMBqk3J

八年级下目标检测答案

第十四章生物多样性 第一节生物的命名和分类 一．填空题 1．1753，林奈，二名法。2．两，属名，种名，拉丁，属名。3．形态，结构，生理特性。4．界、门、纲、目、科、属、种，种。5．原核生物界、原生生物界、菌物界、植物界、动物界 二．选择题 1．C，2．D，3．A 第二节病毒 一．填空题 1．动物病毒，植物病毒，真菌病毒，细菌病毒（噬菌体）。2．其他生物活细胞中，增殖。3．球状，杆状，丝状。4．俄国，烟草花叶病，细菌。5．细菌，病毒 二．选择题 1．B，2．B，3．B，4．D，5．A，6．C 三．识图作答 1.①蛋白质外壳②核酸。 2.细胞，蛋白质，核酸。 四．简答题 参考答案：①接种人痘、牛痘预防天花。②16世纪荷兰种植者利用嫁接法使郁金香感染病毒，开出美丽杂色花朵。③1885年，巴斯德研究出狂犬疫苗。 第三节原核生物界 一．填空题 1．是否有细胞结构。2．无成形细胞核。3．球状，杆状，螺旋状。4．鞭毛、荚膜等附属结构5．细菌，蓝菌。6．成形的，原核生物。7．荷兰，列文·虎克 二．选择题 1．B，2．D，3．C，4．D，5．B 三．简答题 1.参考答案：绝大多数细菌对人类有益，如食品工业中制造醋、味精等调味品；烹调和取暖用的天然气是数百万年前生活在湖底和沼泽淤泥中的细菌产生的；酸奶、泡菜以及很多腌制食品的制作也离不开细菌；豆科植物根瘤里的根瘤菌有固氮作用；分解动植物残骸，维持地球上的物质循环。少数种类有害，如一些致病菌使人生病；大肠杆菌等细菌造成食品污染。 2.参考答案：开窗通风、熏蒸白醋、喷洒消毒液。 第四节原生生物界 一．填空题 1．藻类，原生动物，原核生物。2．有真正（成形）的细胞核，真核生物。3．色素，绿藻，褐藻，红藻。4．叶绿体，鞭毛，原生。5．圆柱，螺旋盘绕，带，液泡，细丝。6．过多，藻类，赤潮 二．选择题 1．D，2．D，3．D，4．A，5．B 第五节菌物界 一．填空题 1．黏菌，真菌，真菌，6万。2．真正（成形）的细胞核。3．菌丝，菌丝。4．物质循环，生态平衡。5．叶绿体，腐生，寄生。6．酵母菌，有机物（淀粉），二氧化碳 二．选择题 1．D，2．B，3．C，4．C，5．D 三．简答题 参考答案：霉菌中含有毒素，容易造成食物中毒。 第六节植物界 一．填空题

基于背景减法和帧差法的运动目标检测算法研究

分类号：密级 硕士学位论 文 论文题 目:基于背景减法和帧差法的运动目标检测算法研 究 研究方向图像处理 专业名称通信与信息系统 研究生姓名余启明 导师姓名、职称任克强教授 2013年6月5日 江西?赣州

运动目标检测是计算机视觉领域的一个重要课题，在航空航天、视频监控以及智能交通等领域有着广泛的应用前景。研究视频图像序列中运动目标检测算法具有重要的理论价值和实践意义。本文在分析几种常见运动目标检测算法的基础上，着重研究了背景减法和帧差法。本文所做的主要工作如下： (1)分析了运动目标检测的应用背景、研究现状和目标检测中要用到的一些视频图像处理理论。对视频序列中常用的光流法、帧差法和背景减法等运动目标检测算法进行研究，分别介绍了它们的基本原理和一些改进算法。特别是针对背景减法，分析了常见的几种背景减法的建模方法。 ⑵在分析现有背景建模方法的基础之上，发现采用传统混合高斯模型建模进行目标检测时，其学习速率不可根据背景的改变而改变，影响了背景的更新效率，本文提出了一种改进的运动目标检测算法。改进的算法把学习速率分成背景建模初期和背景形成以后这两个阶段，在这两个阶段里均采用自适应的学习速率，使得模型可以更即时地更新，从而能够及时更新背景，消除运动目标的残影，提高检测准确率。实验结果表明，本文算法可以更准确地检测出运动目标，较好地消除阴影，并具有较好的自适应性和稳健性。 ⑶在分析传统帧差法进行目标检测的基础之上，针对运动目标颜色与背景灰度值相似情况下出现检测的目标轮廓不完整的问题，本文进行了改进。先用改进的帧差法进行运动目标检测，再将Canny算子作用于此目标，以提取出边缘信息，最后将目标边缘与原目标取“或”操作。此方法能够较好地解决运动目标和背景颜色差别较小时，检测的运动目标轮廓不完整的问题，从而得到更加准确的运动目标。实验结果表明，本文提出的改进的基于边缘检测与帧差法的运动目标检测算法可用于比较复杂的环境，对目标色彩的局限性小，具有较好的实用性。 关键词：目标检测；背景减法；混合高斯模型；边缘检测；帧差法 Abstract The detection of moving targets is an important topic in the field of computer vision, and has a wide range of applications in the aerospace, video surveillance, intelligent transportation and other fields. Studying moving target detection algorithm of video image sequence has important theoretical value and practical significance. This paper focuses on the analysis of several common moving target detection algorithms which based on background subtraction and frame difference. The main work of this paper is as follows: (1)Analyzed the background of moving object detection, the current situation and video image processing theory of target detection. Studied three moving target detection algorithms, which are optical flow method, the frame difference method and background subtraction. The principles of these algorithms and improved algorithms are analyzed. At last, this paper studied the modeling methods of the background subtraction. (2)The fixed learning rate is adopted by traditional Gaussian mixture model, in other words,

动态视频目标检测和跟踪技术(入门)

动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相

目标检测综述教学内容

一、传统目标检测方法 如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。 总结：传统目标检测存在的两个主要问题： 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。 二、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？ 对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region

proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object d etection and Segmentation)

北京朝阳七年级下册《语文目标检测》每课四世同堂答案

七下目标检测参考答案 第一单元 1.从百草园到三味书屋 7.鼓励创新。注意景物与房舍的顺序。 2.爸爸的花落了 6.注意人物的辈分。 3.丑小鸭 6.二儿子钱仲石跟日本人同归于尽；觉醒的战士（不惧死亡，孤身抗战）；到处巴结日本人为冠晓荷谋一个官位；痛心山河失守，渴望亲赴国难，尽自己一份微薄之力；对一大家子人的责任，一大家子人的温饱等待着他。 4.诗两首 5.祁老太爷闭上眼，想起今天街上的情景，想起那卖兔儿爷的瘦子的话，想起刚刚夹着蓝布包站在门槛那儿的钱夫人...是了...她说孟石也快不行了...他原先想，只要日本人还让一个本本分分的老人过七十五岁生日，便恨不起来，可如今...今年已经是这样，明年呢？明年怕是连兔儿爷的影子都见不着了...北京城...这是要完了啊.... 5.伤仲永 9.钱夫人痛失爱子，表面看上去是因为钱默吟被抓，仲石身死，孟石孱弱的身体经受不住打击而去世，而根本原因则是“覆巢之下无完卵”，国亡了，百姓就无人庇护，陷入了任人鱼肉的境地。祁瑞宣心中深深明白这一点，作为一个也深受亡国之苦的人来说，他想要安慰钱夫人却力不从心，因此就像屠宰场中的两头牛，都面临着死亡，谁也帮不了谁的无助感充满了心头。 第二单元 6．黄河颂 7、（1）C （2）有里有面就是形容某些人办起事来，严谨工整，八面玲珑；说起话来，滴水不漏，顾忌四方与人交往，中规中矩，礼尚往来。不会为了叫别人有面子，自己就丢面子。更不会为了自己的面子，叫别人丢面子。

7．最后一课 8、提示：无论战争正义与否，对人的伤害都是惨重的，包括身体上的伤害、精神上的伤害。 8.艰难的国运与雄健的国民 6．B 9 土地的誓言 7.B 8略 10 木兰诗 8.C 9.略 第三单元 11 邓稼先 7．这段文字生动形象地写出了大赤包的肥胖、虚荣、颐指气使的做派和嚣张跋扈的刁悍。老舍对大赤包的肖像描写可谓神妙，用摸了黄油来比喻发福后连脸上的雀斑，用刚灌好的腊肠来比喻手指肉被戒指包起来后的样子，形神兼备地写出了大赤包发福、肥胖、满脸横肉的样子。用神态和动作的细节描写突出她的虚荣、做作、嚣张的做派和刁悍的性格，如“细细的搽粉抹口红”“放炮似的咳嗽”“象空袭警报器似的哈欠”，性格和形象跃然纸上，令人拍案叫绝。 12 闻一多先生的说和做 4.忠（国家责任、尽忠国家）孝（家庭责任、保全家庭）等 丁约翰冠晓荷大赤包蓝东阳胖菊子等（任选四个即可，熟悉原文） 徘徊、犹豫、矛盾、沉默、缺乏动力等 13 音乐巨人贝多芬 7. 要求：①体现刚升任处长后的得意与骄矜，目空一切。②写出他对面前人与物的不屑一顾。③第一人称写作 14 福楼拜家的星期天 7.（1）金三爷虽然由于自己亲家钱默吟受日本人迫害毒打而恨过日本人，但是因为日本人挑起的战争使得北平的房不够用的了，一方面日本人蜂拥到北平来“采蜜”，另一方面日本军队在北平四围的屠杀教乡民们到北平城里来避难，金三爷的地产中介生意兴旺起来，金三爷的地位也显得重要起来。金三爷心里只有自己的生意，顾不得想别的，他不但忘了什么国家大事，而且甚至于忘了他自己。他仿佛忽然落在了生意网里，左顾右盼全是生意。目光短浅、只看眼前自己个人小利的金三爷也就很快原谅了日本人。

基于背景差分法的机动目标检测

基于背景差分法的机动目 标检测 This model paper was revised by the Standardization Office on December 10, 2020

LANZHOU UNIVERSITY OF TECHNOLOGY 毕业论文 题目基于背景差分法的机动目标检测学生姓名梅金涛 学号 09250124 专业班级通信工程（1）班 指导教师李立 学院计算机与通信学院 答辩日期 2013年6月17日

基于背景差分法的机动目标检测 Maneuvering target detection based on background difference method 论文作者：梅金涛 拼音：Mei Jintao 学号：09250124

在道路交通管理中，采用摄像头拍摄的道路视频，再用计算机软件处理的方法，则可 以极大的增加方便性和灵活性。本文运动目标检测研究如何让计算机从视频图像序列中获 得物体运动数据。 运动目标检测分为视频读取、灰度处理、视频图像化、运动位置提取这几个步骤。论 文的提取背景是通过算数平均法实现的。与此同时，在运动点团位置提取步骤中，采用了 背景减法直接将目标提取出来。 本文还通过实验分析比较了图像预处理给实验带来的正面效果。实验结果再次证明了 平均法和差分法在图像处理领域的方便性和灵活性。 关键词：读取视频;视频图像化;背景提取;目标提取。 Abstract Road traffic management system often uses camera to capture the roadway with computer software processing method in order to increase processing convenience and flexibility. The topic of this paper is the detection of moving target, and this also means how to get the whole target from the image sequence. Moving target detection is divided into several steps，such as video read, grayscale processing, video visualization, sports location extracting. In this paper, background is extracted by arithmetic mean method. At the same time, the paper in the moving point position extraction step, used the background subtraction to pick up the target directly. This article also analysis the image preprocessing experiment to bring the positive effect by experiment. The experimental results prove that the average method and difference method again in convenience and flexibility in the field of image processing. Keywords: Video Reading、Graphical Video、Background Extraction、Target Extraction.

背景差分法

背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。 背景差分法法是静止背景下运动目标识别和分割的另一种思路。如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成： (,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14） 由式(4-14)可得运动目标m(x ，y ，t)： (,,)(,,)(,,)m x y t I x y t b x y t =- （4-15） 而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即： (,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16） 得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法： (,,)(,,)(,,)0 (,,)I x y t d x y t T m x y t d x y t T ≥?=?

实验五图像分割及目标检测

电子科技大学 实 验 报 告 学生姓名： 学号： 指导教师：彭真明 日期： 2014 年 5 月 20 日 一、实验名称：图像分割及目标检测 二、实验目的：

1、了解图像边缘检测及图像区域分割的目的、意义和手段。 2、熟悉各种经典的边缘检测算子、图像分割方法及其基本原理。 3、熟悉各种图像特征表示与描述的方法及基本原理。 4、熟练掌握利用matlab 工具实现各种边缘检测的代码实现。 5、熟练掌握利用matlab 工具实现基本阈值分割的代码实现。 6、通过编程和仿真实验，进一步理解图像边缘检测、图像分割及其在目标检测、目标识别及跟踪测量应用中的重要性。 三、实验原理及步骤： 1、利用Soble算子进行图像的边缘检测 （1）原理与步骤 数字图像的边缘一般利用一阶/二阶差分算子进行检测。常用的差分算子包括：Roberts 算子（交叉对角算子），Prewitt 算子（一阶），Sobel 算子（一阶），Laplacian 算子（二阶），LoG 算子（二阶）及Canny 边缘检测算法等。其中，Soble 算子为常见的一类梯度算子（一阶梯度算子）。 其x, y 方向的梯度算子分别为： 一幅数字图像I（如图1）与Sx 和Sy 分别做卷积运算后（可采用多种方式，如conv2，filter2 及imfilter），可以求得x,y 两个方向的梯度图像Dx,Dy，然后，可以计算得到原图像的梯度幅度，即 或：

（2）进一步执行梯度图像D 的二值化处理（建议采用Otsu 阈值，也可考虑其他阈值分割），检测图像的二值化边缘。 （3）对于与步骤同样的输入图像I，利用matlab 工具的edge(I,’soble’)函数进行处理。试比较处理结果与步骤（2）的得到的结果的差异，并分析存在差异的原因。 （4）画出原图像、原图像的Dx, Dy 图，幅度图（D）及最后的二值化边缘检测结果图。 2、数字图像中目标区域的形心计算 （1）按如下公式计算原图像（图 2）的质心。 （2）对图 2 中的黑色形状目标进行阈值分割，得到二值化的图像； 图2 原始图像（240*240） （3）计算目标形状的面积（以像素表示）； （4）计算图中黑色形状目标的形心位置，并在原图上进行位置标记（可用红色小圆圈）。 其中，M，N 为图像尺寸。x,y 为像素图像平面上的坐标。 （5）画出原图像、原图上叠加质心标记图；分割后的二值化图及分割图上叠加形心标记图。 四、程序框图

【新人教版七年级数学上册期末目标检测卷及答案全套8份】目标检测试卷(5)及答案(吐血推荐)

D. C. B. A. 七年级(上)期末目标检测数学试卷（五） 一、精心选一选（每题2分，共20分） 1．在跳远测试中，及格的标准是4.00米，王菲跳出了4.12米，记为＋0.12米，何叶跳出了3.95米，记作( ) A.＋0.05米 B.－0.05米 C.＋3.95米 D.－3.95米 2．用大小一样的正方体搭一几何体(左图), 该几何体的左视图是右图中的（） 3．小红家分了一套住房，她想在自己的房间的墙上钉一根细木条，挂上自己喜欢的装饰物，那么小红至少需要几根钉子使细木条固定( ) A.1根 B.2根 C.3根 D.4根 4．下列各式中运算正确的是（） A.1 5 6= -a a B.4 2 2a a a= + C.5 3 25 2 3a a a= + D.b a ba b a2 2 24 3- = - 5．我国是一个严重缺水的国家，大家应倍加珍惜水资源，节约用水。据测试，拧不紧的水龙头每秒钟会滴下2滴水，每滴水约0.05毫升。若每天用水时间按2小时计算，那么一天中的另外22小时水龙头都在不断的滴水. 请计算，一个拧不紧的水龙头，一个月(按30天计算)浪费水（） A. 23760毫升 B. 2.376×105毫升 C. 23.8×104毫升 D. 237.6×103毫升 6．某同学解方程5x－1 ＋3时，把处数字看错得= x，他把处看成了（）Ａ．3Ｂ．－9Ｃ．8Ｄ．－8 7．下列展开图中，不能围成几何体的是（） 8．关于x的方程m x3 4 2= -和m x= +2有相同的解，则m的值是（） A. －8 B. 10 C. －10 D. 8 9．某商场有两件进价不同上衣均卖了80元，一件盈利60%，另一件亏本20%，这次买卖中商家（）Ａ．不赔不赚Ｂ．赚了８元Ｃ．赚了10元Ｄ．赚了32元 10．一列数：0，1，2，3，6，7，14，15，30，__ __,_____,____这串数是由小明按照一定规则写下来的，他第一次写下“0，1”,第二次按着写“2，3”,第三次接着写“6，7”第四次接着写“14，15”，就这样一直接 4 3 -

背景减除法

背景消减法_OpenCV_详解 一.基本概念 背景消减法可以看作一种特殊的帧差法。 基本思想：利用当前帧图像与背景图像对应象素点的灰度差值来检测车辆。如果当前图像的象素点和背景图像的象素点灰度值差别很大，就认为此象素点有车通过；相反，如果当前图像的象素点和背景图像的象素点灰度值差别较小，在一定的阈值范围内，我们就认为此象素点为背景象素点。 背景差值法假定图像背景是静止不变的，即图像背景不随图像帧数而变，可表示为 b(x,y)，定义图像序列为f(x,y,i)，其中(x,y)为图像位置坐标，i为图像帧数，将每一帧图像的灰度值减去背景的灰度值可得到一个差值图像：id(x,y,i)=f(x,y,i)-b(x,y) 背景差值法检测运动目标速度快，检测准确，易于实现，其关键是背景图像的获取与背景更新。在实际应用中，静止背景是不易直接获得的，同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的更新背景。然而它对于动态场景的变化，例如光照的变化和阴影的干扰等特别敏感。因此，选取一个可靠的背景模型进行背景的提取与动态更新以适应环境的变化是必要的。 使用背景差分法进行运动检测通常会遇到如下一些问题： （1）背景获取：最简单的方法是在场景中没有运动目标的情况下进行，但在现实中肯定是无法满足的，如高速公路和城市交通的监控，需要一种方法能在场景存在运动目标的情况下获得背景图像。 （2）背景的扰动：如树叶、树枝等各种东西的摇动 （3）外界光照条件的变化 （4）背景中固定对象的移动 （5）背景的更新 （6）阴影的影响 背景消减法根据其背景模型的不同又可分为：直方图法、平均值法、单分布高斯背景模型、混合高斯分布背景模型、Kalman滤波器法，HMM模型法。

目标检测、跟踪与识别技术与现代战争

目标检测、跟踪与识别技术与现代战争 【摘要】本文讨论目标检测、跟踪与识别技术在现代战争各个领域中的应用，总结目标识别技术的发展方向，提出目标识别技术工程化实现方法，同时本文介绍了国外目标识别的现状及发展趋势，提出了现代战争应采用综合识别系统解决目标识别问题的建议。 关键词目标检测；目标跟踪；目标识别；雷达；人工神经网络；精确制导 1．引言 随着现代科学技术的飞速发展及其在军事领域内日益广泛的应用，传统的作战思想、作战方式已发生根本性的变化。从第一次海湾战争到科索沃战争，特别是刚刚结束的海湾战争，空中精确打击和空地一体化作战已经成为最重要的作战形式。集指挥、控制、通信、计算机、情报、监视侦察于一体的C ISR 已成为取得战场主动权，赢得最后胜利的关键因素。目标识别技术是雷达智能化、信息化的重要技术支撑手段。在现代化战争中，目标识别技术在预警探测、精确制导、战场指挥和侦察、敌我识别等军事领域都有广泛的应用前景，已受到了世界各国的关注。 现代战争中取得战场制信息权的关键之一是目标属性识别。现代战争的作战环境十分复杂，作战双方都在采用相应的伪装、隐蔽、欺骗和干扰等手段和技术，进行识别和反识别斗争。因此仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标属性，进行目标检测，跟踪后进行识别。 2．目标检测、跟踪与识别技术在现代战争中的应用 2．1 目标检测、跟踪与识别技术在预警探测上的应用 目标检测、跟踪与识别技术对于弹道导弹的预警工作有重要的作用。弹道导弹一般携带多个弹头，其中可能包含核弹头或大规模杀伤的弹头以及常规弹头，预警雷达必须具备对目标进行分类和识别真假弹头的能力，将核弹头或大规模杀伤的弹头分离出来，为弹道导弹防御(BMD)系统进行目标攻击和火力分配提供依据。早期的BMD系统假设只有一个核弹头，多弹头分导技术的出现，使问题转化为雷达的多目标识别问题，加上电子对抗技术的广泛使用，给目标识别技术带来很大困难。另外，预警雷达还要对空中目标或低空目标进行探测，对来袭目标群进行分类识别。利用星载雷达以及远程光学望远镜等观测设备，可以对外空目标进行探测，对外空来袭目标进行分类和识别，达到早期预警的工作。

CVPR2016目标检测之识别效率篇：YOLO, G

CVPR2016目标检测之识别效率篇：YOLO, G 1.YOLO: You Only Look Once：Unified, Real-Time Object Detection YOLO是一个可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。事实上，目标检测的本质就是回归，因此一个实现回归功能的CNN并不需要复杂的设计过程。YOLO没 有选择滑窗或提取proposal的方式训练网络，而是直接选用整图训练模型。这样做的好处在于可以更好的区分目标和背景区域，相比之下，采用proposal训练方式的Fast-R-CNN 常常把背景区域误检为特定目标。当然,YOLO在提升检测速度的同时牺牲了一些精度。下图所示是YOLO检测系统流程：1.将图像Resize到448*448；2.运行CNN；3.非极大抑制优化检测结果。有兴趣的童鞋可以按照 https://www.wendangku.net/doc/ec11095852.html,/darknet/install/的说明安装测试一下YOLO的scoring流程，非常容易上手。接下来将重点介绍YOLO的原理。 1.1 一体化检测方案 YOLO的设计理念遵循端到端训练和实时检测。YOLO将输入图像划分为S*S个网络，如果一个物体的中心落在某网格

(cell)内，则相应网格负责检测该物体。在训练和测试时，每个网络预测B个bounding boxes，每个bounding box对应5个预测参数，即bounding box的中心点坐标(x,y)，宽高（w,h），和置信度评分。这里的置信度评分 (Pr(Object)*IOU(pred|truth))综合反映基于当前模型bounding box内存在目标的可能性Pr(Object)和bounding box预测目标位置的准确性IOU(pred|truth)。如果bouding box内不存在物体，则Pr(Object)=0。如果存在物体，则根据预测的bounding box和真实的bounding box计算IOU，同时会预测存在物体的情况下该物体属于某一类的后验概 率Pr(Class_i|Object)。假定一共有C类物体，那么每一个网格只预测一次C类物体的条件类概率Pr(Class_i|Object), i=1,2,...,C;每一个网格预测B个bounding box的位置。即这B个bounding box共享一套条件类概率Pr(Class_i|Object), i=1,2,...,C。基于计算得到的Pr(Class_i|Object)，在测试时可以计算某个bounding box类相关置信度： Pr(Class_i|Object)*Pr(Object)*IOU(pred|truth)=Pr(Class_i)* IOU(pred|truth)。如果将输入图像划分为7*7网格（S=7），每个网格预测2个bounding box (B=2)，有20类待检测的目标（C=20），则相当于最终预测一个长度为 S*S*(B*5+C)=7*7*30的向量，从而完成检测+识别任务，整个流程可以通过下图理解。