基于独立分量分析的目标检测与跟踪方法研究与改进

校园教务系统

基于独立分量分析的目标检测与跟踪方法研究与改进姓名：王新学位级别：硕士学位专业：信号和信号处理指导老师：马晓红20091216大连理工大学硕七学位论文征求摘要

随着计算机技术和图像处理技术的发展，运动目标的检测与跟踪越来越成为计算机视觉是感觉领域的重要研究课题之一，受到计算机视觉领域更广泛的关注，是机器人视觉在导航、智能交通系统、医学图像分析等方面有着较为广泛的应用。本文对阴影检测技术以及基于独立分量分析的运动目标检测与跟踪技术进行了深入研究进入研究分析，主要工作包括以下三个部分。)1)给出一种基于颜色不变特征的阴影检测方法。 通过分析现有的运动阴影检查关于测量方法，特别是基于颜色和纹理信息的阴影检测方法，显示了颜色不变特性特征运动阴影检测方法。 该方法首先在阴影存在判断环节判断是否存在阴影； 但是在后处理环节筛选潜在阴影像素点，在一定程度上降低了干扰影响的重用不改变颜色特征，进一步确认各像素点是否属于阴影； 最后利用阴影像素分布的几何特征，修正检查结果，最终得到比较正确的阴影检查结果。)2)改进了基于独立分量分析的运动目标检测方法。 分析原来的方法在此基础上，考虑了原方法存在的缺点，如分离输出顺序随机、检测精度低、无法提取等多目标等，本文改进和完善了方法的几个环节，分离输出的灰度图像引入预处理和阴影检测充分提高了检测的精度，多次交替通过方向的柱面投影方法实现了多个运动目标的提取。

(3)改进了基于带参考信号独立分量分析的运动目标跟踪方法。 本文是正确的充分分析了带参考信号的独立分量分析方法及运动目标跟踪问题，得到了问题给出了的原因，实现了将跟踪的运动目标直接作为参考信号的跟踪方法，即目标的跟踪既减少了算法的迭代误差，又减少了方法运算量，满足了目标的快速跟踪。 另外，结合光强变化导致该方法不稳定的问题，将归一化奇异值分解引入该方法在该方法中，在归一化奇异值空间中，对参考信号和感兴趣的输出信号的估计进行相似性度量进一步提高了该方法的鲁棒性。实验结果表明，本文给出的阴影检测方法具有良好的检测效果，基于独立分量分析检测和跟踪方法的改进克服了原方法的一些缺点具有一定的理论和应用价值关键词：运动目标检测和跟踪阴影检测； 颜色不变的特征； 多目标提取； 带上参考信号码的独立成分分析

大连理工大学硕士学位论文

improvedmovingobjectdetectionandtrackingbasedonindependentcomponentanalysisAbstractwithmedevelopmentofmecomputertechnologyanddigitalimageprocessing，moVlng

obieCt detection and仄acbng is gradually becoming a ve巧impoIrt觚t research subject otcomputervisionandiscapturingmoreandmore种【ei ltion.itiswidelyutilizedinsuchareasas】robot vision rlavigation，intelligem transportation system，medlcal 1mage processmg，etcIn tms paper，skdow detection techllology toge也是erwithmovingobjectdetectionaildtracldngbasedonicaaredeeplyresearched.thispapermainlycontainedthefollo埣ng threepans :

)1ashadowdetectionmethodbasedontheinv撕裂antc 010 rcharacteristicwaspresented。By ana】yz ingt 11 epresentshadowdetectionmetllods，especially the m劬ods wmch based on thecolor andtexture info锹ation，tllispaperproposedamovingshadowdetectionmethodbasedonmeinvariamcolorcharacteristic.in“smethod，astepisfirstlyimplementedtojusti匆匆wh如erthereexistshadowpixelinthecurrent丹ame，thenthepotentialshadowpixelsareobtajnedthrough a preprocessing method，w } lichreducedthedisturbancet0some extent； t11en theshadow pixels are co瓶锹ed by using the inV越ant c010r characteristic；Finally，me detectionresult is revised tlu．ough the shadow pixels’geometric出characteristic．As a result，tllecomp踟tiVely accurate detection result is obtained．(2)The moving obiect detection method baSed on independent component analysls lsimproved i11 this paper．By a11alyzing the original moVing object detection memod，especiallyits flaults，such aS the low detection accuracy，without the ability to extmct multiple moVingtargets，“s paper improved and completed the target extraction paIt．The detection accuracy isincreaSed by preprocessing me gray image and introducing t11e shadow illumination step．Themultiple伽?gets are eXtmcted by implementing the extracting method in which the cylinderprojection is done in altemated direction for three times．(3)1’11e moving object tmc虹ng method using ind印endem component a11alysis withreference is inlproved in mis p印er．on tlle b商s of如lly analyzing me algorithm and moVingobject tracking，t11e reason why the original method，in which the no册alized 2。order centermoment is used as reference，generated iteration e仃or is obtained．Consequently，a newtracking method，in wmch the object to be tracked is used aS refererlce，is presented in this paper．The moving object is tracked success如11y缸ou曲“s memod and the iteration e玎or isef-fectively reduced．Furthemore，considering the instabilit)，caused by the iJlumination change．111．基于独立分量分析的目标检测与跟踪方法研究与改进

in the process of object tracl(ing，a mrther solution，in which t11e nomalized singular Valuedecomposition is hl_troduced to measure the similarity between me ref．erence a11d the eStimationoftlle interested ou印ut signaj，is proposed．As a result，t11e robustIless oftlle tracking method isimpr0Ved．The experimentm results demonstrated the ea’ectiveness of tlle proposed memods．Key Words：MoVing Object Detection and Tracking；Independent Component AnaIysis；MuItipIe Target E×traction；Independent CompOnent AnaIysis with Reference；SimiIarityMeasure—IV—

大连理工大学学位论文独创性声明

作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文题目：

作者签名：

大连理工大学硕士学位论文

大连理工大学学位论文版权使用授权书

本人完全了解学校有关学位论文知识产权的规定，在校攻读学位期间论文工作的知识产权属于大连理工大学，允许论文被查阅和借阅。学校有权保留论文并向国家有关部门或机构送交论文的复印件和电子版，可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印、或扫描等复制手段保存和汇编本学位论文。学位论文题目：作者签名：导师签名：

大连理下大学硕士学位论文1 绪论1．1 论文背景及研究意义

运动目标的检测与跟踪是计算机视觉【l】领域一个重要研究课题，由于生活中大量的有意义视觉信息都包含在运动中，因此也使得运动目标检测与跟踪技术与现实生活的联系非常紧密，并随着课题的发展，运动目标检测与跟踪逐步成为计算机视觉领域备受关注的前沿方向。该技术的研究在很多方面都具有重要的现实意义和应用价值，如智能视频监控‘21、人机交互【3】、视觉控制【41、医学图像分析‘51等。1．2国内外研究现状1．2．1 运动目标检测

运动目标检测主要是指将视频中的前景目标从背景图像中分离出来。若摄像机与运动目标之间保持静止，则为静态背景下的目标检测；相反，若摄像机与运动目标之间发生移动，则为动态背景下的目标检测。

主流的目标检测算法主要有帧间差分法【销】、背景相减法【9．111、光流法陋13】等。帧间差分法是通过对相邻两帧或相邻的三帧图像进行差分，再设定适当阈值对差分图像进行阈值分割，从而形成二值图像，然后利用边缘检测方法检测二值图像的边缘，实现对该目标的检测。该方法主要基于如下原理：若视频中的目标在相邻帧间发生了位置变化，则在相邻帧该位置处产生灰度值的变化；若在视频中某一位置处没有目标的变化，则不会出现灰度值的变化。背景相减法与帧间差分法不同的是需要提取一副近似的背景图像，然后将当前帧图像与提取的近似背景图像做差，然后对两者的差值图像进行阈值分割，生成二值图像。与帧间差分法相比，该方法能够更加完整和精确地检测目标，但该方法必须要进行背景更新，否则光照等环境因素的变化会严重地影响检测结果，如果背景提取方法得到的背景与真实背景失真较大，则无法保证检测的精度。光流法检测目标时，通过赋予图像中每一个像素点一个速度矢量的方法构造一个图像运动场，从而使得图像中的像素点与真实场景中三维目标上的点构成了对应关系，然后再利用速度矢量特征对各个像素点进行动态分析。分析产生两种结果，若没有运动目标存在于图像中，则图像中的光流矢量是连续的；反之，若图像中存在运动目标时，则运动目标与背景的速度矢量之间会有差别，从而可实现对运动目标的检测。基于独立分量分析的目标检测与跟踪方法研究与改进近些年来，有国内外学者将独立分量分析I】4】 (Independent Component Analysis，ICA)引入到目标检测环节中，将各视频序列图像看作是由前景目标图像和背景图像进行线性叠加而成的观测信号，对各视频帧图像和近似的背景图像进行独立分量分析，从中分离出由前景运动目标组成的目标图像和背景图像的估计【l扣16j。由于独立分量分析算法是基于统计的盲源分离【17】方法，该方法对背景模型和背景更新方法要求不高，即使在光强度变化很明显的情况下，也不会影响对目标的检测和提取。1．2．2运动目标跟踪

运动目标跟踪是计算机视觉中一项非常重要的研究课题，并已得到了广泛的应用，如道路交通控制、视频监控系统等。卡尔曼滤波【18】和粒子滤波【191是运动目标跟踪的两种传统方法。卡尔曼滤波方法计算快速准确，但是要求运动目标的状态演变要满足线性高斯的条件；粒子滤波器和扩展卡尔曼滤波【201用于目标跟踪能适用于非线性非高斯条件的系统，但是对计算和存储的要求相对较高。除此之外，用于跟踪的方法还有动态贝叶斯网络【211、模型跟踪算法【22。24】、特征跟踪算法【25】、区域跟踪算法【261及对象跟踪算法【271等。带参考信号的独立分量分析方法【28】(Independent Componem Analysis谢mReference，ICA．R)可应用到目标跟踪问题中，将待跟踪目标视为先验信息，以待跟踪目标的归一化二阶中心矩作为参考信号，从视频图像中分离出与参考信号特征相匹配的运动目标，从而实现运动目标的提取。1．3本文主要研究内容和具体章节安排

本论文以交通视频作为研究对象，在对基于独立分量分析的运动目标检测与跟踪进行充分研究的基础上，对检测与跟踪方法所存在的若干问题进行了深入的研究，并给出了相应的解决方案，其中涉及到运动阴影检测、运动目标检测和运动目标跟踪三个核心部分。本文具体章节安排如下：

第1章为引言。主要介绍了本论文的选题背景和意义、国内外研究现状和进展、本文的主要研究内容和具体的章节安排。

第2章为相关基础知识概述。主要介绍了数字图像处理的基本概念和方法，具体涉及到了一些基本的预处理方法，包括图像的平滑和滤波、图像的阈值分割、区域连通分析、颜色空间模型等。第3章介绍并给出了一种基于颜色不变特征的运动阴影检测方法。该方法首先通过阴影存在判决环节来判定是否有阴影存在；然后通过预处理环节筛选出潜在的阴影像素大连理工大学硕士学位论文

点；再利用颜色不变特征，判定像素是否属于阴影；最后通过阴影像素点出现的几何特征，进一步对检测结果进行修正，得到比较准确的阴影检测结果。第4章是对基于ICA的运动目标检测方法的介绍与改进。通过对基于ICA的运动目标检测方法的分析，特别是结合方法存在的缺点，本文进行了一系列改进，如引入分离输出判决环节，使得方法直接获得感兴趣的输出图像；将方法中的目标提取环节进行了改进和完善，通过对输出灰度图像进行预处理以及引入阴影检测环节充分提高了检测的精度，并通过多次柱面投影方法实现了多目标的检测。第5章是对基于ICA．R运动目标跟踪方法的介绍与改进。在对ICA．R方法以及运动目标跟踪问题进行充分分析的基础上，本文针对原方法迭代误差大的问题进行了充分的分析，得出了相应的原因，并给出了直接以待跟踪运动目标作为参考信号，即极大地减小了方法迭代误差，又充分减少了方法运算量，实现了目标的快速跟踪。此外，考虑到光照变化导致方法跟踪不稳定的问题，本文给出了进一步解决办法，即将归一化奇异值分解引入到方法中来，将参考信号与感兴趣输出信号估计在奇异值空间进行相似性度量，提高了方法跟踪目标的鲁棒性。在总结部分，本文回顾并总结了所做的工作，还指出了尚未解决的问题及今后工作的方向。

基于独立分量分析的目标检测与跟踪方法研究与改进2基础知识和基本原理2．1 图像平滑和滤波

图像信号通常会不可避免地会受到各种各样噪声的影响，加之这些噪声信号是随机的，在某种程度上降低了图像的清晰度，甚至使很多图像特征被淹没，使得人们很难对图像进行比较准确的分析处理，因此对图像进行去噪处理【29】具有十分重要的意义。图像平滑与图像滤波是图像去噪的主要手段，具体包括基于空间域的方法和基于频域的方法。2．1．1 基于空间域的方法

空域图像平滑方法的主要原理是利用模板对被处理图像进行卷积，具体处理时，将模板在图像范围内漫游，让模板的中心点与某像素位置重合，然后再将模板的系数与相应的像素相乘，将模板中心对应像素点的值替换为各乘积值的加和。空域图像平滑方法主要包括邻域平均法、选择平均法及空域低通滤波器。邻域平均法的原理为，用某个像素邻域内的各点灰度值的平均值来代替该像素原来的灰度值。选择平均法只对灰度值相同或相近的邻域，或根据灰度特殊程度差异进行加权求和，防止对目标边缘产生模糊。由于噪声的频谱与图像的频谱分别位于空间的高频和低频区域，空域低通滤波采用离散卷积的方法实现图像平滑。2．1．1 基于频域的方法

频域法是利用相关的变换将图像信号从空域转换到变换域，然后在变换域内作处理，再将信号转换到空域中来，通常使用的变换有傅立叶变换、离散余弦变换、沃尔什变换、小波变换等。1 ．2 1．2 5 -21 ·2 1

图2．1三种低通滤波的卷积核

Fig．2．1 T’11ree conVolutiVe kemels of LPF大连理1=大学硕十学位论文

在频域平滑处理时，通常假设图像中的噪声、边缘以及图像中的主体内容在傅里叶频谱中分别位于不同的频段，其中噪声与边缘位于高频段，图像本身内容位于低频段。因此，可通过对各频段带有针对性的处理，从而实现理想的平滑效果。实际操作时，通常用卷积核来实现，下面是几种频域处理方法：(1)低通滤波：减少图像的高频成分，保留图像的低频成分，从而达到平滑图像、降低噪音的目的。用于低通滤波的三种卷积核如图2．1所示。(2)中值滤波：通常噪声会使得图像在某些像素点出现亮度的突变，因此，可通过对某像素邻域内的所有像素进行排序，然后用中间的那个值替换该像素的亮度值，这样就会使图像中的随机噪声得到有效消除。在进行实验时，图像受脉冲噪声的影响较严重，因此本文采用中值滤波进行去噪，在很大程度上抑制了脉冲干扰和椒盐类噪声对视频图像的影响，同时又降低了噪声对边界的影响，使得图像的边缘比较清晰。

(3)高通滤波：增强图像的高频成分而不改变图像的低频成分，也可用作图像锐化。

本文要处理的视频图像受到离散噪声的影响，采用图像平滑与滤波的目的就是既要实现将目标从复杂的背景提取出来，又要考虑到尽最大程度地保留图像信息。2．2颜色空间模型2．2．1彩色空间模型

颜色空间【30】是采用数值描述色彩的抽象方法，一种颜色通常可用三个基本量来进行描述，所以建立颜色模型就等同于建立一个3．D坐标系统，坐标空间中的点和颜色一一对应。下面对几个比较常用的颜色空间进行简要介绍。RGB模型是最常用的一种颜色空间，该模型通过红绿蓝三基色的相加来产生其它的颜色，将三基色按照不同的比例混合可以产生任一种颜色，其中R、G、B三者的取值范围分别是0到255，如果R、G、B都为O时，产生黑色；当R、G、B三者都为255时，则产生白色。wV是亮度和色度分离开来的一种色彩空间，这种空间描述了亮度和色差这两个重要概念。Y指颜色的明视度，即亮度，U为色调，V是饱和度。因为U和V为附加因素，因此仅依靠使用Y信息便可以正常的显示黑白系统。

将YUV颜色空间进行缩放和平移处理便能生成YCrCb空间，Y依然是亮度，Cr与Cb代表的是RGB信号中红色分量和RGB信号中蓝色分量与RGB信号亮度值的差值。考虑到与色度信号相比，人眼更容易觉察到亮度信号的变化，再加之一半以上的亮度信基于独立分量分析的目标检测与跟踪方法研究与改进息包含于绿色分量当中，因此在色度部分，可以将亮度信息从蓝色和红色分量中除去。其中Ycrcb分量的分布范围为：Y是16到235，cb和cr的范围是16到240。Ycrcb空间到RGB空间的对应关系如式(2 1)所示：置=1 164(r一64)+1 596(D一512)

G=l 164(r一“)一0 81 3(o一512)一0 392(∞一512) (21)B=1 164(r一64)+2 017(o一512)2 2 2图像的灰度化

在运动目标检测过程以及目标跟踪过程中，本文所研究的图像有相当一部分是扶度图像，因此须将彩色图像转化为扶度图像，转化计算如式(2．2)所示。G哪一Rx0 299+G×0 587+口×0 114 (2 2)2 3图像的阈值分割图2 2灰度图像

Fig 2 2 Grama】ejmage圈2 3二值图像Fig 2 3 Bim叮image

在本文进行的阴影检测以及运动目标提取过程中，所得到的一些中间结果圈像中即包括了运动目标，又包括了很多背景信息和噪声，需要对这时的图像进行处理以提取出本文感兴趣的运动目标。最常用的方法就是利用闽值分割的方法，即设定适当的闽值将被分割图像变成二值图像。此时被处理图像为灰度图像，设定闽值r，将图像中所有像素点的灰度值与该闽值进行比较，若某像素点的灰度值大于r，则将该像素点灰度值设定为0或者255．反之，若该像素点的扶度值小于r，则设定其灰度值为255或者0，这种方法又称作图像的二值化。图像阈值分割的变换公式如式(2．3)所示：r一』o或255， “”一1 255或oTr

(2 3)

大连理工大学硕士学位论文

式中，阈值丁就如同一个门限，将所有像素(包括大于它或者小于它的像素)分为两类。该变换函数是一个阶跃函数，只须确定阈值点丁即可将图像分割变为一幅二值图像，如图2．2和2．3所示。2．4区域增长法

区域增长【3I】是一种应用很广泛的图像分割方法，其基本思想就是对具有相似性质的像素进行合并，从而构成区域。在该方法中，须为每个分割的区域确定一个生长的起始点，然后对该初始像素点的邻域进行扫描，如果邻域内像素与该初始像素点具有相同或相似的性质，则将它们合并为同一区域。其中，用于判定是否属于同一区域的相似性质须预先定义。对合并后的新区域确定新的起始点，然后再重复刚才的扫描与合并过程，直到没有满足相似准则的像素时，合并过程结束。经过区域增长处理后，形成的是一个连通的区域，为了更清晰的表示区域增长的过程，本文用以下几个具体的步骤来加以表示：(1)选择一个初始像素(初始区域)；

(2)根据预先定义的相似准则，将其与周围像素做比较；

(3)如果相似性准则得到满足，邻域像素就和初始像素合并而成为新的初始区域；(4)当相似准则不能得到满足的时候，停止；(5)选择新的初始像素(区域)，重复上述步骤2．4。

在实际应用中，有三个需要解决的问题，分别是： (1)如何确定初始像素； (2)‘如何定义相似性准则； (3)如何制定生长过程中的停止准则。此外，图像经过区域增长后，可能会形成若干个单独的区域，为了达到某种特定的图像处理目的，通常还会有进一步的区域选择过程，本文在后续章节中对此有相关的介绍。2．5小结本章的主要任务是介绍在运动目标检测与跟踪方法研究中涉及到的一些基础知识，主要是基本的图像处理原理和图像处理方法，具体包括图像的平滑和滤波、颜色空间、及区域增长算法等。

基丁独立分量分析的目标检Ⅻ4与跟踪方法研究与改进3阴影检测部分3 1问题的提出

在通常的交通状况中，运动目标常常伴随着阴影，而且凭借一般的图像处理方法很难将阴影与运动目标相分离，这主要是由阴影的特定属性造成的。由于阴影的颜色属性与背景相比差别很大．加之阴影通常与产生该阴影的运动目标连在一起，所以在目标检测时很容易将阴影认为是运动目标。在目标检测时．必须采取特定的方法对阴影信息加以抑制，否则会出现多个目标之间的合并、目标变形等现象，展终会导致无法实现对目标准确定位。近些年来，如何将预处理后图像中的运动目标和阴影分离成为很多国内外学者研究的热点问题，这也是本章重点讨论的内容。本章首先充分分析了阴影的物理属性，选择了适合阴影检测问题的颜色空间．给出了一种阴影存在情况的预判方法，对可能存在阴影的视频图像采取先进行阴影预分割，再利用两种特定的颜色不变特征进一步确认的方法，最终将运动区域中的阴影与目标区分离开来，实现了阴影的检测。

3 2阴影的基本知识3 2 1阴影的概念

场景中若有目标阻挡了光照，即会产生阴影，阴影分为自身阴影和投射阴影口”。自身阴影指的是运动目标中没有被光照射到的区域，投射阴影指的是目标运动时遮挡住光源从而在背景中产生的阴影。本文所分析的是投射阴影，如图3 l所示。投射醇影自身阴影

圈3 1投射阴影与白身阴影

F19 3 l Can-shadow扑d Selfshado“与其周围的的非阴影区域相比．阴影区域具有以下几个显著特点删： (1)阴影区域比周围非阴影区域的亮度低； (2)阴影区域和非阴影区域的色度不同； (3)阴影区大连理工太学硕土学位论文． ．。 ．域与周围非阴影区域的纹理特征没有明显差异； (4)阴影区域与产生它的遮挡物轮廓相似。 ‘

3．2．2阴影模型

阴影模型的分析对于阴影检测具有至关重要的作用，某一像素点(x，y)的亮度模型【33】可用式(3．1)描述：，(x，y)=E(x，y)p(x，y) -． (3．1)

其中，(x，y)为(五少)处像素点的亮度值，p(墨少)为物体表面在该点的反射系数，E(x，y)为辐射度，即物体表面单位面积接收到的光强度，其具体计算如式(3．2)所示：I C口+cP口coso ． 甩D sJiz砌wE(x，y)={c：+七(x，少)口CP口coso pP，2“m6朋 (3．2)【e 姗6阳

其中，C口和Cp分别是环境和光源的亮度，e为物体表面法向量和物体表面到远处光源方向矢量之间的夹角，七(x，y)表示远处光源入射能量被部分遮挡情况的比例系数，，20 s办a如w表示无阴影，p口刀姗z6m表示投射阴影，甜所6阳表示自身阴影。3．3基于颜色不变特征的阴影检测3．3．1颜色空间的选择

文献【34l中对多个颜色空间在阴影检测方面的应用进行了比较系统的对比，结论表明了不同的颜色空间在前景目标与阴影检测方面具有不同的特性与效率。这一研究的目的是为了得出何种颜色空间最适合用于前景目标与阴影检测，文献【34】将前景目标与阴影的检测结果视为颜色空间的函数，经过对五种主要颜色空间(RGB，XYZ，YCrCb，HSV，Nonmlized r曲)的大量对比研究，最终发现YC以b为阴影检测的最理想颜色空间。鉴于这个结论，本文采用了YC酊b颜色空间进行阴影检测。 ．3．3．2初步判断阴影是否存在

考虑到实际交通视频中并非每一帧都含有阴影信息，即便是有阴影存在的前提下，非常小的阴影面积对目标的检测结果并没有太大的影响，因此在阴影检测之前引入一个判决环节来判断是否有阴影存在，从而决定是否有必要进行阴影的检测。如果不考虑光照的变化，可通过引入参数纥睹=‰／％嘲，来初步确定是否需要对视频帧图像进行阴影检测。‰表示前景运动像素中的暗像素点，％，，砌表示前景运动像素中的亮像素点。这两个数值都通过当前帧运动像素点与参考背景帧相应像素点在三个基于独立分量分析的目标检测与跟踪方法研究与改进颜色通道中做比较而得到。具体比较过程为：若纥睹较大，则说明前景运动像素中的暗像素点较多，根据阴影的性质可知，阴影像素点通常比参考背景帧中相应点暗，所以需要进行阴影检测；若见姗较小，则说明前景运动像素中的暗像素点比较少，很可能是阴影面积非常小或者是没有阴影，则不须进行阴影检测。

但是，实际的交通视频中，弪常会由于光照强度的变化使得上述参数的获得与实际情况有很大出入。例如，若光照突然变弱，则检测出来的暗像素点增多，亮像素点减少；反之，则检测出来的暗像素点减少，亮像素点增多。从而使得到的参数见M=‰／％。蛳与真实值相背离，因此影响判决结果，出现误判情况。基于这一考虑，本文给出了一种光照评估方法对光照强度进行评估，从而保证‰参数可以较稳健的表征阴影是否存在。具体评估方法为：提取若干无明显光照变化的视频背景帧，对其两两做差，然后取各像素的平均值，将该值作为一个参考均值。式(3．3)所示为各参考背景图像的各颜色通道图像矩阵。辟(x，y)，占岂(x，y)，占‰(石，J，)霹(x，y)，《，(x，y)，毙(x，川 f气气、 ● ●●

● ■ ●

B；(x，y)，B：，(x，y)，B盘(x，y)

式中，右上角标表示帧数，右下角标表示相应的颜色通道，(x，y)代表相应的像素点。参考均值的获取过程如式(3．4)所示：1 七 " m

觥r 2瓦未磊善善善{夥1(墨y)一辟(x，y))1 膏 ” 埘’

伽ec，2石三菇善荟善{碳(毛y)一舔(五夕)) ‘3舢鲫‰2瓦去万善善善{础(五力一％(五力)其中，聊，聆为视频的分辨率，七为选取的用于计算参考均值的视频帧数，倒勺，卯％，，口畅为得到的对应三个颜色通道的参考均值。

利用目标检测中的图像分割方法，得到当前帧中除前景运动目标外的背景范围，并类似地得到参考背景中相应范围，然后将两者分别在三个颜色通道内作差值，再取平均值，将该均值与事先得到的参考值做比较。若该均值与上述得到的参考值差异较小，则表明当前帧的光照变化很小，这也表明计算得到的儿睹=‰／％蚋可以用来判别前景大连理工大学硕士学位论文目标区域是否含有阴影；若差值较大，则说明当前时刻光照强度有较大的变化，见姗=，‰／％愀不能表征阴影的存在与否。差值的获得分别是在三个颜色通道内进行的，若差值较大，可以将三个颜色通道的差值补偿给当前帧的前景运动目标范围(可能含有阴影)，然后再计算相应的见m，从而决定是否有阴影存在。当前帧与参考背景帧在三个颜色通道的差值计算如式(3．5)所示。嘶=÷∑∑{Cy(x，y)·耳(x，y))‘工=1 J，=l

甄=导∑∑{Cc，(x，y)一良，(x，y)) (3．5)‘J=l y一毗=导∑∑{％(x，y)·％(x，y)} ‘J=l y=l

其中G(z，y)，Cc，(x，少)，c厶(z，y)为当前帧在三个颜色通道的图像矩阵，毋(x，y)，％(x，J，)，％(z，少)为近似背景帧在三个颜色通道的图像矩阵，，为当前帧中除了前景运动目标外的背景范围像素点的数目，奶，吨乞，幽乞为相应颜色通道矩阵做差值后的均值。将奶，砚台，娥。与参考值鲫唧，铡％，伽‰作差，如式(3．6)所示。△y=奶一舭y△c，=或么一洲％ (3．6)＆Cb=d皈：b一倒eCb

其中，△r，△c．，，△。

中专学校

经过初步预判环节后，即可决定是否有阴影存在于视频中。与初步预判环节类似，阴影预分割同样地利用阴影区域比它所覆盖的背景区域暗的特性‘351。假设视频图像中某一像素点的亮度值为，(x，y)=(】，(x，y)，@(x，y)，C6(x，y))，Y、Cr、Cb分别代表YCrcb颜色空间中三个颜色通道，@，力表示像素点位置。如果视频中某一像素点的YC疋b各分量值小于参考背景中相应像素点的相应的分量值，则该像素点即为候选的阴影像素点。这样就产生了一系列的候选的阴影像素点，如式(3．7)所示。l 】，(■，”)>】，(x，y)I

墨={(x，少)：cr(一，")>c，|(x，少)} (3．7)’ 【 C6(一，只)>c6(x，y)J基丁独立分量分析的目标检测与跟踪方法研究与改进

其中，像素点(■，”)属于参考的背景帧，像素点(x，y)属于当前帧。这一参考图像既可以是序列中的一帧也可能是经过特定的背景更新方法重新构建出来，参考像素点(z，，”)与待分析的当前帧图像中的像素点@，y)处于视频中的同一位置。在实际检测中，不必对图像中每一个像素点都进行比较，只须对目标检测环节检测出来的前景运动区域内像素点与参考背景帧图像中相应位置的像素点进行比较，从而极大地减少了计算量。候选的阴影点通过分析差分图像D@力检测而来，此处的检测方法也可以采取任一方法，如帧间差分法、背景差分法及ICA检测方法等。若是采取背景差分，则表示为D(x，夕)=，(x，少)一，(x，，”)。理想情况下，视频中存在的噪声非常少，验证条件为№，只)>№以。饥，只)>∞；no瓴，只)>o瓴力，该条件足以说明像素点(x，y)属于候选的阴影。但是在实际情况下，由各种因素引入的噪声改变了上述检验过程，使得验证条件变为式(3．8)所示。

】厂(x，，y，)一】，(x，y)>61D(x，，y，)一D(x，y)>也 (3．8)∞(x，，”)一C6(x，y)>岛

其中向量6=(61，62，63)可以抵消由噪声引起的失真。除此之外，为了得到更为准确的阴影判决结果，本文采用一个观察窗口来进行邻域内的平滑处理。窗口的大小为(2Ⅳ+1)×(2坍1)，中心点为@，力。在该窗口中，本文分析的是差分值的均值，表示如式(3．9)所示。 仇r@∥)-面再薪，蚤，邑珥@“∥“)．． 仇臼@∥)一面再赢，蚤，邑眈r(肿f'”力 (39’％@∥)_面再蒜，蚤，邑Dc6@“∥吖)其中， Dy(x，y)，跣(x，少)，％(x，j，)为三个颜色通道中的图像矩阵，Dw，，(x，y)，Dwc，(x，y)，D’心(x，y)为三个颜色通道内分别得到的均值。如果见y(x，y)，巩c，(x，y)，如果口心(x，y )都大于6的对应的分量，则所述像素点(x，y )属于候选的阴影区域。 其中阈值6是独立的分量，必须通过视频序列进行调整。火联理工大学硕士学位论文

3.3.4阴影像素点的进一步确认

经过上述判别，得到了一系列候选的阴影像素点。 这些像素点中含有阴影像像素点包含前景的目标像素点。 这里，这些关注像素点比相应参考图像中的像素点更靠近由于亮度值较低，需要进一步分析才能确认阴影的像素点。 本文采用特定的颜色不变特征进行进而进行鉴别，最终分割阴影和前景运动目标。正如本文以前分析的结果那样，阴影的遮盖物不改变这些颜色的特征，可以这样定义像素点集(如公式(3.10 )所示。

=((x，y ) :砺v(x，y，)=咖啡v(x，少) ) } (3.10 ) ) ) ) ) ) ) ) ) ) )。其中，伽马(x，y )表示参考图像中的特定颜色的特征，) x，y )表示当前帧图像中的色差特定的颜色特性。 当存在当前帧的图像时，通过使用这两个颜色特性获得这些像素点集在像素点颜色特征量相对于参考图像中的颜色特征量稍微变化的情况下，确认该像素点是阴影像素。 这里介绍本文采用的两种颜色不变的特征。((1)相邻像素之间的亮度比不变特性136 ) )。

假设(x，y )是当前帧中(x，j，)像素点的亮度值，e ) x，y )是(x，y )像素点的光强度，p(x，y )是该像素点的反射系数。 同样，将(x，y )作为参照背景帧中) x，y )像素点的亮度其中e’(x，y )为背景帧中x，y )像素的亮度，而p’(x，y )为背景帧中相同像素的反射系数。 由于相邻像素点空间距离小，所以假设相邻像素点接收到的光的强度大致相等，即，e(x，y )=e ) xl，y )及e ) ) x，j，)=e ) @1，y )。 此外，投射阴影会减少相应的像素点的光的强度，但该像素的点的反射系数固定不变。 即，p(x，较少)=p ) )墨水y )及

p@ 1，y )=p’@ 1，y )。 因此，当前帧图像中某个像素点(x，y )和与其相邻的像素点(l，少) )的亮度比可以按式(3.11 )计算。(x，y ) ) ) )。_。 ‘。 一‘。 ___。 一=、(x l，y ) )。

e(x，y ) p ) x，少) p ) x，y ) )。

e(x1，y ) p ) xL，y ) p ) x1，y ) ) ) ) ) )。p(x，y )。 (x，y ) p ) x，y )在第2页中，用2瓦ii下I历‘3.11’、(x，y ) ) )。、(x 1，y ) )。

即，在某像素点位于阴影区域的情况下，当前帧中的相邻像素点的亮度比与该背景帧内相邻像素点的亮度比相等，即阴影的出现不会改变该比例。 这样的属性基于独立分量分析的目标检测与跟踪方法研究与改进像素间颜色比恒定的特征。 为了使这个特征在检查过程中更明显，另外

考虑到数值计算的稳定性，可以利用取对数的映射过程。 具体的映射过程如式(3.12 )所示，Jd (墨力=) nj握持=1Il，).ky )一lll，)石1，少) I ) )工l，y )，11d’(x，y ) ) ln :夹点： 111，) ) x，y )一h，) x 1，y ) l ) lz1l，y，其中，d(x，y )表示当前帧图像，而d1 )量y )表示背景帧图像。基于该想法，考虑某个像素点是否为影子，判断该像素点是否满足以下条件即可

作为前提，判断在当前帧中获得的对数差分值d(x，y )是否与背景帧中的对数差分值d () (x，y )近似，如果满足则判断为影子； 相反，这不是阴影。 因此，可以对每个像素比较d(x，y )和d。 (量y )的一种检测图像中阴影区域的差分方法。 但是，由于噪声和某种偶然的影响，有可能

会发生几个例外。 在这种情况下，可以使用图像空间稳定性来移除这些异常。 阴影通常被占有由于是连续的区域而不是孤立的像素点，所以为了提高判别结果的稳健性，对某个东西进行判别个人像素点是否是阴影，不是简单地计算该像素点的眼睑(x，y )和d ) )的值，而是计算该值以像素点为中心计算小附近窗内的所有像素点的d(x，y )和d ) ) x，y )的值，然后对其附近窗口内所有像素点的j(x，y )和d ) )墨水y )的差分重叠。 具体计算过程如式(3.13 )所示请参阅。d(x，y )=Id(f ) f，_，(一d’) f，坏事) l ) l (3.13 ) ) ) ) ) ) ) )。(，)、) )、夏z、y )。

”

另外，由于输入的视频是彩色图像，所以利用YC疋b色空间进行

为了研究，必须对对应的三个颜色通道进行综合考虑。 每个颜色通道的差分端口(x，很少)很好进行了各自的处理后，对各色通道的差分值进行叠加运算，如式(3.14 )所示。、j，(x，y )=dr ) x，y ) pc，) x，y ) db ) x，) )”(3.14 )。

其中盘(z，y )、游戏o、夕)和)亿少)分别表示三个颜色通道的差，通过考虑邻域结合内的所有像素点和三个色通道，得到最终判别该像素点的最终差分值，I，(x，j，)。 这是处理方法大大提高了阴影判别的鲁棒性。上述特征是，第一能够验证阴影点判别指标，为了提高阴影检测的精度，结合另一个颜色不变的特征进行了综合判别。

大连理‘T大学硕士学位论文)颜色成分比例恒定的特征

根据投影到背景图像某个像素点的影子，该像素点的亮度发生变化，但各色成分不变化请参阅。 该光谱特性称为颜色分量比率不变特性。 因此，为了判别某个像素点不，是阴影。 可以比较当前帧和背景帧的像素点的各颜色分量的比例关系。 将来运气好如果活动区域包含阴影，想要区分阴影和运动目标，最重要的线索是颜色信息，具体的表示形式如式(3．15)所示。 啪川一协面蒜赫 Cc，(五y)=arc伽盂耳鬈‰ 。-5，其中，Cr(x，y)，Ccr(x，y)，c乙(x，少)分别代表YCrcb颜色空间的三个颜色分量。同样，．啪棚一协面‰在背景帧中也有相应分量，如式(3．16)所示。 G’∽加arc伽司蕞赫 ％。c墨y，=arc协盂耳麦‰ 。_6，其中，Cy’(x，y)，Cc，‘(x，y)，％’(x，y)分别代表参考背景帧中相应像素点的三个颜色分％’瓴加一面鼢量。由于阴影像素点处的这三个分量值C，，C，，Cr。在不同的光照条件下基本保持不变，因此，用于辨识该像素点是否为阴影的误差值可用式(3．17)来描述．。

人(x，y)=lCy(x，y)一c；(x，y)I+lc2，(x，力一c台(x，y)l+Ic＆(x，y)一c乞(x，少)l (3．17)其中，C包含的是当前帧中待判别像素点的颜色信息，C’包含的是背景帧中像素点的颜色信息。A(z，y)的值越小代表该像素点在当前帧和背景帧中这一判别指标值的变化就越小，表明该点是阴影；反之为非阴影。 ，

在进行阴影像素验证时，本文对两个判别因素采取加权求和的方式进行融合，通过设定适当的阈值进行判别，从而得出更为精确的阴影判别结果。基‘『．独立分量分析的目标检测与跟踪方法研究与改进广——————————一———————]广———————————————————-]背景图像卜-—————_1 目标检测方法

1．．．．．——．．．—．．．．．。，，—．—．．．．．．．．．．—．———．．．．—————．—．．．．．一I———．．．．．．．．．．．．．．．．．．．——————————————．．．．．．．．．．．．．．．．一 县 兽-。。。。。‘。。。。’。。。。。。。。’。。。。一 与操作运算 卜 ————F一8 ，鑫八～ 了＼＼芝竺乡／7 一^善是

阴影预分割8 易

颜色不变特 颜色不变特

征判别l 征判别2 咭产息融合8连通IX域分析去除孤立伪阴影点8

阴影甚

相减 【，

县 r—————————————一———————————————]运动目标图3．2阴影检测流程框图

Fig．3．2 ne F10wch积0fShadow Detection—16一大连理J。大学硕士学位论文暖瞳

■

基于独立分量分析的目标检测与跟踪方法研究与改进

设定闽值T=5，对检钡0结果进行闽值分割，得到相应的二值图像，其中古有一些孤立的噪声点，如图3 5所示。域

图3 7候选的阴影点

Fig 3 7 The POm卅jal ShadowP㈨Poi吣得到比较精确的运动区区域像素，如图3 7所目墨目曩目

大连理【：人学硕士学位论文

经过阴影预分割后滤除的不可能为阴影的像素点如图3 8所示图3 10利用像素内颜色不变特征的阴影1：盘测结果F镕3 10 neDdect{onResuhOnIyUsmgC01arCon蹦”cywlthjn P{xe】可能。经两个颜色影点是否得到的阴判别结果

■磊一目一■

基于独立分壹}分析的目标检攫9与跟踪方法研究与改进田图3 12最终阴影检测结果

F嘻3 12 ne Fin“ResultofshadowDetecIf∞对最终的阴影检测结果进行目标提取．得到比较精确的运动目标坐标范围，如图313所示。由图3 1 3可以看出，该方法的阴影消除效果比较理想，使最终得到的目标位置信息比较精确，充分克服了阴影对目标检测环节的影响。j

人连理J’大学硕士学位论文F镕3 I 3 The幽3】3圭酴阴影后的前景日标 脬

Fomg㈨dO功ect柚ershadow引iminallon3 5小结

本幸主要研究了基于颜色不变特征的运动目标阴影检测方法。该方法可以预测场景中的光线变化情况，并可以进行阴影存在的预判．通过结合两种颜色不变特征与阴影分柑的几何特征．该方法可以实现运动目标的阴影检测，具有较好的鲁棒性。基r独立分晕分析的目标检测与跟踪方}圭研究与改进4基于ICA的运动目标检测独立分量分析方法是一种新兴的信号处理方法，它随着盲信号分离技术【11的发展而得来，并由于其对源信号先验知识要求极少及对信号分离性能良好的优点，得到了越来越广泛的应用，特别是近几年在图像处理方面的应用越来越多．运动目标检测便是其中一个应用。本章对基于IcA【38列的目标检测方法进行了性能分析，在方法分析及仿真实验的基础上，得出了该方法在目标检测中存在的若干问题，并结合实际对存在的问题提出了相应的解决方案。4 1 IcA目标检测方法的性能分析

为了对基于IcA的目标检测方法口”进行性能分析，本文进行了计算机仿真实验。实验中，采用的是分辨率为600·800的视频图像，对近似背景图像和当前视频帧进行IcA分离，分别获得背景图像和当前视频帧中运动目标图像的估计，利用基于1cA的运动目标检测方法删获得的检测结果如图4 1所示。其中，图4 1(a)为当前帧图像．圈4．1(b)为提取出来的近似背景图像，两者一同被视为观测信号，IcA方法的分离结果如图4 1(c)和图4．1(d)所示，其中图4 1(c)为背景图像的估计，图4．1(d)为分离得到的近似差分图。由图4l可以看出，IcA检测方法可以获得清晰且噪声小的运动目标图像，然后将检测结果的像素荻度值在行和别方向进行叠加，得到投影柱面如图4 2所示，其中图41(a)为行向投影图，图4．1(b)为列向投影图。(a)当前帧附像 (b)近似背景图象

(a)Thccumnt Fr锄e 0)back粤Qundjm49e刚4 l基于独立分量分析的单目标检测F19 4 1 si“gIeMovingO嘶ect De眦ci帅B嫩d onIcA大连理J大学硕士学位论文(c)1cA检测结果

fclR韩uII】oflCA刳4FIg 4续

com4黟、

d)IcA检测结果2、k==一(a)行影射柱状图

(曲Hlno舭m ofRowsVf气

。：：；。：：：：；．。，。j：。．．d k(b)列影射柱状旧(b)H1stoFamofc01㈨s图4 2提取目标的影射挂状留

F{g 4 2 Hjno掣踟SofMovlngo叫ectE×№ction通过选取闽值进行比较可得到运动目标在行列方向上的坐标范围，从而实现目标提取。此处选取闽值T=5，它的大小取决于检测结果中的噪声情况。通常，IcA检测结果中噪声比较小，所以选择较小的闽值；但是若出现噪声大或抖动情况，须适当地增大阔值，昂终的检测结果如图4_3所示，图中白色矩形框显示了目标的范围。基丁独立分茸分析的目标检测与跟踪方法研究与改进幽4 3目标提取结果

F19 4 3 mResultofMovl”goqectExtractlon由IcA的理论特点及上述仿真实验可以得出，原方法存在着若干问题，分别如下所述。

(1)由于盲分离问题存在着相位不确定，因此在利用1cA方法进行目标检测时，输出图像的顺序无法确定，使得后续的目标提取环节无法准确地作用于感兴趣图像，即含有前景运动目标的输出图像。若提取处理作用于非感兴趣图像，即背景图像的估计，则无法提取出运动目标，所以为目标提取过程带来了一定的困难。提取处理作用于非感兴趣图像时的投影如图4．4所示，其中，例44(a1为非感兴趣输出图像在行方向上的投影图，图4 4(b)为非感兴趣输出图像在列方向上的投影图。 {—-。(a)行影射柱状圉(a)H1s啪m ofRows0，∞…一…0㈨

(b)列影射柱状图

(b)Hjmogmm ofcolumcs闰4 4非感兴趣输出阁像的影射梓状图Fig 4 4 HimogmmsorNon-jmemn酣ou巾mImage大连理工大学硕十学位论文由图4．4可以看出，经过没有针对性的目标提取后，得到的投影图没有包含与运动目标相关的包络信息，无法用于提取运动目标。

(2)原方法直接对分离出的灰度图像进行处理，求得横纵向的投影柱面图，由于ICA分离结果中不可避免地含有一定量的噪声，使得投影柱面图无法准确地表征目标的精确位置信息，其中含有一些噪声引起的包络，容易检测出伪目标。因此，若采用阈值比较的方法，得到目标位置不够精确。另外，阈值的设定没有严格标准，无法对阈值的设定进行自适应处理，不能克服随机的噪声信号对图像带来的影响。由图4．3可以看出，经过原方法提取的目标信息误差较大，这也必然对后续的识别、跟踪处理带来不利影响。(3)经过ICA分离后，得到的前景目标图像中含有一定量的阴影，需要在后续的进一步处理中引入阴影消除环节，提高检测的精度。(4)检测方法中的目标提取方法只满足单个目标情况，对于存在多个目标的视频帧，特别是路面车流比较复杂的情况下，由ICA分离出来的前景图像中目标信息较多，因此对该图像进行投影计算时，会出现目标重合累加现象，即在某一方向投影时形成的包络块可能是由两个或者多个目标叠加而成，因此得到的投影图无法清晰的表示视频中多个运动目标的位置信息，导致原方法无法提取出多个运动目标。针对原方法存在的上述问题，本文给出了相应的解决方案与改进措施，具体内容如下所述。4．2分离输出判决

在ICA目标检测方法中，首先要利用ICA方法对两帧图像进行分离，由于ICA分离输出的图像顺序随机，导致分离后的处理无法直接作用于感兴趣的图像，因此在ICA分离输出后加入一个输出判决的环节。此处可以用图像的特定描述子作为判别指标，可用的判决的指标很多，目标灰度的特性便是一个很好的选择。目标灰度特性主要有目标灰度最大值、最小值、中值、平均值、方差以及高阶矩等统计量。结合分离输出的图像特性以及考虑到计算量的因素，本文选择目标区域图像的灰度均值作为判别指标，如式(4．1)所示：． 1M N 阮，材P：二y y厂(L，)． (4．1) ’ 朋×Ⅳ智簧～‘其中，M与Ⅳ分别是视频横向纵向的像素数，厂(f，歹)为(f，歹)像素点的灰度值。具体的判决过程为：若计算得到该均值较小，则说明图像为含有前景运动目标的感兴趣图像；若计算得到的该均值较大，则说明图像为背景图像的估计输出，即非感兴趣基丁独立分量分析的目标检测与跟踪方法研究与改进图像。这样，经过判决环节后，便可得到感兴趣的含有前景运动目标的差分图像，避免了对无效图像的处理，保证了目标提取环节与图像ICA分离过程的紧密衔接。4．3分离后图像的预处理

4．3．1 方法原理

经ICA方法分离出的感兴趣图像是一副灰度图像，且图像中含有一定的噪声，因此直接对该图像进行投影计算时，产生的柱面包络信息与真实信息之间误差很大。除此之外，提取目标的位置信息是通过检测投影图中包络的起始点来实现的，而在检测起始点时需要设定相应的阈值，由于噪声以及光照变化等干扰因素的影响，所以很难设定恰当的阈值，因而严重影响了目标信息的准确提取，降低了目标检测的精度。因此，本文在进行投影之前引入了图像预处理环节，对ICA分离得到的感兴趣图像进行预处理，进一步去除图像中的噪声。具体过程为对ICA分离的结果图像进行阈值分割，得到相应的二值图像，其中含有离散的噪声点，若光照变化比较强，则也会产生连续区域的噪声。通常连续区域的噪声与真正前景目标相比要小很多，因此可以采用区域增长法对视频范围内的各连续区域进行标示，然后设定一阈值，若标示的某一区域中所含有的像素点数目小于该阈值，则消除。经过这一环节的处理后，视频图像内的一些干扰因素得到了消除，准确地保留了感兴趣的前景运动目标。上述方法得到二值图像与原灰度图像相比对噪声的抑制程度更高，因此再经过横纵两个方向的投影后，可产生对目标表征程度更高的柱面图，可以在很大程度上提高目标提取的精度。除此之外，由于预处理后的二值图像中自色像素点几乎全部是目标像素，所以对包络边缘进行检测时相应门限值可以明确地设定为T=0，即避免了原方法中阈值设定不确定而带来的目标位置提取的不精确问题。

4．3．2仿真实验

为了验证引入图像预处理环节对目标提取的作用，本文直接采取上述实验中得到的分离结果进行实验，相关的处理结果如图4．5所示。其中，图4．5(a)为ICA的分离检测结果，图4．5(b)为经过阈值分割得到的二值图像，图4．5(c)为经过区域增长法处理后的二值图像，图4．5(d)为原方法得到的行列投影图，图4．5(e)为改进后得到的行列投影图，图4．5(f)为原方法的检测结果，图4．5(g)为经过图像预处理后的检测结果。由图4．5可以看出，由于在投影前引入了图像预处理环节，对图像中的噪声进行了滤除，因此，产生的投影柱面图像包络更加清晰，伪目标产生的投影得以消除。

职教云旧版本

(d)原方法投影刚

(d)Hislo可啪ofO^91na讣bthode)预处理后的投影图e)HjnogralTI ofNew Memod(f)原提取结果 (g)预处理后提取结果

(0TheDdectjonResult ofOn目nalMethod (曲T}leDete口ionResu】t ofImprovedMe仇od图4 5引入图像预处理肝}{标提取结果F罾4 5 The Resu】tofMovin90哳eclExtmctj…lth Preprocessmg基于独立分量分析的目标检测与跟踪方法研究与改进与图4．5(g)可以看出，改进后得到的目标最小外接矩形较原方法更为精确，对后续的跟踪处理具有重要意义。

在此处的图像处理环节中，还可以根据光照情况对图像进行阴影检测并消除之，进一步提高目标检测精度，具体的实验在下面多目标提取中进行。4．4多目标检测的实现由于原提取方法不能满足多目标存在的情况，因此本文给出了基于多目标的提取方法。

4．4．1 多目标提取方法原理

通过对提取过程的充分分析，本文采取计算交替方向多次投影柱面的方法，从而将各目标检测出来。

首先对视频序列和相应的近似背景图像进行ICA分离，产生含前景运动目标的感兴趣图像，再进行图像预处理(包括阈值分割、去阴影)，得到相应的二值图像。接下来，对图像预处理后的二值图像进行横向纵向投影柱面的计算，计算过程如式(4．2)所示：1 Ⅳx一锻括(沪寺∑厂(f，／) ”产1 (4．2)少一甜括(／)=吉∑厂(f，／) 』¨口l

其中，x似括表示横向的投影柱面，y甜括表示纵向的投影柱面，必Ⅳ分别为视频横向纵向的像素数，．厢∥表示像素点的灰度值，由于进行投影计算的图像为二值图像，所以厂(f，，)要么为O，要么为1。为了得到较为圆滑的投影柱面，本文对投影柱面进行了平滑处理，具体过程如式(4．3)所示：

x一锻括(f)=x一锻括O一1)+x一甜西(f)+x一锻括(f+1) (4．3)y一鲫括(／)=y一锻括(歹一1)+y一缎括(，)+y一甜括(歹+1)由于多个目标在投影时存在像素叠加的情况，因此须根据第一次投影的柱面图进行二次投影。为了节省计算量，只须对其中一个方向进行，因此要根据适当判决条件决定下一步投影计算方向，即横向或者纵向的选择。判决条件为单侧柱面包络块的个数，同样可通过设定适当阈值的方法来检测投影柱面图中包络起始点的个数，从而得出包络的个数，即潜在的目标块个数。由于图像处理已经滤除了噪声，因而可选取T-：0作为判别阈值。哪个方向的柱状图包络数量少就对哪大连理工大学硕士学位论文个方向的柱面进行二次投影，具体可转化为哪个方向的过零点数量少，即选择哪个方向进行二次投影计算。

lCA分离前景目标且输出判决8

图像预处理与阴影消除旦

计算行向列向投影柱面《畛旧引

<丢骖> ： 目标移 精确位置

二次投影计算 信息

／确薪享1凄＼i单目标{‘＼疆、警子块内{子块内l相应区域二次 多日杯I投影计算图4．6目标提取流程框图

Fig．4．6 The Flowchan of MoVing Object ExtI．action通常情况下，同一车道基本上都为一辆车在行驶，因而车道线方向的包络通常比较清晰。与第一次投影计算不同，在计算二次投影柱面时，像素叠加计算的范围无须涵盖基丁粗立分攮分析的目标检测与跟踪方法研究与改进

整个视频范围，而只须计算特定视频图像范围的投影，即通过一次投影图所选的二次计算方向各包络块的范围，返也在一定程度上减少了方法的计算量。通过上述方法得到二次投影图包含几个子图，分别代表了各子块图像中的目标信息，这几个子块的范围是通过一次投影得到的。此时，可通过二次投影的各个子罔判断相应子块中的目标个数。子块投影图中包络的数量与该区域中的目标数量相对应，若子块中仅含一个包络，则子块对应视频范围内只存在单个目标；反之，则存在多个目标。若子块中含有一个目标，则该目标的横纵坐标即可完全得出；若存在子块中含有多个目标的情况，在进行二次投影时仍可能存在大目标覆盖小目标的情况，即二次投影柱面是由两个或多个目标叠加计算而产生的，因此须进一步判断相应子块中多个目标的坐标范围。本文采取了三次投影计算的方法，此时，所需计算的图像范围取决于二次投影柱面估计出的范围，所以这一步骤的计算量更小。通过三次投影柱面图．可得出相应目标在第三次投影方向的坐标范围，从而实现了视频中全部运动目标的检测。上述的多目标检测方法环节较多、层层递进，为了便于理解，本文将改进后的IcA目标检测方法原理用流程图表示出来，如图4．6所示。下面结合具体的仿真实验，对上述的多目标检测原理进行了更直观的描述。

4 4 2仿真实验

(a)当前图像帧 a11kC㈣tFmme攀篓蔑 圃圈(c)多目标IcA检测结果

(c)黜su】t oflcA s印armi删d)二值化图像 (e)阴影消除后的结果

d)B{na叫Ima辨a船r (e)R黯ultan目S}叫叫Eljminmion图4 7基于独立分量分析的多目标检测F罾4 7 Mu帅Ieo埒eclsDetectjonB拈ed onIcA大连理．[大学硕士学位论文为了验证本文给出的多目标检测方法，本文进行了计算机仿真实验。实验中，选取了带有多个目标的变通视频，分辨率为200；260。

IcA分离过程及预处理过程如图4 7所示。其中，图4 7(a)为当自H帧图像，图4 7(b)为得到的近似的背景图像，图4 7(c)为IcA分离结果，圈4 7(d)为预处理后得到的二值图像，图4 7(e)为阴影消除后的结果。对预处理后的前景图像进行行列两个方向的投影，并经过图像平滑处理后得到的第一次投影图如图4 8所示。

羹勰。赫。≥震2 i图4 8行列两向影射柱状圈

F幢4 8 Hi女。啪s ofMoving 0蜘ed Ex廿actjo订由图4 8可以看出，下侧的柱面图包络较为清晰，表明该方向(列方向)对应的目标数量较少，可作为二次投影的方向．相应得到的二次投影柱面图如图4 9所示。。?飞1：P．，／，jk_—F．。≥； 禽臻 。。

。 嚣…一·： “ “∞i

。P—警。箩Lf—目一．。图4 9 次投影柱面图

F瞎4 9 The s㈣d HIslogL帅ofc0兀℃#pond吨I”age Block从图4 9可以看出．第一个子块投影图即为只含有一个目标。而第二和第三个子块即为含有两个日标。对于于块l而占，由于只存在单个目标，因此可对包络检测起始点基丁独立分常分析的目标检Ⅻ屿跟踪方法研究与改进从而得到目标位置信息，此处同样可设定闽值T；0榆测出目标的坐标范围。而对于子块2与子块3而占，由于存在多个目标，在投影计算过程中仍然会存在多个目标像素叠加的情况．因此必须进行下一步投影处理。

对上面子块2与3中相应目标区域进行计算，得到的三次投影柱面如图4．10所示，其中，四个子图分别与视频中的目标相对应，分别代表了二次投影中具有多个目标的子图中的各目标。 j胍(I)}‰1H目&Ⅳ (b)}*2Ⅻm掼肛 (^】HI舢啪o㈨uoc¨ (b)№啪o㈨c”· ㈣沮(d手*3H自№* (d)}块4H自投Ⅳ一 0)Hmom o㈨m(1=3(∞№一ⅢⅧ·圈4 lO于块三次投影柱面幽

F碴4 10 TheThirdHis协酗m ofc。丌e5p佣dj“gIm啦subblocks通过三次投影柱状图，可得出相应目标的完整位簧信息(列向坐标)，从而实现了视频中全部运动目标的检测，根据以上检测方法所得位置信息而标示的目标如图4 1l所示，其中图411(曲为来进行图像预处理与阴影检测的提取结果，图4Il(b)为进行了图像预处理与阴影检测后的提取结果。(a)直接口标提取结果 (b)图像预处理后目标提取结果

0)Result ofDl∞ct Ext强ction (b)Ex”adlon Resu】t wjTh P他pmcess图4 1l最终目标提取结果F培4ll The FirIal ResulI orMovtn90MectDekcIIon大连理工大学硕士学位论文由图4．11可以看出，本文的多目标提取方法可以实现视频范围内多个目标的提取，且经过图像预处理和阴影消除后的提取结果更加精确。4．5小结

‘本章主要对独立分量分析方法在运动目标检测上的应用进行了研究，分析得到方法在应用中存在的问题，包括分离输出图像顺序随机、分离结果受噪声与阴影的严重影响、难以设定用于目标提取的阈值及无法实现多目标提取等，本章结合实际给出了相应的解决方案，使方法在功能上和精度上都有了很大的提高。基丁：独立分量分析的目标检测与跟踪方法研究与改进5 基于ICA．R的运动目标跟踪方法

ICA．R方法【40‘45】用于在已知某独立分量的先验信息前提下，从观测信号中提取该感兴趣分量估计。将其用于目标跟踪时，可将视频图像看作是由背景图像和前景运动目标图像线性混合而成的观测信号，从而可以将运动目标跟踪问题这样理解：既把待跟踪目标当作先验信息，从后续的视频中分离出与先验信息特征相匹配的感兴趣分量的估计，从而实现目标跟踪。

本章在对ICA．R方法以及目标跟踪问题充分分析的基础上，对ICA．R方法用于目标跟踪时，归一化二阶中心矩‘29。o】作为参考信号产生的迭代误差大的问题进行了分析，得出了问题产生的原因，并给出直接以待跟踪目标作为算法的参考信号，减小了迭代误差，实现了运动目标的跟踪。为了防止光照变化对目标提取的影响，本文在此基础上结合ICA．R算法的运算特点，将归一化奇异值分解【46】引入到ICA．R算法中的相似性度量环节中来，即保证了ICA．R算法中迭代过程的进行，又稳健地实现了目标的提取。5．1 ICA．R运动目标跟踪方法分析5．1．1 ICA．R目标跟踪方法原理晗81

带参考信号的独立分量分析方法基本原理如图5．1所示，其中y(f)是待跟踪目标信号t(，)的估计输出，，．(f)为参考信号，它包含了待跟踪目标分量薯(f)的特定先验信息，￡(y，，．)为相似性度量函数，该函数能够表征输出估计信号y(f)和参考信号，|(f)之间的相关性，并在算法中对估计分离向量w‘起到约束作用，从而使得输出信号y(f)=w‘Tx(，)成为待跟踪目标信号s，(f)的估计。△缈

五(f)

jf2(，)h(f)，．(f)y(f)

图5．1 ICA—R算法框图

Fig．5．1 Block Diagr锄Of lCA—R Algorittlnl大连理工大学硕士学位论文

在将ICA．R方法引入到运动目标跟踪时，视频图像须按行转化成序列形式，视频序列中的各帧图像可表示为‘(扛l，2，．．．，门)，因此，IcA．R算法中的观测信号即为各视频图像x=【五，恐…．，％】1，该观测信号由背景图像以及视频中的各前景运动目标经过瞬时混合而成，混合模型如式(5．1)所示：X=AS (5．1)

其中，A为混合矩阵，序列S=b，s：…．，s聊，‰唰】T为视频内的各前景运动目标和背景。

用ICA．R进行目标跟踪时，参考信号，．(f)可通过目标检测环节得到的待跟踪目标得到，对比函数采用负熵函数【31】，其定义如式(5．2)所示：，(y)≈p[E{G(y))一E{G(V))]‘ (5．2)其中，p是正常数，随机信号v为零均值、单位方差的高斯信号，G(·)是非二次型函数，因为图像信号为亚高斯信号，所以本文采用了适合亚高斯信号的非二次型函数，具体形式如式(5．3)所示：G(y)=y4／4 (5．3)

此处须定义一阈值芎，使得不等式g(w)=￡(y，，_)一号≤O当且仅当输出信号为待跟踪信号估计时才能成立，从而将待跟踪目标与其他目标信号区分开。把式g(w)看作是对比函数式(5．2)的约束条件，则ICA-R算法可表示为：maX，(y)≈p陬G(少))一E{G(V))]2 (5．4)s甜钐P“幻g(w)≤o， E{y2}一1=o采用拉格朗日算法【3l】来解决式(5．4)的约束优化问题，再利用类牛顿迭代算法得到拉格朗同函数式的解：

w々+1=wt一”R：％／6(w女) (5．5)

其中后表示迭代次数，11表示学习速率，R。表示观测信号x的相关矩阵，k和6(wk)分别如式(5．6)和(5．7)所示：三0=万E(xq(y))一o．5pE{xg；(w。))一九E{砂) (5．6)‘

6(wk)=万E(哆(y))一o．5pE{g≥(wk))一九 (5．7)这里p和九为La昏aJlge乘子。基于独立分鼙分析的目标检测与跟踪方法研究与改进

在得到分离向量w’后，可通过，(f)=w”x(，)得出输出信号的估计，既为在该帧内分离出的与待跟踪目标特性匹配的运动目标。此时的分离结果既包含了与待跟踪目标匹配的运动目标，又附带了运动目标在该帧内的位置信息，将该向量还原后即可获得运动目标在该帧内的最新位置信息，完成跟踪过程。5 1 2对l cA-R跟踪方法的性能分析(d)目标提取结果

(e)IPI曲线

felIPl Curve

削5 2利用不变矩作参考信号的目标跟踪结果

Fl昏5 2 Movin90qedl协k旧Resu】tusin91nva兀越tMoment asRekrence瀑累衄大连理T大学硕士学位论文

考虑到图像的归一化二阶中心矩具有一定的抗噪声能力，在一定程度上可以表现运动目标的特征，原方法利用其作为参考信号进行目标跟踪。

虽然利用该参考信号可以将运动目标从视频中提取出来，但是算法的迭代误差过大，难以确定用于判别迭代停止的阈值，加之归一化二阶中心矩的计算过程比较复杂，原方法无法满足目标的快速跟踪。为了充分体现原方法的性能，本文进行了计算机仿真实验。实验中，判决门限设为

O．01，最大迭代次数设为50，采用独立性能指数M(Individual Perfonnance Index，IPI)来衡量ICA．R算法I捌分离出感兴趣信号的性能，计算方法如式(5．8)所示：叫善揣】．1，㈦…朋 ㈦8，【智111ax女I见l J’’

其中，p，为向量p=w“A的第_，个元素。仿真实验结果如图5．2所示，图5．2(a)为近似的背景图像，图5．2(b)为当前帧图像，图5．2(c)为待跟踪目标块，图5．2(d)为目标跟踪结果，图5．2(e)为IPI曲线。

由图5．2可以看出，利用归一化二阶中心矩作参考信号进行跟踪时，虽然能够将目标从待跟踪视频中分离出来，但是IPI指数显示算法迭代误差过大。之所以导致算法迭代误差大，主要是因为参考信号的选择不合理。当选择待跟踪信号的归一化二阶中心矩作参考信号时，算法中的相似性度量函数￡(y，，．)只能选择两个矩值间的差值，如式(5．9)所示：￡(少，，．)=比l一九2 (5．9)

其中，九，为待跟踪目标信号的归一化二阶中心矩，如，为感兴趣估计信号的归一化二阶中心矩。另外，算法内部对分离向量进行更新时，其中E。和6(w。)的计算依赖于

gj(Ⅵ)和g：，：(Ⅵ)，加之g(w)与相似性度量函数￡(y，，．)之间关系为g(w)=￡(y，，．)一毛≤o，所以分离向量的更新需要计算相似性函数对少的一阶导数￡j(y，，．)与二阶导数￡：，(y，，．)。又因为归一化二阶中心矩的计算过程比较复杂，很难直接得到该矩值对J，的导数，因此，￡j(y，，．)与￡：：(J，，，．)的计算只能取估计值，此处近似为o，因此在一定程度上影响了算法的迭代过程，导致了迭代误差较大。此时E。和6(w。)的计算如式(5．10)和(5．11)所示：基于独立分量分析的目标检测与跟踪方法研究与改进

k=万E{x哆(少))一o．5pE{】峨(w*))一九E{砂) (5．10)=万E{】吵3)一九￡{砂)6(％)=叫qz(y))_o．5pE澎(Ⅵ)卜 (5．11)=阳{3y2)一九

在迭代误差大的情况下，很难设定用于判定迭代停止的门限亏，因此也难以实现快速跟踪。除此之外，归一化二阶中心矩增加了方法的计算量，严重影响了方法的时效。5．2利用待跟踪目标作为参考信号进行目标跟踪5．2．1 方法原理

考虑到运动目标跟踪问题对速度的严格要求，以及通常情况下目标运动过程中相邻帧或者相邻几帧间形状位置等信息变化量较小的特点，本文给出用追踪对象的信号直接作为ICA.R方法的参考信号。 在将其导入lCA-R算法过程中，将输出信号直接输入到该通过参考信号测量相似性，可以保证测量值可以直接且充分地表示两者的相关性，从而减少了算法的迭代误差，有利于迭代过程停止判决阈值的设定，实现快速跟踪； 另外另一方面，通过将之前提取出的跟踪对象信号直接作为参考信号，避免了归一化后的二次中心通过力矩的复杂计算过程，减少了方法的运算量。 方法中，必须确定相似性函数() (y，)以测定感兴趣信号的估计和参考信号在某种意义上的相关为目的，但这里如式(5.12 )和) 5.13 )所示，采用两个基本相似性函数。((y，)=e(y—r )2) ) (5.12 ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )。((y，r )=一e )妙) ) } (5.13 ) ) ) ) ) ) )。选择相似性函数后，算法的收敛速度略有不同。 实验分析结果，本文选择了

将(y，)=一e (妙)作为相似性函数，分离向量更新过程中的g ) w )的求导过程如式) 5.14 )如(5.15 )所示

GJ(w ) () )、工厂)、1号(()、) j=1e口)、=1e )、) )、5.14 ) )。g:(w ) ) ((y，) )第一) )=(一e )，) )。 (5.15 )。同样，向量更新计算的对应量为3。 和6(w。 的计算如式(5.16 )和(5.17 )所示。=万e (沙3 )一o.5E{ (一公主)，) (一九e )沙) ) 5.16 )大连理工大学硕士学位论文5 2 2模拟阳阳

fmT

6(u )=矿晟湪2 ) _05pE卜e (一)=基础晟湪2 )-x(j17 ) ) ) ) ) ) ) ) ) ) ) 652(f )参考信号2的目标提取结果) g ) IPI曲线2(otm ckl“gresu”tusl“grpf为ence 2)曲iPI curve 2)”图532种参考信号跟踪目标技术的比较() )5 3 TheCor后(sibetweentwotrackresultsuslngdl干扰mRe雅ences基于独立分量分析的目标检测与跟踪方法研究与改进

为了验证上述方法的跟踪效果，本文进行了计算机仿真实验。 实验中，判决门限制为0.01，将最大重复次数设定为50次。 图5.3表示没有光变化时的两种参考信号跟踪目标带来的效果的比较图。 这里，参考信号1表示归一化后的二次中心矩，并参照信号2是表示以前得到的跟踪对象的图5.3(a )是近似的背景图像，图5.3(a )是当前的图像帧，图5.3(c )是跟踪对象块，图5.3(c )是将归一化后二次中心矩用作参考信号的跟踪结果，图5.3(e )是作为参照信号将二次中心力矩正规化后的IPI曲线，图5.3(e )是以直接利用追踪对象为目的的将标记信号作为参照信号的追踪结果，图5.3(g )是将追踪对象直接作为参照信号的IPI曲线。从图5.3中可以看出，当以前获得的跟踪对象直接用作参考信号时，方法的迭代误差小，容易设定判别迭代结束的阈值，有利于实现快速跟踪； 追踪对象的归一化二次中心矩作为参考信号时，可以提取目标，但算法迭代误差过大无法预料，算法迭代次数太多，无法快速跟踪目标。5.3结合归一化奇异值分解的I CA—R目标跟踪方法5.3.1方法原理

如果光强变化较大，则使用上述方法跟踪目标的效果会受到影响。 理由是

ICA.R算法中参考信号与感兴趣的输出信号的相似性的尺度受到照明的变化的影响。来定义您自己的自订外观为了解决这个问题，本论文将图像矩阵的正规化奇异值分解引入ICA.R算法中的相似性在量的阶段，即，将参照信号和感兴趣的输出信号分别投影到归一化的奇异值空间，通过奇异值清空进行相似性的测定。如果将像素尺寸设为、z、2的图像灰度矩阵或者尺“，则存在列向量正交的情况

基质u=h，甜度2，…，甜度。 】和y=[vl，吃，…，% ]尺~，即u7’u=，a7’=，是单位矩阵。r1F n1设s=u71 My=I } 2L，式中对角矩阵=坊昭@。o :…、o、的对角元素Lu uJ

A .他说。 (汪1，2，…，p )后的特异值(prnjn )聊天，治疗)，称为o？ 矩阵州r的特征值，s称为映射一类矩阵的奇异值分解。 在奇异值大于o的前提下，奇异对角矩阵的分解是唯一的。选择图像矩阵的标准化奇异值进行相似性度量是因为奇异值分解具有以下内容

列特征【48铷】: (1)稳定性。 对于图像矩阵数据元素的比较小的变化，奇异值的变化很小。对于图像，表现为对于灰度在一定的变化范围内是鲁棒的。 )2)位移不变性。即使目标图像在水平和垂直方向上任意移动，奇异值也不会改变。 )3)尺度不变，目标出现时大连理工大学硕士学位论文当一定尺度发生变化时，奇异值会相应地出现一定的变化，这时可以通过归一化处理加以克服，从显示出相对于目标的尺度不变的特性。 除归一化奇异值的上述特征外，运动目标相邻两个帧或两个分开帧间的变化小，能够将归一化后的奇异值作为度量空间与参考信号感兴趣测量输出信号，更好地表示两者之间的相关，充分减小迭代过程的误差，保证目标的迅速跟踪。在该方法中，首先，对参考信号和感兴趣输出信号的估计分别进行奇异值分解，即投影到奇异值空间。 如式(5.18 )和(5.19 )所示。…。 ((l孙) )8) ) ) ) ) ) )。

()、(u，r )、d ) k ) ) 5.19 ) ) ) ) 5.19 ) ) ) ) )5) ) ) ) ) u ) u )、d ) k ) )‘ldd/j’「

为了方便，在本论文中将(手1 ) )设为s。 相反，同样将(手2三)替换为s )。其次为了克服目的将奇异值矩阵正规化标尺度变化后带来的影响，如式(5．20)和(5．21)所示：群=S／rI姒(S) (5．20)霹=是／max(是) (5．21)其中，max()表示最大值函数。

相似性度量函数可以表示如式(5．22)所示：￡(少，，)=￡{E(晔一譬)} (5．22)

由于奇异值的能量主要集中在前面的若干个中，所以经过该度量运算后，可以比较充分地表征参考信号与感兴趣信号估计之间的相关性。5．3．2仿真实验

为了验证结合归一化奇异值分解的跟踪方法，本文在光照变化较严重时进行了仿真实验，直接用待跟踪信号作参考信号和引入奇异值作相似性度量的跟踪效果对比如图5．4所示，方法l代表直接用待跟踪目标块作为参考信号，方法2代表引入归一化奇异值作相似性度量。其中，图5．4(a)为当前图像帧，图5．4(b)为待跟踪目标块，图5．4(c)和图5．4(d)分别为利用待跟踪目标作参考信号的跟踪结果和IPI曲线，图5．4(e)和图5．4(f)分别为结合归一化奇异值分解的目标跟踪结果和IPI曲线。实验中，判决门限设为O．01，最大迭代次数为50。基丁独立分晕分析的目标检测与跟踪方法研究与改进

由图5．4可以看出，在光照变化较强时，直接利用待跟踪目标作参考信号进行目标跟踪而得的目标比较模糊，增加了目标提取的难度；而经过归一化奇异值进行相似性度量后，方法对光照变化等环境因素有较强的适应性．得到的跟踪效果比较理想，便于稳定的提取出待跟踪的运动目标，且方法的收敛性也比较好。(d)IPI曲线1

(d)I PICur坩lt1‘：

●*

or—i—1—1i—j—ji—i__(e)方法2的跟踪结果 (f)IPI曲线2

(e)TheT日ckl”gResultofM劬od 2 (OIPIc州e 2图5 4光照变化时两种方法跟踪结果对比

Fig 5 4 TheCon口删bHweenTwoT础king ResultsUsmgDl廿e埘nMethods und日circum蛐1ceofli曲t cha丌gc黑沁

大连理工大学硕士学竹论文

5 4本文方法与卡尔曼滤波跟踪的比较

为了进一步验证本文跟踪方法的性能，本文将该方法又与传统的卡尔曼滤波跟踪方法进行了对比。实验结果如图5 5所示．其中图5 5(a)为近似的背景图像·图5 5(b)为当前图像帧，图5 5(c)为待跟踪目标块，即本文方法的参考信号，其中包含了目标的相关信息，如质心位置及最小外接矩形的宽度与高度，这些信息可用于卡尔曼滤波的跟踪模型㈣中，图5 5(d)为利用本文方法得到的目标分离结果，图5 5(e)为通过本文方法最终得到的目标最小外接矩形，图5 5(O为利用卡尔曼跟踪模型得到的目标最小外接矩形。(e)IcA—R得到目标外接矩J1； (f)卡尔曼滤波得到的外接矩形(e)EnclosingRecca¨出nom】cA-R m EncloslngRec诅n91efrom KalmarI图5 5本文方法与卡^：曼滤波方法跟踪教果对比

F。g 5 5 TheC0ntmt beMeenthe Proposedmethod锄dKa】manTrackIngMemod基于独立分量分析的目标检测与足艮踪方法研究与改进

由图5．5可以看出，由于目标在视频中进行了轨迹为非线性的运动，因此利用传统的卡尔曼滤波跟踪方法得到的目标位置信息不精确；而本文所给出的方法可以比较精确的提取出待跟踪目标，克服了目标非线性运动带来的影响。但由于本文方法的计算量大于卡尔曼滤波，所以本文方法的时效性没有卡尔曼滤波好，但随着计算机多核技术的不断发展，本文方法的这一弱点将会得到越来越有效的改善。5．5小结

针对运动场景中光照发生变化的实际情况，本章将图像矩阵的归一化奇异值分解引入到ICA．R方法的相似性度量环节中来，提高了方法用于目标跟踪的鲁棒性。大连理工大学硕士学位论文结 论

运动目标检测与跟踪是智能交通系统中最为重要的技术，并随着图像处理的发展有了更加广泛的应用。目前，常用的目标检测技术有背景相减法、帧间差分法、光流法以及基于独立分量分析的目标检测方法。阴影检测技术作为目标检测技术中的一个重要环节，也逐渐成为学术界的研究热点，常用的阴影检测方法很多，如基于颜色特征、纹理特征以及梯度等几何特征等方法。常用的目标跟踪方法有卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等。本文重点对运动目标检测与跟踪技术以及阴影检测技术进行了研究，并利用视频图像进行了计算机仿真，研究内容主要有以下几个方面：

首先，研究了基于颜色不变特征的阴影检测方法。在对阴影模型充分分析的基础上，本文给出了一种基于颜色不变特征的运动阴影检测方法。该方法首先通过阴影存在判决环节来判定是否有阴影存在；然后通过预处理环节筛选出潜在的阴影像素点，在一定程度上减少了干扰的可能；再利用颜色特征不变性，进一步确认各像素点是否属于阴影；最后利用阴影像素分布的几何特征，对检测结果进行修正，最终得到比较准确地阴影检测结果。实验结果表明，该方法能够准确的检测出视频中的阴影像素，且具有计算简便、抗光强变化、抗噪声影响的性能。

其次，本文结合基于ICA的目标检测存在的缺点，对基于ICA的运动目标检测方法进行了改进和完善。本文通过选择特定的图像描述子对ICA分离图像进行了选择，有目的的对感兴趣图像进行后续处理；本文还将方法中的目标提取环节进行了改进和完善，通过对分离得到的灰度图像进行预处理的方法，提高了目标检测的精度；此外，本文还通过多次交替方向的柱面投影方法，实现了多个运动目标的精确提取。最后，结合基于ICA．R的原有目标跟踪方法存在的迭代误差大的缺点，本文对原方法进行了改进，给出了直接以待跟踪运动目标作为参考信号进行目标跟踪的方法，提高了参考信号与感兴趣输出信号估计之间的相关性，降低了算法的迭代误差，极大的方便了迭代停止判决门限的设定，同时又避免了原方法中繁琐的不变矩计算过程，保证了快速跟踪的实现。此外，结合光照强度变化导致方法跟踪不稳定的问题，给出了结合归一化奇异值分解的ICA．R目标跟踪方法，将参考信号与感兴趣输出信号估计在奇异值空间进行相似性度量，提高了方法跟踪目标的鲁棒性。由于时间关系，本文给出的方法仍比较初步，在一定程度上需要进一步的探索和完善。在图像分辨率高的情况下，目标跟踪的实时性仍然得不到实现，因此需要对此作进一步的研究，另外本文方法对存在目标遮挡的情况没有加以考虑。基于独立分量分析的目标检测与跟踪方法研究与改进参考文献

[1]Trucco E， Plakas K． Video tracking：a concise survey[J]．IEEE Journal of 0ceanicEngineering， 2006，31(2)：520一529．

[2]Stringa E， Regazzoni C S． Real—time video—shot detection for scene surveillanceappl ications[J]．IEEE Transactions on Image’Processing， 2000，9(1)：69—79．[3]Gavrila D， Davis L． 3一D model一based tracking of humans in action：a multi—viewapproach [C]．IEEE Conference on Computer Vision and Pattern Recognition， SanFranc i sco， USA， 1996：73—80．[4]Hutchinson S， Hager G， Corker P． A tutorial introduction to visual servo contr01[J]． IEEE Transactions on Robotics and Automation， 1996，12(5)：651—670．[5]Behrens T，Rohr K，Stiehi H S．Robust segmentation of tubular structure in 3一D imagesby parametric object detection and tracking[J]．IEEE Transactions on Systems，Manand Cybernetics， 2003，33(4)：554—561．[6]Yao J， Odobez J M． Multi—Layer background subtraction based on color and texture[C]．IEEE Conference on Computer Vision and Pattern Recognition，Minneapolis，USA，2007：1—8．

‘

[7]Huang J Y，Hu H Z，Liu X J，et a1．Research on recognition of motional vehicle basedon second—difference algorithm [C]．IEEE International Symposium on IndustrialElectronics， Seoul， Korea， 2009：292—296．[8]Hui K C，Siu W C．Extended analysis of motion—compensated frame difference for blockbased motion prediction error [J]．IEEE Transactions on Image Processing，2007，16(5)：1232—1245．[9]Cheung S S，Kamath C．Robust techniques for background subtraction in urban trafficvideo [C]． SPIE Visual Communications and Image Processing， California， USA，2004：520—528．[10] Mchugh J M， Konrad J， Saligrama V， et a1． Foreground—adaptive backgroundsubtraction[J]．IEEE Signal Processing Letters， 2009，16(5)：390一393．

[1 1] Jung C R． Eff i ci ent background subtrac t i on and shadow removal for monochromat i cvideo sequences[J]．IEEE Transactions on Multimedia，2009，11(3)：57l一577．[12]邓辉斌，熊邦书，欧巧凤．基于隔帧差分区域光流法的运动目标检测[J]．半导体光电，2009，30(2)：300一304．

[13]Duncan J H， Chou T C．On the detection of motion and the computation of opticalflow[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992，14(3)：346—352．一46—

大连理工大学硕士学位论文

[14]Comon P． Independent component analysis—A new concept? [J]．Signal Processing，1994。36(3)：287—3 14．[15]王明祥，莫玉龙．一种基于FastICA的运动目标检测新方法[J]．计算机工程，2004。30(3)：58—60．

[16]Nath A S，Ram S，Balaji V， et a1．Multiple 3一D objects detection and recognitionusing independent component analysis[C]．IEEE International Conference on SignalProcessing， Communication and Networking， Chennai， India， 2008：384—391．[17]张贤达，保铮．盲信号分离[J]．电子学报，200l，29(11)：1766—1771．[18]Yun X P， Bachmann E R． Design， implementation， and experimental results of aquaternion—based kalman filter for human body motion tracking [J]． IEEETransactions on Robotics，2006，22(6)：1216—1227．[19]Morelande M R， Challa S． Manoeuvring target tracking in clutter using particlefi lters [J]．IEEE Transactions on Aerospace and E1ectronic Systems， 2005，40(1)：252—270．[20]Jwo D J， Wang S H．AdaptiVe fuzzy strong tracking extended kalman filtering forGPS navigation[J]． IEEE Sensors Journal， 2007，7(5)：778—789．[21]胡静，刘志镜。基于动态贝叶斯网络的多人跟踪算法[J]．计算机工程，2008，34(16)：247—248． ，“

[22]Foresti G L． Object recognition and tracking for remote video surveillance[J]．IEEE Transactions on Circui ts and System for Video Technology， 1999，9(7)：1045—1062．

[23] Lai C W， Huang C M，Fu L C． Multi—target tracking using separated importancesampling particle filters with joint image 1ikelihood[C]． IEEE InternationalConference on Systems， Man， and Cybernetics， Taipei， Taiwan， 2006： 5179—5184．[24] Lou J G， Tan T N， Hu W M et a1． 3一D model一based vehicle tracking [J]． IEEETransactions on Image Processing， 2005，14(10)：1561—1569．[25]Pan J Y，Hu B，Zhang J Q． Robust and accurate object tracking under various typesof occlusions[J]． IEEE Transactions on Circuits and Systems of Video Techn0109y，2008，18(2)：223—236．

[26]Gian L F．0bject recognition and tracking for remote video survei 1 lance[J]． IEEETransactions on Circuits and Systems for Video Technology， 1999，9(7)：1045—1062．[27] Tang F， Tao H．0bject tracking with dynamic feature graph [C]． Joint IEEEInternational Workshop on Visual Surveillance and Performance Evaluation ofTracking and SurVeillance，Beijing，China，2005：25—32．[28]冯毅．基于独立分量分析的运动目标检测与跟踪[D]．大连：大连理工大学电子与信息工程学院，2008．

[29]章毓晋．图像处理和分析[M]．北京：清华大学出版社，1999。一47—

[30]Gonzalez R C，Woods R E．Digital Image Processing[M]．Beijing：Publishing Houseof E1ectronics Industry， 2002．[31]吴飞．基于区域增长的ICA算法在fMRI数据处理上的研究应用[D]．成都：四川大学，2006．

[32] Sta_uder J， 彗ech R， 0stermann J． Deteet ion of moving east shadows for objectse鲫entation[J]．IEEE Transaction on Multimedia， 1999，l(1)：65—76[33]王宁．图像的阴影检测与去除算法研究[D]．北京：北京交通大学计算机与信息技术学院，2008．[34] Kumar P， Sengupta K， Lee A． A comparati ve study of different color spaces forforeground and shadow detection for traffic monitoring system [C]．IEEEInternational Conference on Intell igent Transportation Systems， Singapore，2002：100一105．[35]Salvador E，Cavallaro A，Ebrahimi T。Cast shadow segmentation using invariant colorfeatures[J]． Computer Vision and image Understanding， 2004，95(2)：238—259．[36]Yang M T， Lo K H， Chiang C C， et a1． Moving cast shadow detection by exploitingmultiple cues[J]．Image Processing，．2008，2(2)：95—104．[37] HyVarinen A．Fast and robust fixed point algori thm for independent componentanalysis[J]．IEEE Transactions on Neural Networks， 1999，10(3)：626—634．[38]Bingham E， Hyvarinen A． A fast fixed—point algorithm for independent componentanalysis of complex valued signals[J]． International Journal of Neural Systems，2000，10(1)：卜8。[39]Hyvarinen A，Oja E．Independent component analysis：a tutorial[J]．Neural Networks，2000，13(45)：411—430．

[40]Huang D S， Mi J X． A new constrained independent component analysi s method[J]．IEEE Transactions on Neural Networks， 2007，18(5)：1532—1535．[41] Lu w， Rajapakse J C． Approach and appl ications of constrained ICA [J]． IEEETransactions on Neural Networks， 2005， 16(1)：203—211．

[42]Lu W，Rajapakse J C． ICA with reference[J]．Neurocomputing，2006，69：2244—2257．[43]Hesse C W， James C J． The fast ICA algorithm with spatial constraints[J]． IEEESignal Processing Letters， 2005，12(11)： 792—795．[44]Melo J， Naftel A， Bernardino A， Santos—Victor J．Detection and classification ofhighway 1anes using vehicle motion trajectories [J]． IEEE Transactions onIntelligent Transportation Systems， 2006，7(2)：188—200．[45] Chen Y W， 1wasaki Y． A robust MR image segmentation technique using spatialinformation and principle component analysis [C]． Proceedings of ThirdInternational Symposium on Neural Networks， Chengdu， China， 2006：517—522．[46]施吉林，张宏伟，金光日．计算机科学计算[M]．北京，高等教育出版社，2005．一48—

大连理工大学硕士学位论文

[47]刘小华．语音增强和语音分离方法研究[D]．大连：大连理工大学电子与信息工程学院，2008．

[48] Jezekiel B A， Wang Z Q． Pictorial recognition of objects employing affineinvariance in the frequency domain[J]．IEEE Transaction on Pattern Analysis andMachine Intelligence， 1998，20(6)：604—618．[49]A1一Shaykh O K，Doherty J F． Invariant image analysi s based on radon transform andSVD[J]．IEEE Transaction on Circuits and Systems—II：Analog and Digital SignalProcessing， 1996，43(2)：123—133．[50]李鹤喜，王国荣，石永华等．基于归一化图像奇异值分解的焊接目标自动识别[J]．焊接学报，2008，29(2)：35—39．

一49—

基于独立分量分析的目标检测与跟踪方法研究与改进攻读硕士学位期间发表学术论文情况

【l】王立新，马晓红．一种改进的ICA—R运动目标跟踪方法．大连理工大学网络学刊。2009年11月。(本硕士学位论文第五章)

【2]Xiaohong M钆Lixin Wang，Yi Feng，Hualou Liang．A NoVel MoVing Object Trac虹ngMethod Using ICA—R．AdVances in Neural Networks，Heidelberg：LNCS Editorial，2009(5552)：859—864．EI检索。(本硕士学位论文第五章)一50一

大连理工大学硕士学位论文致 谢

在论文结稿之际，我衷心的向我的导师马晓红教授致以最崇高的敬意和最衷心的感谢，在硕士研究生这两年半的学习生活中，马老师给予了我无私的帮助，她严谨治学的态度、一丝不苟的科研精神无时无刻不在鞭策着我。在马老师的指导下，我更加全面的提高了分析问题与解决问题的能力，让我有更充足的信心面对未来的生活。特别是在论文撰写期间，马老师严格把关，耐心指导，还经常抽出个人的休息时间为我修改论文，让我非常感动，真诚地向老师道一声： “老师，您辛苦了”。此外，我还要感谢我的师兄冯毅，他在论文方面给我提供了很多宝贵的指导意见；感谢和我一同学习的同学秦艳、高文婷、杨捷和刘蕾，他们在我论文遇到困难时给予了我很多帮助；同时还要感谢教研室的师弟师妹，是他们为教研室营造了如此良好的和谐气氛，给我留下了许多美好的回忆。最后，我要感谢我的妻子李慧，在攻读硕士这两年半期间，她对我付出了太多太多，她的默默付出与全力支持是我前进路上永远的动力。

基于独立分量分析的目标检测与跟踪方法研究与改进作者： 王立新学位授予单位： 大连理工大学

本文链接：http://d.g.wanfangdata.com.cn/Thesis_Y1601666.aspx