1、本文展示了一種自動(dòng)識(shí)別視頻中移動(dòng)目標(biāo)的方法。論文中提取移動(dòng)目標(biāo)通過 幀序列，這種方法不需要先驗(yàn)知識(shí)，比如：時(shí)間閾值調(diào)整。基于相鄰幀的連續(xù)對(duì) 稱差分，我們能得到全分辨率顯著圖；然后利用最大熵方法計(jì)算閾值決定候選區(qū) 域和獲得興趣點(diǎn)的種子；最后用修改的模糊生長(zhǎng)方法獲得最終的結(jié)果。本文中提 出的算法是有效的、具有魯棒性的。實(shí)驗(yàn)結(jié)果也證明它具有很好的效果。移動(dòng)目標(biāo)檢測(cè)在計(jì)算機(jī)視覺中有廣泛應(yīng)用，但是在研究過程中也有很多 挑戰(zhàn)。通常目標(biāo)檢測(cè)方法被分為三類：（1）基于時(shí)間信息。例如：幀差法能很快檢測(cè)出目標(biāo)，但很難得到整個(gè)物 體的輪廓，并且易受背景的影響。（2）基于空間信息的。（3）基于時(shí)間和空間信息的。有較好

2、的效果，計(jì)算復(fù)雜度高。本文提出了一種基于時(shí)間信息的方法。（1）通過相鄰幀對(duì)稱差分獲得顯著圖；（2）使用最大熵模型得到一個(gè)閾值去二值化時(shí)間顯著圖和獲得候選區(qū)域。 然后選擇候選區(qū)域最顯著的點(diǎn)作為興趣種子點(diǎn)。（3）對(duì)于每一興趣種子點(diǎn)，在顯著圖上應(yīng)用模糊生長(zhǎng)方法直到?jīng)]有點(diǎn)能被 聚集和能獲得移動(dòng)物體的輪廓移動(dòng)顯著圖的產(chǎn)生獲得一段連續(xù)幀玳 L-i r0必.湖 人*”工加.相鄰幀做差分得到移動(dòng)目標(biāo)。可*L .對(duì)得到的差分顯著圖做開運(yùn)算。作用：消除小的和亮的細(xì)節(jié)。為了去除噪聲和背景運(yùn)動(dòng)的影響，對(duì)差分得到的顯著圖做和再平均P-J。興趣種子選擇由于圖像是連續(xù)變化的，一個(gè)固定的閾值不能很好的二值化顯著圖，本文采 用

3、最大熵方法得到一個(gè)變化的閾值去二值化顯著圖和提取候選興趣區(qū)域。然后選 擇興趣種子點(diǎn)。移動(dòng)目標(biāo)檢測(cè)為了提取移動(dòng)的目標(biāo)，本論文應(yīng)用模糊生長(zhǎng)方法去使興趣點(diǎn)的種子生長(zhǎng)成一片區(qū)域。如果像素值滿足下列條件 逐S何如5叫_(心，對(duì)興趣點(diǎn)的種子使用模糊生長(zhǎng)算法。a和u表示如下圖實(shí)驗(yàn)數(shù)據(jù)集：PETS2000, PETS2001 and Dataset2014設(shè)備：The algorithm is implemented with C+ on a personal computer with Corei3 3.3 GHz CPU and 2G RAM.評(píng)價(jià)標(biāo)準(zhǔn)：假負(fù)率(False Negative Rate ,

4、FNR) : FNR = FN /(TP + FN)，即被預(yù)測(cè)為負(fù)的 正樣本結(jié)果數(shù)/正樣本實(shí)際數(shù)假正率(False Positive Rate , FPR) : FPR = FP /(FP + TN)，即被預(yù)測(cè)為正的負(fù) 樣本結(jié)果數(shù)/負(fù)樣本實(shí)際數(shù)Specificity (負(fù)例的覆蓋率，True Negative Rate)=正確預(yù)測(cè)到的負(fù)例個(gè)數(shù)/實(shí) 際負(fù)例總數(shù)PBC : Percentage of Bad Classifications召回率(Re、recall):預(yù)測(cè)為真實(shí)正例除以所有真實(shí)正例樣本的個(gè)數(shù)準(zhǔn)確率(Precision):預(yù)測(cè)為真實(shí)正例除以所有被預(yù)測(cè)為正例樣本的個(gè)數(shù) F-measur

5、e：查準(zhǔn)率和查全率的調(diào)和平均值，更接近于P, R兩個(gè)數(shù)較小的那個(gè):F=2* P* R/(P + R)實(shí)驗(yàn)結(jié)果如下圖TABLE 1DETECTIOW RtSULTS QN PEDESTRIANS, BACKDOOR, FALL AM) PARKRe邱FPRFNRFBT政慫MlpedefUiw0,4603omi(P/0M80XI3OTfill IM(K9424tckdoor0LB86S0.9983o.oon0.1132&.39M0JII8O.&992Ml螂600.CH40&I2401247燈雙3此悝尚|uA0LU3S炒加0.M0 3362132130M伐0.4841日 VOTH*0.84*1UVM

6、10.QCH70ilS330.HM20L77J7。.就 2*表一表示的是本論文實(shí)驗(yàn)得出的結(jié)果；Fig7和Fig8本文的實(shí)驗(yàn)結(jié)果與圖中 方法的比較，可以看出本文中的方法表現(xiàn)很出色。論文中的檢測(cè)結(jié)果本論文的貢獻(xiàn)共以下五點(diǎn)：產(chǎn)生特征圖基于時(shí)間信息。對(duì)于場(chǎng)景不需要任何先驗(yàn)知識(shí)。擴(kuò)展了差分從相鄰兩幀到相鄰n幀。對(duì)于復(fù)雜的背景和相機(jī)的抖動(dòng)具有很好的魯棒性。自動(dòng)的提取移動(dòng)目標(biāo)。算法：clc;clear allvideoObj =VideoReader(11.avi ) ; %讀視頻文件nframes = get(videoObj, NumberOfFrames);% 獲取視頻文件幀個(gè)數(shù) N=12;start

7、=20;% hang,lie=size(grayFrame);alldiff=zeros(288,512,N);for k = 1+start : N+startcurrentFrame = read(videoObj, k);%讀取第 i 幀subplot(2,2,1);%創(chuàng)建圖像顯示窗口并獲取第一個(gè)窗口句柄 imshow(currentFrame);% Convert to grayscale.grayFrame = rgb2gray(currentFrame);% 灰度化 hang,lie=size(grayFrame);%alldiff=zeros(hang,lie,N);if(k=1

8、+start)grayFrame_1 = grayFrame;enddifgrayFrame= grayFrame - grayFrame_1;% 鄰幀差alldiff(:，：，k-start)=double(difgrayFrame);grayFrame_1 = grayFrame;subplot(2,2,2)imshow(alldiff(:，：，k-start),);endD=zeros(hang,lie);C=zeros(hang,lie);E=zeros(hang,lie);for j=1:10D(:，：，j)=alldiff(:,:,1 + j).*alldiff(:,:,2+j);

9、subplot(2,2,3);imshow(uint8(D(:，：，j),);pause(0.5)se=stre disk ,1); %圓盤型結(jié)構(gòu)元素fo(:,:,j)=imopen( D(:，：，j),se) %直接開運(yùn)算 subplot(2,2,4);imshow( fo(:,:,j),);C=(C+D(:，：，j);E=(E+ fo(:,:,j);endC=C/10;figure,subplot(2,2,1);imshow( C,);subplot(2,2,2);imshow(E,);imwrite(uint8(C) C:UsersAdministratorDesktop16.jpg)a

10、=imread(C:UsersAdministratorDesktop16.jpg);figure,imshow(a)count=imhist(a);m,n=size(a);N=m*n;L=256;count=count/N; %每一個(gè)像素的分布概率for i=1:Lif count(i)=0st=i-1;break;endendfor i=L:-1:1if count(i)=0nd=i-1;break;endendf=count(st+1:nd+1); %f是每個(gè)灰度出現(xiàn)的概率size(f)E=;for Th=st:nd-1 %設(shè)定初始分割閾值為Thav1=0;av2=0;Pth=sum(c

11、ount(1:Th+1);%第一類的平均相對(duì)熵為for i=0:Thav1=av1-count(i+1)/Pth*log(count(i+1)/Pth+0.00001);end%第二類的平均相對(duì)熵為for i=Th+1:L-1av2=av2-count(i+1)/(1-Pth)*log(count(i+1)/(1-Pth)+0.00001); endE(Th-st+1)=av1+av2;% E(Th-st+1)=av1*(1-Pth)八15;endposition=find(E=(max(E);th=st+position-1;for i=1:mfor j=1:nif a(i,j)tha(i,

12、j)=255;elsea(i,j)=0;endendendfigure,imshow(a);title(1)se=strel disk ,1); %圓盤型結(jié)構(gòu)元素fo=imopen(a,se) %直接開運(yùn)算figure, imshow(fo);title kai);%B=1 1%1 1;B=1 1 11 1 11 1 1;A2=imdilate(fo,B);figure, imshow(A2);titlefushi);imwrite(A2,C:UsersAdministratorDesktop10.jpg) Ibw=imread(10.jpg);% I=rgb2gray(I);% Ibw=im2bw(I);l,m=bwlabel(Ibw,8);status=regionprops(l,BoundingBox);imshow(Ibw);hold on;for i=1:mrectangle(position,status(i).BoundingBox,edgecolor,r