运动负荷检测

2024-06-30

运动负荷检测（共11篇）

运动负荷检测篇1

摘要：本文主要阐述了什么是数字图像处理、数字图像处理的基本要求、数字图像处理的应用及开发工具的特点、功能、开发周期等问题以及采用VC++作为开发工具, 以Windows作为图像处理实施操作的运行平台, 制作了数字图像运动检测系统;并且介绍了运动检测系统中用到的数字图像处理技术及详细的步骤

关键词：数字图像,运动检测,图像匹配

1、引言

“数字图像处理”[1]就是对一个物体的数字表示施加一系列的操作, 以得到所期望的结果。处理的过程中能改变图片的样子使其更称心或更具吸引力, 或者达到某种预定的目标。数字图像处理离不开计算机, 因此又称计算机图像处理。数字图像处理有很多优点[2], 主要有: (1) .精度高:不管是对4bit还是8bit和其他比特图像的处理, 对计算机来说几乎是一样的。 (2) .再现性好:不管是什么图像, 它们均用数组或集合表示。 (3) .通用性、灵活性高:不管是图像还是X线照片、红外热成像、超声波图像等不可见光成像, 尽管这些图像成像体系中的设备规模和精度各不相同, 但当把图像信号直接进行A/D变换, 或记录成照片再数字化, 对于计算机来说都能用二维数组表示, 不管什么样的图像都可以用同样的方法进行处理, 这就是计算机处理的通用性。

2、背景提取

背景提取是一个比较的过程, 实现的思路为:按图片获得的顺序分析几幅图片, 如果检测到的这几幅图片上面的内容没有太大变化, 则可以把整个图片作为背景。

2.1 图像数据读取

首先要从一个BMP文件中读取图像信息, 并把图像显示在视图区。BMP文件有两种显示方式[3], 一种将BMP文件读成DIB格式 (设备相关型的位图格式) , 当显示时, 一种是直接将D I B显示, 另一种是将DIB转化为DDB (设备无关型位图格式) , 再显示D D B。其中, D D B存在很严重的问题, DDB中没有保存位图的调色板, 这就造成了一个使用的前提——位图必须在同类设备中显示, 并且此设备在位平面或彩色上与原设备有同样的彩色安排, 否则色彩可能完全失真。但是, D I B就是B M P文件去掉BITMAPFILEHEADER (文件头) , 因此把BMP读入到DIB数据结构中再显示十分方便。只要读入BITMAPINFO结构和图像数据即可。并且DIB的显示方法可以调用Set DIBits To Device函数。直接将DIB位图的图像输出到设备, 用于显示DIB。因此在本文中, 直接将BMP显示为DIB位图形式。而且, 在本文中要读取的不止一幅图片, 所以要设置不同图片 (如背景, 前景) 的显示区域, 同时还要注意及时释放无用的文件句柄, 避免内存泄漏。图片数据读取有两种情况, 第一种情况是在进行背景提取的时候读取图片, 第二种情况是在进行运动物体判定的时候读取图片。得到每行像素所占用字节数的函数BytePerLine。得到像素点数据在整个数据区中偏移的函数PixelOffset。图片颜色数据读取的函数Read DIBFile。数据读入到内存后的显示界面如图1所示。

2.2图像的中值滤波

图像在拍摄、扫描或者传输过程中总会添加一些噪声, 这样就影响了图像的质量, 需要除去这些噪声提高图像的质量便于以后的图像处理, 这个过程也叫做图像的平滑。中值滤波是一种局部平均去噪声的平滑操作。所谓局部平滑法就是一种直接在空域上进行平滑处理的技术。认为图像是由许多恒定的小块组成, 相邻像素间存在很高的空间相关性, 而噪声则是相对独立的。因此, 可用像素邻域内的像素平均灰度值代替该像素原来的灰度值, 实现图像平滑。那中值滤波它就是把跟当前处理的像素点相关的像素点的数值进行排序, 然后把中间数值赋给当前处理点。它对脉冲干扰和椒盐的抑制效果好。同时图像的平滑可采用多种滤波方法, 比如低通滤波, 高斯滤波等。值得一提的是, 中指滤波实现的图像平滑不会破坏图像的边缘信息。这对要进行的边缘提取的操作是十分必要的。

中值滤波也是一种非线性的图像平滑方法, 它对一个滑动窗口内的诸像素灰度值排序, 用其中值代替窗口中心像素的原来灰度值。中心像素的灰度就是灰度最大的那个对于离散的脉冲信号, 当其连续出现的次数小于窗口尺寸的一半时, 将被抑制掉, 否则将不受影响。所以, 在进行中值滤波的时候要先使用尺寸较小的窗口在选用大的窗口。在本文中, 采用的是3*3的滤波模板。但是在其他相关应用中, 可以根据需要设定相应的滤波模板对图像进行平滑处理。

2.3 图像灰度化

图像灰度化的过程就是彩色图像转换为黑白图像的过程, 因为灰度图像比彩色图像更加容易进行运算, 所以经常要把彩色图像转换成灰度图像[4]。这个转换没有确定的标准, 一般来说, 都是根据原来的图片中的RGB三个分量以及它们的权重来求取的。本文中对三个分量是按照0.39、0.50、0.1的权重来分配的。

灰度化处理后的效果图如图2所示。

2.4 图像梯度的获取

图像的信息一般都集中在像素值变化比较剧烈的地方, 也就是说图像的边缘地区的像素呈现连续性的变化, 所以灰度最高的点 (即在原图像中梯度值最高的点) 必然在边界上, 可以把这一点作为边界跟踪过程的起始点。图像的梯度就是图像中像素之间变化的大小, 它是一个微分的过程, 在离散的图像处理中, 都是用像素值的“差”来代替像素值的“导”。如果一个像素落在图像中某一个物体的边界上, 那么它的邻域将成为一个灰度级变化的带。对这种变化最有用的两个特征是灰度的变化率和方向, 它们分别以梯度向量的幅度和方向来表示。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化, 通常也包括方向的确定。

梯度的求法也有很多种, 其中大多数是基于方向导数掩摸求卷积的方法。比较有名的算子有sobel算子、拉普拉斯算子等。一个无噪声的图像具有陡峭的边缘, 可用拉普拉斯算子将它们找出来。但由于噪声的存在, 在运用拉普拉斯算子之前需要先进行低通滤波。低通滤波处理的使用低通滤波器。信号或图像的能量大部分集中在幅度谱的低频和中频段是常见的;而在较高的频段、感兴趣的信号常被噪声所淹没。因此, 低通滤波器就是起到一个能降低高频或分幅度的滤波器就能减弱噪声看的见的影响。而sobel算子是一个3*3算子, 对灰度渐变和噪声较多的图像处理得较好, 更可以扩展成八个方向上, 在实际操作上比其他的算子要简便, 步骤要省一些, 节省了操作空间。所以本文中就是用sobel算子来求梯度的。可以明显的看到, 求梯度之后, 图像中的平滑的区域变暗了, 而图像的边缘地区变亮了, 也就是说, 物体的边缘更加突出了。梯度化后的图像如图3所示。

3、图像匹配

3.1 图像特征区域的确定

要想进行图像的匹配, 必须要先确定一块用来匹配的区域, 因为不可能把两幅图像的所有像素进行比较, 那样计算量太大, 系统开销不允许。如何抽取特征区域也是相当重要的。如果特征找的不对, 图像匹配就不可能准确。从一个图片中提取什么样的特征, 将因不同的模式而异。特定区域的确定要先人为的设定判断条件。在这种情况下, 不能用像素点与点之间的距离, 也不是点与一组点间的距离, 而是一个统计距离。在本文中, 把像素点数值总数最大的一块区域作为特征区域 (在进行这个操作之前必须已经进行了求梯度的操作) 。因为这样的特征区域中的像素点数值变化明显, 更加容易进行匹配, 有利于减少误差。

3.2 得到特征区域的颜色信息

定位出特征区域的位置时, 处理的是求了梯度之后的图像, 而后面的运动检测要求使用原来图像的彩色区域信息, 所以光有了区域位置还不行, 必须得到该区域具体像素点的颜色信息。在系统实现的时候是把特征区域的颜色信息存放到一个数组里面, 这样后面要用它的时候只要查询数组就够了, 相对于查询整个源图像来说, 可以大大地节省计算时间。特征区域的颜色信息如图4所示。

3.3两幅图像的匹配

图像的匹配, 简单的说就是进行两幅图像的相似程度的判断。一般来说, 要比较的两幅图像的大小 (长宽) 是相等的, 需要判定的只是图像内容的相似情况。系统实现图像匹配的时候, 已经进行了图像特征区域的提取, 因此在进行匹配的时候, 图像对齐已经不成问题了。

具体实现的方法为:先把两个图像的特征区域的中心点对齐, 然后根据两个中心点在各自图像中的偏差, 来确定要比较的像素。接着处理那些要进行比较的像素, 得到它们的差值的绝对值, 最后累加这些绝对值, 观察它的大小, 如果绝对值非常大, 说明两幅图像的差异很大, 就认为不能匹配, 否则就认为匹配成功。

在求得一幅图片的特征区域之后, 就要把这幅图片和第二幅图片进行比较, 分析两幅图片的相似程度如何, 如果很相似, 说明图片上面没有运动物体, 可以把其中的一幅图片设定为背景 (当然也可以根据需要多比较几幅图片) 。

注意:把第一幅图片和第二幅图片进行比较的时候, 第二幅图片同样要进行中值滤波处理。如果第二幅图片上面没有第一幅图片上面的特征区域, 那就说明两幅图片是完全不同的, 系统直接返回去检查下一幅图片。如果第二幅图片上面有第一幅图片上面的特征区域, 那么系统将根据两个特征区域在各自图片中的相对位置, 进行图片相似度的比较。成功则确定背景, 不成功则查看下一幅图片, 继续进行背景确定的判定。

下面先看第一个过程:特征区域的匹配。在执行这一操作之前, 系统已经得到了第一幅图片的特征区域的信息。现在要做的事情就是查看第二幅图片里面有没有相同的 (或者说是非常相近) 的一块区域。具体算法如下:把已经得到的存放彩色特征区域信息的数组当作一个模板在第二幅图片上移动, 计算两个正方形内像素点的差值, 找到第二幅图片中差值最小的正方形区域。考察在这个区域里面两个正方形的像素颜色差值, 如果大于设定的上限, 则说明第二幅图片里面没有第一幅图片的特征区域, 如果小于设定的上限, 则把这块区域当作第二幅图片的特征区域。匹配得到的特征区域如图5所示。

完成了特征区域的匹配之后要进行的是相似度判定。相似度判定就是考察两幅图片像素颜色差别的大小。其中包括图片对齐的过程, 对齐是按照特征区域对齐的方法来进行的, 即把两个特征区域的中心点重叠, 然后考察两幅图片中对应像素的差值。最后根据得到的差值, 综合确定两幅图片是否相似。

3.4 特征区域的第二次判定

在进行特征区域确定的时候, 如果第一次判定失败, 则需要进行第二次判定, 因为有可能运动物体刚刚遮盖了被分析图片上的特征区域, 如果仅仅进行简单的一次判断, 就会出现错误。进行第二次判定的算法为:在背景图片中找到第二个特征区域, 而且这个特征区域必须和第一个特征区域有一定的空间间隔, 然后把找到的特征区域当作滤波模板, 在前景图片上找寻相似的区域。寻找过程和第一次判定相似。

4、物体的区域定位

要判断物体的运动轨迹, 首先就要从图片中提取出物体, 这就是物体的区域定位。物体的区域定位在系统中是很关键的一步。在进行物体的区域定位之前, 已经先对前景图片中进行特征区域的确定。具体的算法如下:下把前景图片中的特征区域和背景图片中的特征区域对齐, 然后根据两个特征区域中心点在各自图片中的位置, 计算得到要进行处理的像素点。接着扫描所有要处理的像素点, 把两幅图片像素值相减的绝对值存放到前景中, 同时把前景图片中没有被处理的像素点都置成黑色。经过这样的处理, 前景图片中所有背景成分都被滤掉 (显示为黑色) , 而运动物体则显示出来了。可以根据需要, 适当地放大物体像素点的数值, 这样可以看得更加明显。

因为要绘制的物体的运动轨迹是一条曲线, 所以每张图片上面的物体最终都只能用一个点来表示, 这个点就是物体的中心点。在图形学上称为图形的几何中心。确定物体的几何中心比较容易, 只需扫描整张图片, 寻找颜色是白色点, 记录它们的横坐标和纵坐标的位置, 并做累加, 同时累加白色点个数。最后把累加得到的横坐标的值除以白色点个数后, 得到的值就是物体中心点的横坐标数值, 纵坐标也是如此。一般来说, 这样得到物体的几何中心还是比较准确的, 除非物体在运动过程当中发生了非常大地形变。在取得物体中心点的过程中, 已经把一系列的中心点都保存到了一个专门记录物体运行轨迹的数组里, 当处理完所有的图片后, 数组里面就记录了完整的物体的运行轨迹。只要扫描整个数组, 按照里面的数值把曲线绘制出来即可。运动物体的运动轨迹如图6所示。

综合上述可知, 运用计算机这种工具, 可以实现数字图像处理技术在图像识别、图像检索以及日常生活等各个领域的广泛应用。本设计通过对一系列图片的处理, 提取出图像中的背景, 识别出物体运动轨迹, 进而对运动物体跟踪算法, 即背景提取、物体定位、中心点确定、轨迹描述等, 这些技术都可以使用在各种数字视频监控系统中, 例如可以作为一个监控系统的软件核心, 应用到银行、宾馆、超市以及珠宝行中, 其监控范围可以小到办公室乃至走廊中。

参考文献

[1]Tinku Acharya, Ajoy K.Ray.数字图像处理[M].北京:清华大学出版社.2007

[2]Castleman, K.R著;朱志刚等译.数字图像处理[M].北京.电子工业出版社.2002, 2.

[3]何斌.Visual C++数字图像处理[M].人民邮电出版社.2002.236.

[4]G.A.Baxes, Digital Image Processing:Principles and Applications, Wiley, New York, 1994, 9.

运动负荷检测篇2

1.描述物体的运动快慢我们既可以取相同时，比较的长短;也可以取相同时，比较的长短。在田径运动会中，看台上的观众采用的是第种方法来判断运动员的快慢的，而终点裁判采用的是第种方法来判断运动员的快慢的。在运动路程和时间都不同时，比较物体运动快慢的方法是。

2.完成下列单位的换算：

54km/h= m/s 25 m/s= km/h

300cm/min= m/s 300 m/s = cm/min

3.(09成都)在学校运动会上，小明参加的项目是百米赛跑。起跑后，小明越跑越快，最终以12.5 s的优异成绩获得冠军。关于上述小明的百米赛跑过程，下列说法正确的是()

A.小明在前50 m-定用了6.25 s B.小明每秒钟通过的路程都是8m

C.小明的平均速度是8 m/s D.小明的平均速度是8 km/h

4.(09金华)2003年元月26日，首架飞临祖国大陆的台湾民航飞机从台北飞经香港在上海浦东机场着陆后，载运200多名台商及眷属返回台北。现经大陆和台湾双方的共同努力实现了直航。已知香港至台北的距离为760千米，香港至上海的距离为1140千米，上海至台北的距离为550千米。若飞机从上海以500千米/时的速度直飞台北与以相同飞行速度从上海经香港到台北相比，可节约时间为(飞机两地问飞行均为匀速运动)。

5.(09山东临沂)运动会上，100m决赛，中间过程张明落后于王亮，冲刺阶段张明加速追赶，结果他们同时到达终点。关于全过程中的平均速度，下列说法中正确的是()

A.张明的平均速度比王亮的平均速度大 B.张明的平均速度比王亮的平均速度小

C.二者的平均速度相等 D.不是匀速直线运动，无法比较

6.(09山东潍坊)(多选题)甲乙两同学沿平直路面步行，他们运动的路程随时间变化的规律如图所示，下面说法中正确的是()

A.甲同学比乙同学晚出发4s

B.4s～8s内，甲乙同学都匀速直线运动

C.0s～8s内，甲乙两同学通过的路程相等

D.8s末甲乙两同学速度相等

7.水中游得最快的旗鱼速度可达108km/h;陆地上跑得最快的猎豹，每秒可跑40m;空中飞行最快的褐海燕，每分钟能飞行5km;则速度大小()

A.猎豹最大 B.旗鱼最大 C.褐海燕最大 D.三者一样大

8.汽车在平直的高速公路上匀速行驶，小明在车中测试汽车的速度，用手表测出汽车从路程牌62km到63km的时间是33s,此时汽车的速度最接近于()

A.33 km/h B.120 km/h C.33 m/s D.30 m/s

9.关于速度的概念，下列说法中正确的是()

A.物体通过的路程越长，速度越大

B.物体运动的时间越短，速度越大

C.物体在相等的时间内通过的路程越长，速度越大

D.物体在相等的路程内，所用的时间越长，速度越大

10.有甲、乙两辆汽车，甲车运动了10km ,乙车运动了15km ,，则运动快的是()

A.甲车 B.乙车 C.一样快 D.条件不足，无法确定

11.猎豹是动物世界的短跑冠军，速度可达28m/s，它5min能跑多远?

12.(09南昌)2009年1月1日9时整，江西首条湖底隧道开通.这条隧道西起阳明东路京九线隧道，东至国威路和上海北路交叉口，全长1965m，双向6车道，其中湖底暗埋段550m.在湖底隧道口有一交通标志牌如图18所示,交通标志牌上数字的含义是什么?在遵守交通规则的前提下, 一辆小车通过湖底暗埋段至少需要多少时间?

13.一名同学骑自行车从家路过书店到学校上学，家到书店的路程为1800m，书店到学校的路程为3600m。当他从家出发骑到书店用时5min，在书店等同学用了1min，然后二人一起再经过了12min到达学校。求：

(1)骑车从家到达书店这段路程中的平均速度是多少?

(2)这位同学从家出发到学校的全过程中的平均速度是多大?

14.如图所示，轿车从某地往南宁方向匀速行驶.当到达A地时，车内的钟表显示为10时15分;到达B地时，钟表显示为10时45分.求：

(1)轿车从A地到B地用多少小时?

(2)轿车从A地到B地的速度;

(3)若轿车仍以该速度继续匀速行驶，从B地到达南宁需要多长时间.15.上海到南京的T722次特快列车运行时刻表如右。根据表回答问题：

1、列车由上海至南京的平均速度;

上海苏州常州南京

到站时间 09:39 10:29 11:47

发车时间 09:00 09:43 10:3

3里程/km 0 84 165 3032、列车在哪个路段运行最快?在哪个路段运行最慢?

16.小明为了探究物体运动速度与运动时间、路程之间的关系，在课外实践活动时，选用了两辆不同规格的四轮驱动模型车A和B，在实验室做了探究实验.实验中记录数据如下表所示：

运动路程 S/m 汽车A 0.1 0.2 0.3 0.4

汽车B 0.2 0.4 0.8 1.2

运动时间t/s 汽车A 1 2 3 4

汽车B 0.5 1 2 3

(1)试根据上表中的数据在右图坐标系内分别画出两车的路程与时间关系图像，根据数据分析，比较出汽车A和汽车B平均速度大小。

(2)在相同时间内，汽车A和汽车B谁运动的路程要长?

17.表格中所列数据记录了当今世界某优秀短跑运动员创造世界记录时跑步过程中通过不同距离所用的时间。

距离/m 0 10.0 20.0 30.0 40.0 50.0 60.0 70.0 80.0 90.0 100.时间/s 0 1.88 2.96 3.88 4.77 5.61 6.45 7.29 8.13 9.00 9.86

速度/ms-1

请你计算每个10米后思考：

(1)在这100m运动过程中做的_________(是/不是)匀速直线运动，你的判断依据是________________________。

复杂背景下的运动目标检测算法篇3

关键词：智能视频监控；运动目标检测；帧间差分法；背景减除法；

文章编号：1674-3520（2015）-06-00-01

一、引言

智能视频监控系统在安全生产、人员监控方面发挥着日益重要的作用，以提取运动前景目标为目的的运动目标检测技术，是智能视频监控系统的重要研究内容之一，是运动目标跟踪、分类和识别等后续处理的前提，也是尚未根本解决的难点问题。本文对常见的运动目标检测算法进行分析研究，综合其优点设计一种适用于复杂背景的运动目标检测算法。

二、运动目标检测算法

运动目标检测通过去除背景成分，以便从视频图像中获取准确的运动目标，在此过程中要去除噪声（背景噪声和前景噪声）的影响，目前光流法、帧间差分法以及背景差分法成为主流的运动目标检测算法。

（一）光流法。光流法[1]通过光流场和运动场来描述。利用光流法进行运动目标检测主要是根据光流场的变化情况，通过光流矢量的变化来判断是否有运动目标。光流法计算流程如图1所示。

图1 光流法流程图

由上图可以看出，光流法计算流程为：首先，选取视频图像的相邻两帧，对其进行运动估计；然后，根据运动估计的结果进行场景分割，对分割后的结果进行滤波处理，并去除较小的区域；最后，比较当前区域与原区域是否有区别，若有区别则存在运动目标，并保存当前的区域；否则无运动物体。

（二）帧间差分法。帧间差分法[2]通过比较相邻两帧或多帧之间的差异来进行运动目标检测。其流程图如图2所示。

图2 帧间差分法流程图

帧间差分法算法简单，对光线以及背景扰动不敏感，由于帧间差分法中用来做差的两帧间时间间隔小，因此在背景发生变化时不会对结果造成太大影响；另外帧间差分法最大的特点在于运算速度快，适用于实时性要求高的环境。但该算法对噪声敏感，容易将背景像素作为运动目标检测出来，导致检测区域相较于运动区域要大，故得到的检测结果并不十分准确。为提高检测性能，在运动目标检测时一般采用多帧差法或其它改进算法。帧差法运算速度快，但是准确性差，一般在对准确度要求低的场景中应用较多。

（三）背景减除法。背景减除法[3][4]是通过去除图像中的背景来提取运动目标。该方法需要假设背景在某段时间内保持不变，以保证目标检测的准确性。背景减除法算法流程如图3所示。

图3 背景减除法流程图

三、改进目标检测算法及其结果

复杂环境下容易存在光线突变、突发运动等问题，上述算法不能满足其要求。本文综合上述几种算法提出了基于帧间差分法和背景减除法的改进算法。该算法首先利用帧差法检测视频图像中是否存在运动目标，并计算运动目标的面积，若面积大于设定阈值则认为有运动目标存在，对背景模型进行更新，同时提取运动目标；否则，用当前帧图像对背景模型初始化，同时对背景进行更新。利用帧差法和背景减除法相结合的算法可消除动态背景，从而只保留运动目标。

四、结论

对常见的运动目标检测算法进行了分析，并提出一种适用于复杂背景的改进算法，该算法综合了帧间差分法与背景差分法。通过多个场景下的试验结果，证明了该算法在运动目标检测方面的优势。

参考文献：

[1]Neri A.， Colonnese S.， Russo G et al. Automatic moving object and background separation[J]. Signal Processing， 1998， 66（2）： 219-232.

[2]Haritaoglu Ismail， Harwood David， Davis Larry S. W4： Real-time surveillance of people and their activities [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 809-830.

[3]袁國武. 智能视频监控中的运动目标检测和跟踪算法研究[D]. 云南：云南大学， 2012.

[4]龙章勇. 浅析轨道交通智能视频监控的关键技术[J]. 硅谷， 2011（6）： 10-29.

运动负荷检测篇4

目前主流的检测方法有帧差法、背景差分法和光流法。帧差法是最简单且计算量最小的检测运动目标算法, 其对相邻两帧图像每一像素对应进行差分, 结果大于一定阈值的像素被判定为目标像素。但当运动目标速度较快时, 容易出现空洞现象且其对噪声敏感。背景差分法的思想是对图像帧建立背景模型, 然后将其和新输入图像进行相似度比较, 从而检测出前景目标[1]。但其缺点是对动态场景, 如摇曳的树叶、变化的光影较为敏感。光流法是采用计算每个像素的速度矢量和光流约束方程来检测出目标像素, 其计算复杂, 无法满足实时性需求。本文提出一种基于建立称为颜色自相关矩阵模型的背景差分法与边缘检测相结合的运动目标检测算法, 由此可得到较好地检测效果。

建立一个稳健的背景模型是背景差分法的关键部分, 其提供了整个场景的一种特征描述。目前研究人员提出了多种方法来构建背景模型, 常见的参数法是对于图像序列中的每个像素点用一个单高斯模型来表示, 模型参数则可利用一个自适应滤波器来更新[2]。该方法对于静止的背景有良好表现, 但在自然环境中, 监测场景大部分仍是动态的, 故存在不断变化的运动。为更好地表述这种动态变化, 混合多高斯模型被提出用于运动目标的监测[3]。当背景中的变化过快时, 基于高斯模型的模型表述则不准确, 因此有人用一种非参数的方法来建立模型[4]。该方法利用一个非参数核密度估计技术对场景进行统计表示, 其主要缺点是忽视了时间序列的问题, 且需要较好地训练数据[5]。

对于动态纹理背景下的前景检测及其现实应用, 基于像素的方法需长时间观测来建立模型。为克服这一限制研究人员将目标转向基于区域的方法研究, 通常是将图像分解成重叠或不重叠的多个块来建立特征模型。Mason[6]提出了一种基于边缘直方图的特征矢量来描述一个块并检测目标。Heikkila[2]提出了基于局部二值图案纹理的 (LBP) 背景差分方法, 图像中的每个块均被构建成一组加权的自适应LBP直方图。颜色自相关图作为图像一种包含颜色统计信息和局部空间信息的特征描述符, 适用于对动态背景建模。因此, 本文提出了基于颜色自相关图结合边缘检测的运动目标检测方法。

1 基本理论

1.1 颜色自相关图

图像特征是指图像的原始特征或属性, 图像特征的提取结果就是给出某一图像与其他图像相区别的特征, 提取的特征能否有效描述目标区域和准确提取运动目标是关键。颜色特征是图像最直观、明显的特征, 可用直方图描述。直方图是图像中各像素值出现次数的统计结果, 但不能反映像素的位置信息。纹理特征包含了物体表面结构排列的信息, 且具有区域特性, 该特征将随机纹理或几何纹理的空间结构差异转化为特征灰度值的差异并用数学模型来描述分析。对纹理最简单的统计描述方法可建立区域灰度共生矩阵。设S为目标区域R中具有特定空间联系像素对的结合, 则共生矩阵P中的元素可定义为[7]

式 (1) 中, #表示数量, 等号右边分子是具有某种空间关系、灰度值分别为g1和g2的像素对个数, 分母为像素对总个数。通常, 灰度共生矩阵中的像素对在角度上的空间关系有0°、45°、90°和135°, 文中对每个像素规定距离的所有方向上取像素点亮度信息, 这便构成了颜色相关矩阵。但此时考虑任何颜色之间的相关性, 图像颜色相关矩阵的数据量和计算量均会较大, 因此考虑相同颜色像素对之间的空间关系, 即g1=g2, 此时K为在目标区域R中具有特定空间联系像素对的结合, 简化为颜色自相关矩阵中的元素为

颜色自相关矩阵已应用至图像检索当中[8]。本文考虑可应用其对图像运动目标进行粗检测, 再进行后续算法检测以便提取精确目标信息。

颜色相关矩阵能有效减少颜色直方图缺乏空间信息产生的误差, 但同时RGB图像256×256×256的像素值大小在计算时会产生大量数据, 即使仅计算与像素自身相同灰度大小的方式也有较大计算量。因此, 在进行颜色特征的提取前图像必须进行量化。HSV颜色空间其中H表示色度, S表示饱和度, V亮度。为更接近于人类感知颜色的方式, 所以先将RGB图像转化为HSV图像, 再非均匀量化为256种颜色[9]。

1.2 边缘检测

边缘信息是一种图像高频信息, 是灰度不连续的结果, 该种不连续可由求一阶或二阶导数的方法检测。经过微分求导后, 在图像中的边缘部分会得到较高地计算值[10], 随后通过合适的阈值选择提取到边缘部分。图像中运动目标处具有丰富边缘信息, 对边缘特征的提取可满足对目标检测定位的要求。

目前较常用的边缘检测算子包括梯度算子、Roberts算子、Prewitt算子、Sobel算子和Canny算子等。梯度算子采用简单的一阶导数算子, Roberts算子和Prewitt算子是简单的梯度算子, Sobel算子运动算法复杂度小, 且具有一定鲁棒性。Canny算子是最常用的边缘检测算子[11], 先使用高斯模板进行卷积消除噪声, 再用一阶偏导计算梯度进行边缘滤波, 然后借助滞后法则选取高低阈值确定边缘点。所有灰度大于高阈值的像素肯定是边缘像素, 而灰度大于低阈值的像素则要看其是否与大于高阈值的像素相连[12], 由此便可有效减弱噪声影响。

2 运动目标检测算法的思路与流程

图1为本文提出的颜色自相关矩阵与边缘检测的算法基本流程。针对颜色自相关矩阵是对一帧图像, 即一个矩阵的特征描述, 相对直方图特征增加了局部信息, 因此分别对背景帧和当前检测帧进行分块操作, 然后对各帧的每一小块进行特征提取, 即计算对应块的颜色自相关矩阵并将空间信息上位置一致的对应块进行相似度比较 (这里采用直方图距离, 还可采用余弦距离等[13]) , 可得到粗略的二值化目标检测结果A。

同时针对边缘检测是对图像中目标细节的表述, 对这两帧对应利用Canny边缘算子得到边缘图像, 对两幅边缘图像进行差分得到粗糙的运动目标边缘结果, 并对结果进行形态学操作即小目标移除操作得到新的边缘图像B[11], 即提高了对小噪声的抵抗性。将最后的边缘检测结果A与之前粗糙检测结果B进行二值与操作, 若图像空间像素在两种结果中的值皆为1, 则最后输出为1, 否则此像素的值被判定为0。最终将结果进行形态学闭操作对目标边缘进行空洞补充[14], 即先膨胀后腐蚀即可得到大致的运动目标结果。

将背景帧与当前帧对应空间位置的特征矢量进行比较, 判断当前帧的各分块被判定为背景fs, t=1, 或前景fs, t=0, 其中 (s, t) 代表空间块的坐标, 判断公式为

其中, Fs, t和BFs, t分别表示当前帧和背景帧空间位置为 (s, t) 块的矢量特征, D (·, ·) 为相似度测量公式

式中i和j表示任意一块的颜色自相关矩阵的元素位置信息。

3 仿真实验及分析

实验在Intel Pentium 4处理器;3.00 GHz主频CPU, 1.50 GB内存下的XP系统平台上使用Matlab进行仿真测试。量化尺度为256个颜色区间, 图像分块采用块的小区域分解, <10像素的小目标噪声被清除。

为验证算法的有效性, 提取室内室外两组视频图像序列进行算法验证检测。图2是两种场景的背景模型, 即没有前景运动目标存在时的场景图像。图3是存在运动目标时的某帧场景图像, 图4为利用颜色自相关矩阵对图像进行粗糙检测后的输出结果, 从图中可看出, 其能大致检测目标的空间信息, 但无法达到精确检测标准。图5是利用Canny算子对相同图像帧进行边缘检测并简单除去小噪声后的输出结果;图6是将两种检测结果进行逻辑与操作后的输出结果, 可看到运动目标的细节边缘信息;图7是将运动目标还原现实的最终检测结果。

为更好地检验算法性能, 将文中仿真结果与其他经典的目标检测算法进行比较, 如传统帧差法和混合高斯算法 (Mo G) 。图8为原始输入图像;图9为运动目标;图10和图11是用帧差法和混合高斯 (Mo G) 对图像进行处理后得到的结果;图12是用本文算法进行检测得到的最终结果。

为定量评价算法效果, 利用F测量 (F-measure) [15]。其值越高表明检测结果的准确度越高, 则综合表现效果也就越好。即

其中, recall表示前景目标判断的准确度, precision表示被正确检测到的前景目标像素与被检测到的所有前景像素点的比值, 结果如表1所示。从表中数据可看出, 文中提出的算法 (Proposed) 相较于帧差法 (FD) 和混合高斯法 (Mo G) 具有更高的F测量值, 即对运动目标的检测具有更高的准确度。

通过仿真结果的对比分析和F-measure的测量结果可看出, 传统帧差法由于局部亮度的不同和局部背景与目标颜色相似度较高, 检测结果中出现了不少的孤立噪声点干扰, 且出现了空洞现象。混合高斯模型受光照变化和微小晃动如树叶摇曳、水波流动的变化过大, 得到的输出结果有较多噪声点。相比之下, 本文算法首先对运动目标在图像中的空间位置和大致轮廓进行提取, 且提取所用的颜色自相关阵克服了一般直方图特征的局限性。而利用Canny算子对前景的细节进行提取弥补了特征检测的粗糙劣势, 两者相结合最终产生了良好的检测效果。

4 结束语

本文提出了一种结合背景差分与边缘检测的算法。通过建立颜色自相关矩阵特征模型提取图像运动目标的粗糙轮廓, 同时利用Canny算子对图像进行边缘检测从而获取图像的边缘轮廓信息, 然后将两种输出结果进行逻辑与操作, 并进行形态学操作得到最终的运动目标检测结果。实验结果表明, 此算法能适应较复杂场景下的目标检测, 尤其对动态噪声具有一定鲁棒性。但该算法仍存在诸多不足, 例如对目标轮廓的提取不够完整、准确, 且有时检测错误率较高, 因此仍需进一步提高。

摘要：提出了一种基于颜色特征提取和图像边缘检测融合的运动目标检测算法。利用颜色自相关矩阵对图像建立特征模型, 进行相似度的比较得到较粗糙的目标检测结果。然后通过Canny算子提取图像的边缘信息并利用二值差化求得目标大致边缘轮廓。将两者再进行逻辑与操作, 即判定在粗糙检测结果中运动目标轮廓内的元素目标边缘信息为运动目标边缘, 并最终进行形态学操作得到运动目标。实验结果表明, 提出的算法对复杂背景下运动目标有较为理想的检测效果。

运动负荷检测篇5

本文首先综述了实现运动检测的几种传统常用算法.最后对这种技术在高速公路上的`运用作了一个简略的介绍.

作者：侯丹红钟雄作者单位：侯丹红(广州医学院从化学院计算机教研室,510900)

钟雄(广东机电职业技术学院工商外语系,510515)

运动负荷检测篇6

【关键词】常规肺功能检测；肺运动功能检测；胸外科

现阶段，支气管肺癌以及食管癌的老年人数不断上涨，造成开胸手术的人群主要为老年患者。通常来说，开胸手术后患者的心肺功能后遗症较多，由此，术前对患者的心肺功能开展正确的评估作用很大，不仅可以降低术后心肺并发症出现的几率，同时还能够增加手术的安全，给患者的生命安全提供保障[1]。常规肺功能检查以及心肺运动功能检测是胸外科中比较重要的两个检查，对患者术前的心肺功能评估提供的帮助很大。

1.关于常规肺功能检查的研究

常规肺功能检查涉及范围比较广，其项目主要有肺活量、残气量、肺总量、用力肺活量以及第一秒用力呼气量等。其中肺容量测定以及肺通气功能是是开胸手术前不可缺少的重要检查项目，甚至还直接关系到术后心肺并发症是否出现的评估。另外，患者肺换气功能损害情况主要由肺换气功能测定来反映。但是，常规肺功能检查由于参杂不少主观因素，因此解读存在一定的差误，并且患者的依从性也会对检查结果造成影响[2]。所以，医护人员需要按照患者的检查结果、年龄以及手术方式等多方面的具体情况进行综合评价。若患者的常规肺功能检查属于边缘，那么医护人员挨需要对其进行做运动心肺功能检查后再开展评估。

2.关于心肺运动功能检测的研究

心肺运动试验指标主要有终止负荷运动时的功率、呼吸频率、无氧阈、潮气量、最大摄氧量、通气量代谢当量、氧脉搏以及公斤摄氧量、这几个部分，而临床最早的心肺功能运动试验主要为定时行走距离试验以及登楼试验这两种。开胸手术承担的风险使用运动试验来预测具有很大的优势，不仅方便难度小，并且设备购置便利，患者的依从性很强，基层医院也可以普遍使用。另外，心肺运动试验是目前开胸手术前比较重要的一个检测内容，能够直接影响到术前的评估结果。实验时，患者的氧输送系统以及心肺系统两个系统的负荷会受到影响，呈现提高的趋势，由此，医生适当地用模拟手术的方法来做提高两个系统的负荷，能够对患者的手术耐受力做出正常的判断。因此可以证明运动心肺功能测试可能够对患者的心肺功能做出客观、正确以及合理的评价，其功能远远大于一般肺功能和影像学，属于胸外科中比较重要的一项检查手段。

3.关于胸外科患者术前心肺功能评估流程的研究

开胸手术患者的心肺功能只用一种手段来评估准确性不是很高，根据相关研究指出，开胸手术患者心肺功能需要进行综合评估，总体流程主要如下：（1）按照患者的实际情况，组织心肺功能评估专家等对患者手术耐受性进行综合评估。（2）将间质性肺疾病和用力呼吸困难患者排除在外后，如果患者的第一秒用力呼气量在2L以上又或者第一秒用力呼气量高于预计值80%，不需要再开展深入的评估便可以采取肺切除术进行治疗。（3）第一秒用力呼气量在1.5L肺癌患者，可以对其采取肺叶切除手术进行治疗。若其证实用力呼吸困难或者患上肺间质性疾病，需要做肺一氧化碳弥散量测定后，再决定手术治疗方式。（4）患者初步常规肺功检测第一秒用力呼气量或者肺一氧化碳弥散量的在预计值80%以下时，不可以决定患者能够采取开胸手术进行治疗，还需要实行患者术后肺功能预测才可以决定。（5）若患者预测术后第一秒用力呼气量和者肺一氧化碳弥散量均大于预计值40%，对其应用开胸手术进行治疗，术后并发症以及承担的风险均比较低。当第一秒用力呼气量和者肺一氧化碳弥散量分别在预计值40%以下时，或者是其中某项小于预计值40%，说明患者患者术后并发症出现的几率很大，应该再开展运动试验检测。（6）患者的最大摄氧量低于15 m.kg-1.min-1以及预测术后第一秒用力呼气量和者肺一氧化碳弥散量都在预计值40%以下时，说明患者在围手术期存在很大死亡的可能性以及术后心肺并发症出现率很高，此时对患者采取手术方法进行治疗效果不理想。（7）如果患者的肺功能存在缺陷，并且肺气肿比较特殊，同时术中需要切除大量肿块时，应该对患者使用肺减容术以及肺切除术进行治疗。仔细认真对患者的术前肺功能情况进行客观的评估，可以掌握一定患者术后高并发症的出现情况[3]。同时将评估作为根据，有利于患者手术方式的选择。

综上所述，对胸外科行开胸手术患者进行常规肺功能与心肺运动功能检测非常重要，一方面可以对开胸手术风险做出正确的评估，另一方面还能够降低患者术后并发症产生的几率，提高患者的存活率，所以，各大医院的胸外科应该重视患者的常规肺功能与心肺运动功能检测结果。

【参考文献】

[1]谢颖，高炜，张媛.心肺运动试验指标对慢性心力衰竭患者预后的评估[J].医学综述，2011，10（08）：112-113.

[2]郭志勇，滕志涛，孙杏云等.对心肺运动试验中心肺运动方案进行标准化的方法分析[J].山东医药，2011，23（23）：225-226.

“牛顿运动定律”检测题篇7

1.如图1所示, 在一辆足够长的小车上, 有质量为m1、m2的两个滑块 (m1>m2) 原来随车一起运动, 两滑块与车接触面的动摩擦因数相同, 当车突然停止后, 如不考虑其他阻力影响, 则两个滑块 ()

(A) 一定相碰

(B) 一定不相碰

(D) 若车起先向左运动, 则可能相碰

2.某同学找了一个用过的“易拉罐”在靠近底部的侧面打了一个洞, 用手指按住洞, 向罐中装满水, 然后将易拉罐竖直向上抛出, 空气阻力不计, 则下列说法正确的是 ()

(A) 易拉罐上升的过程中, 洞中射出的水的速度越来越快

(B) 易拉罐下降的过程中, 洞中射出的水的速度越来越快

(D) 易拉罐上升、下降的过程中, 水不会从洞中射出

3.马水平方向拉车, 车匀速前进时, 下列说法中正确的有 ()

(A) 马拉车的力与车拉马的力是一对平衡力

(B) 马拉车的力与车拉马的力是一对不同性质的力

(D) 马拉车的力与地面对车的阻力是一对作用力与反作用力

4.根据牛顿运动定律, 以下选项中正确的是 ()

(A) 人只有在静止的车厢内, 竖直向上高高跳起后, 才会落在车厢内的原来位置

(B) 人在沿直线匀速前进的车厢内, 竖直向上高高跳起后, 将落在起跳点的后方

(D) 人在沿直线减速前进的车厢内, 竖直向上高高跳起后, 将落在起跳点的后方

5.图2为某次实验中拍摄到的小滑块在粗糙水平面上滑动时的闪光照片.已知闪光频率为每秒10次.当地重力加速度值为9.8 m/s2, 根据照片的比例得到滑块的位移数据为AB=3.96cm, BC=2.98 cm, CD=2.00 cm, DE=1.02 cm.由此可知小滑块与水平面之间的动摩擦因数约为 ()

(A) 0.01 (B) 0.05

6.一条不可伸长的轻绳跨过质量可忽略不计的定滑轮, 绳的一端系一质量m=15 kg的重物, 重物静止于地面上, 有一质量为10 kg的猴子, 从绳子的另一端沿绳向上爬, 如图3所示, 不计滑轮摩擦, 在重物不离开地面的条件下, 猴子向上爬的最大加速度为 (g取10 m/s2) ()

(A) 25 m/s2 (B) 10 m/s2

7.如图4所示, 不计绳的质量以及绳与滑轮的摩擦, 物体A的质量为M, 水平面光滑, 当在绳的B端挂一质量为m的物体时, 物体A的加速度为a1, 当在绳B端施以F=mg的竖直向下的拉力作用时, A的加速度为a2, 则a1与a2的大小关系是 ()

(A) a1=a2 (B) a1>a2

8.下列关于作用力与反作用力的说法中, 正确的有 ()

(A) 作用力在前, 反作用力在后, 从这种意义上讲, 作用力是主动作用力, 反作用力是被动作用力

(B) 马拉车, 车被马拉动了, 说明马拉车的力比车拉马的力大

(D) 上述三种说法都是错误的

9.如图5, 电梯的顶部挂有一个弹簧秤, 秤下端挂了一个重物, 电梯匀速直线运动时, 弹簧秤的示数为10 N.电梯开始做匀变速运动, 在某时刻电梯中的人观察到弹簧秤的示数变为8 N, 关于电梯的运动, 以下说法正确的是 ()

(A) 电梯可能向上加速运动, 加速度大小为2 m/s2

(B) 电梯可能向下加速运动, 加速度大小为2 m/s2

(D) 电梯可能向下减速运动, 加速度大小为2 m/s2

10.一辆空车和一辆满载货物的同型号汽车, 在同一路面上以相同的速度向同一方向行驶.两辆汽车同时紧急刹车后 (即车轮不滚动只滑动) , 以下说法正确的是 ()

(A) 满载货物的汽车由于惯性大, 滑行距离较大

(B) 满载货物的汽车由于受的摩擦力较大, 滑行距离较小

(D) 满载货物的汽车比空车先停下来

11.如图6所示, 一个大人 (甲) 跟一个小孩 (乙) 站在水平地面上手拉手比力气, 结果大人把小孩拉过来了.对这个过程中作用于双方的力的关系, 不正确的说法是 ()

(A) 大人拉小孩的力一定比小孩拉大人的力大

(B) 大人与小孩间的拉力是一对作用力与反作用力

(D) 在大人把小孩拉动的过程中, 两人的拉力一样大

12.质量为M的木块位于粗糙水平桌面上, 若用大小为F的水平恒力拉木块, 其加速度为a, 当拉力方向不变, 大小变为2F时, 木块的加速度为a', 则 ()

(A) a'=a (B) a'<2a

二、双项选择题 (每题5分, 共20分)

13.关于运动和力的关系, 下列说法中正确的是 ()

(A) 不受外力作用的物体可能做直线运动

(B) 受恒定外力作用的物体可能做曲线运动

(D) 物体在变力作用下速度大小一定发生变化

14.弹簧秤挂在升降机的顶板上, 下端挂一质量为2 kg的物体.当升降机在竖直方向运动时, 弹簧秤的示数始终是16 N.如果从升降机的速度为3 m/s时开始计时, 则经过1 s, 升降机的位移可能是 (g取10 m/s2) ()

(A) 2 m (B) 3 m

15.下列实例属于超重现象的是 ()

(A) 汽车驶过拱形桥顶端

(B) 荡秋千的小孩通过最低点

(D) 火箭点火后加速升空

16.在平直路上行驶的一节车厢内, 用细线悬挂着一个小球, 细线与竖直方向的夹角为θ, 水平地板上的O点在小球的正下方, 如图7.当细线被烧断, 小球落在地板上的P点, ()

(A) P与O重合

(B) 当车向右运动时P在O点的右侧

(D) 当车向左运动时P在O点的左侧

三、非选择题 (44分)

17. (10分) 如图8为用拉力传感器和速度传感器探究“加速度与物体受力的关系”实验装置.用拉力传感器记录小车受到拉力的大小, 在长木板上相距L=48.0 cm的A、B两点各安装一个速度传感器, 分别记录小车到达A、B时的速率.

(1) 实验主要步骤如下:

(1) 将拉力传感器固定在小车上;

(2) 平衡摩擦力, 让小车在没有拉力作用时能做_________运动;

(3) 把细线的一端固定在拉力传感器上, 另一端通过定滑轮与钩码相连;

(4) 接通电源后自C点释放小车, 小车在细线拉动下运动, 记录细线拉力F的大小及小车分别到达A、B时的速率vA、vB;

(5) 改变所挂钩码的数量, 重复 (4) 的操作.

(2) 表1中记录了实验测得的几组数据, 是两个速度传感器记录速率的平方差, 则加速度的表达式a=_________, 请将表中第3次的实验数据填写完整 (结果保留三位有效数字) .

(3) 由表1中数据, 在坐标纸上作出a～F关系图线;

(4) 对比实验结果与理论计算得到的关系图线 (图中已画出理论图线) , 造成上述偏差的原因是________.

18. (10分) 在水平地面上有一质量为2 kg的物体, 物体在水平拉力F的作用下由静止开始运动, 10 s后拉力大小减为F/3, 该物体的运动速度随时间t的变化规律如图10所示.求:

(1) 物体受到的拉力F的大小.

(2) 物体与地面之间的动摩擦因素. (g取10 m/s2)

19. (12分) :如图11所示, 一质量M=0.2 kg的长木板静止在光滑的水平地面上, 另一质量m=0.2 kg的小滑块, 以v0=1.2m/s的速度从长木板的左端滑上长木板.已知小滑块与长木板间的动摩擦因数μ1=0.4, g=10 m/s2, 问:

(1) 经过多少时间小滑块与长木板速度相等?

(2) 从小滑块滑上长木板, 到小滑块与长木板相对静止, 小滑块运动的距离为多少? (滑块始终没有滑离长木板)

20. (12分) 质量为m=2 kg的物体静止在水平面上, 它们之间的动摩擦系数μ=0.5, 现在对物体施加斜向上的拉力F=10 N, 与水平方向夹角θ=37° (sin37°=0.6) , 经t=10 s后撤去力F, 再经一段时间, 物体又静止.

求: (1) 物体运动过程中最大速度多少?

(2) 物体运动的总位移是多少? (g取10 m/s2.)

参考答案

1. (B) 2. (D) 3. (C) 4. (C) 5. (C) 6. (C) 7. (C)

8. (D) 9. (B) 10. (C) 11. (A) 12. (C) 13. (A) (B)

14. (A) (C) 15. (B) (D) 16. (C) (D)

17. (1) 匀速直线

(2) 如图

(4) 没有完全平衡摩擦力或拉力传感器读数偏大

18.解:由牛顿第二定律得:F-μmg=ma1 (1)

μmg-F/3=ma2 (2)

由图象可知:a1=0.8 m/s2 (3)

a2=2 m/s2 (4)

由 (1) (2) (3) (4) 得F=8.4 N

代入 (1) 得μ=0.34

19.解析: (1) 分析m的受力, 由牛顿第二定律有

分析M的受力, 由牛顿第二定律有

设经过时间t两者速度相同.

vm=v0-amt (3)

vM=aMt (4)

且vM=vm (5)

代入数据, 联解 (3) (4) (5) 可得t=0.15 s

(2) 小滑块做匀减速运动

末速度为vm=v0-amt=1.2-4×0.15=0.6 m/s

20.解: (1) 前10 s一直做匀加速运动,

由Fcosθ-μ (mg-Fsinθ) =ma

物体的加速度为:a=0.5 m/s2

则:vm=at=5 m/s

(2) 前10 s的位移:

接下来物体做匀减速度运动

加速度:a2=μg=5 m/s2

位移:

运动负荷检测篇8

关键词：心率传感器,MSP430,运动负荷检测,便携设备

引言

近几年, 我国在校生的身体素质明显下滑, 除了繁重的学业因素外, 越来越多的学生把时间花费在了电脑等电子产品上, 导致身体素质下降;我国教育部曾提出“每天运动1小时, 健康工作50年”的口号, 倡导全民运动, 增强全民体质。基于以上背景, 我们研制便携式运动负荷检测仪, 不仅能增加用户运动的趣味性和热情, 同时方便体育老师的日常教学考核工作, 有较高的实用价值。

1 硬件系统设计

人体负荷检测仪的硬件结构图如图1所示, 该仪器以MSP430为主控制器, 外围模块主要由传感器模块、人机交互模块、数据存储模块、USB通讯模块、电源管理模块等部分组成。其中, USB通讯模块实现与上位机通讯, 电源管理模块由锂电池供电[1,2,3]3]。

在本系统中MSP430单片机系统是整个系统的核心控制部分, 其能耗也是整个系统中最大的。系统选用了MSP430F149型16位单片机。MSP430系列单片机是TI公司设计的一款在低功耗方面具有鲜明特色的单片机, 它的突出特点就是低电源电压和灵活的时钟源, 可以使器件达到极低的功率消耗, 可由多种电池供电, 非常适用于手持式设备的开发[4,5]。传感器模块包括脉搏传感器和加速度传感器, 用于检测人的心跳及运动加速度。数据存储模块用于存储检测到的人体负荷信息。USB通信模块用于上位机与单片机的通信, 人机交互模块用于用户获取自身运动信息并进行功能设置。电源管理模块保证系统不断电并实现对锂电池的充电。

2 心率传感器的选型

本产品采用的心率传感器为合肥华科电子研究所生产的HK-2000A传感器, 如图2所示。该型号采用高度集成化工艺的力敏元件 (PVDF压电膜) 、灵敏度温度补偿元件、感温元件、信号调理电路集成在传感器内。灵敏度高;抗干扰性能强;过载能力强;一致性好;性能稳定可靠;使用寿命长。模拟输出, 输出同步于脉搏波动的脉冲信号, 测试波形如图3所示;该产品用于脉率检测, 如运动、健身设备中的心率测试[6]。固定方法如图4所示。

3 运动负荷的计算

运动负荷评估体系中, 运动心率=运动后即刻测得的6秒心率×10;1分钟后心率=运动结束1分钟后测得6秒的心率×10;运动后心脏恢复率= (运动心率-1分钟后心率) /10。除需要运动前后心率数据外, 还需要使用两个非常重要的参数, 即靶心率和最大心率。其中靶心率范围为最大心率× (60%～85%) , 最大心率=220-用户年龄。这两个参数是通过配置的用户参数计算而得。运动负荷的计算规则如下表1和表2:

4 系统软件结构

本毕业设计内容主要以MSP430F149单片机作为主控芯片, 结合HK2000A心率传感器作为采集器件, 读取用户运动后的心率情况, 再通过数据处理等程序, 最终反映出用户的运动效果。

软件使用两层设计结构, 底层为硬件驱动层, 上层为图形用户界面 (菜单系统) 。硬件驱动层主要实现对外部设备的读写操作, 提供外围芯片的当前数据与状态;图形用户界面用以实现与使用者交互, 实现状态显示、菜单选择、参数设置等功能, 与硬件无关, 具有很好的可移植性能。

硬件驱动部分主要完成对硬件的操作, 主要包括:设备驱动与初始化程序;GPIO读写;蜂鸣器控制;LED控制;液晶显示器操作;按键读取;心率读取;EEPROM操作;温度读写;DS1302时钟读写。

图形界面层主要是在硬件层的基础上实现了简单的菜单显示功能。在实现菜单功能的过程中, 使用了链表作为数据结构, 具有易扩展、易于修改的特点。我们先在51单片机上开发该菜单系统, 之后成功移植到了MSP430系统上, 进一步证明该菜单系统具有良好的可移植性。系统软件结构如下图所示:

根据硬件设计, 采用五个按键进行菜单操作, 选择处理一系列问题, 主要步骤为:当给设备上电后, 首先进行设备初始化, 显示屏上显示主页界面和一些基本信息 (比如时间、日期等) , 然后等待接收用户的键入;根据相应操作, 显示不同的菜单序列, 提供对应的信息设置和数据显示界面等, 然后根据不同按键调用相应的应用程序, 提供对应的处理功能。系统软件结构流程图如下所示:

5 结束语

基于心率测量原理的人体负荷检测仪, 能够激发用户的运动热情和积极性。通过对该产品的外观、性能、功能等方面进一步优化, 产品稳定性将大大提高, 对于提高人体运动素质起到促进作用。

参考文献

[1]秦龙.MSP430单片机C语言应用程序设计实例精讲[M].北京:电子工业出版社, 2006

[2]赵德安等.单片机原理与应用 (第二版) [M].北京:机械工业出版社, 2010

[3]张福才, 张锐, 汝洪芳.MSP430单片机自学笔记[M].北京:北京航空航天大学出版社, 2011

[4]黄根春, 周立青, 张望先.全国大学生电子设计竞赛教程——基于TI器件设计方法[M].北京:电子工业出版社, 2007

[5]洪利, 章扬, 李世宝.MSP430单片机原理与应用实例详解[M].北京:北京航空航天大学出版社, 2010

基于纹理的运动阴影检测方法篇9

运动目标分割是计算机视觉领域的重要课题之一,可应用于视频监控、运动分析、目标识别等领域,然而运动目标检测中,目标阴影常被误分为运动目标,影响了视频的理解,为了获得更好的运动目标分割结果,需检测出目标阴影。

2003年,Akio Yoneyama等利用一种车辆阴影复合模型来检测阴影[1]。2005年,Duque D等人利用阴影特性,基于HSV颜色空间进行了阴影检测[2]。Martel-Brisson等人利用高斯混合模型的学习特性对阴影进行学习和检测[3],增加了分割的鲁棒性,该方法的阴影判定是基于阴影在YUV颜色空间的特性。Leone等人[4]给出了利用阴影区域和背景的纹理相似性进行阴影检测的方法,该方法的纹理表征基于Gabor函数。Li-Qun Xu等人结合颜色和纹理信息进行阴影检测,纹理由Sobel滤波器获取[5]。Jacques[6]等基于阴影点的亮度与相应背景点的亮度成比例这一假设,利用归一化的交叉相关系数(normalized cross-correlation)进行阴影粗检测,然后利用局部阴影区域中阴影点的亮度与相应背景点的亮度比例的均匀性,进行阴影的进一步检测。2006年,Wei Zhang等基于比率边缘(ratio edge)的亮度不变特性检测阴影[7]。

基于高斯混合模型和LBP纹理[8],本文提出了一种新的阴影检测方法。首先进行高斯混合模型的背景建模提取出包含运动阴影的目标对象;然后利用LBP对局部单调亮度变化免疫的特性,对提取出的前景点和背景模型相应点的局部图像块的LBP统一模式直方图进行相似性判断即前景点和背景相应点的局部纹理相似性判断,检测运动阴影。

2 基于背景建模的前景分割

2.1 Stauffer和Grimson的方法

Stauffer和Grimson的背景建模方法[9]的主要思想是利用Κ个高斯分布对像素点的颜色历史信息进行统计,不同的高斯模型表征像素点的不同颜色分布,每个高斯模型根据它表征当前颜色信息的频度而被赋予权值w。

当新获取的像素点颜色偏离某高斯模型的颜色均值在β(一般取值为2.5)个标准方差之内则认为该颜色信息可用此高斯模型来表征,即该颜色信息与此高斯模型相匹配。对此高斯模型的均值和方差按下式进行更新:

其中,α为高斯模型均值方差的学习因子,Χt为像素点t时刻的颜色信息。每个高斯模型的权值按它是否与像素点当前颜色信息相匹配来作相应的更新:

其中ρ为高斯模型权值的学习因子。当找不到与像素点当前颜色相匹配的高斯模型时候,则用新的高斯模型替换w/σ比值最小的高斯模型,新的高斯模型均值为当前颜色,方差取较大值,权值指定一小值。

为区分当前像素点为前景点或者背景点,把该像素点的高斯模型按w/σ降序排列,取前几个作为背景模型。因为背景一般保持固定(对应高斯模型具有小的方差),同时在像素点的颜色序列中占多数(对应高斯模型具有大的权值)。

可按下列规则从降序排列好的高斯模型中挑选出表征背景的Β个:

Τ为权值阈值,如果像素点当前颜色与Β个高斯模型中任一个相匹配则作为背景点,否则为前景点。

2.2 改进方法

改进的背景建模方法只采用像素点的亮度信息,这样做基于以下三点考虑:1)亮度信息受噪声影响较小,色度信息则不然,同时牺牲色度信息对分割影响相对不大;2)与LBP纹理计算相对应,方便直接;3)减少了运算量,参数设置也相对简单。

Κ的取值越大越能表征复杂的系统,可运算量也相应增大,一般取值3~5,这里取Κ=3。本文选择权值最大的高斯模型表征背景,若像素点的新观测值与之匹配则为背景否则为前景,α和ρ取值均为0.02(经验值在0.01~0.05之间)。

3 阴影检测

3.1 基本LBP纹理

最初的LBP由Ojala等人[10]提出,利用一串二进制码来表征较小图像块的局部纹理。以一3×3的图像块为例,其LBP纹理通过三个步骤计算:

1)对原始的3×3图像块(图1(a))的周围像素点与中心点的亮度差进行阈值判断得到一串0、1序列(图1(b));2)得到的二进制码乘以相应位置的权值(图1(c));3)得到的八个像素点对应值(图1(d))相加得到此图像块的LBP(LBP=2+8+32=42[8])纹理。由此可知对于3×3图像块,有28=256种LBP局部纹理模式。此纹理的缺陷是3×3邻域不能用来描述大尺度结构的纹理,因此它被扩展为可基于不同尺度的邻域计算[8],利用圆形邻域和内插计算像素值,扩展的LBP可用于具有不同像素点数目的不同半径圆形邻域的纹理表征,扩展LBP示例见图2,表示为LBPP,R,下标P为圆形邻域上均匀取Ρ点,R表示邻域半径,此纹理表征与旋转有关,一般中心像点正右边的那点,即距离中心像点(0,R)的邻域点其与中心点亮度域值判定得到的二进制码为相应的LBP二进制码串的最低位。

3.2 LBP纹理的统一模式

LBP的进一步扩展是使用统一模式(uniform patterns)[8],为引入统一模式的定义,先定义一函数U(x),自变量为LBPP,R纹理模式,返回的是把此模式对应的二进制码串首尾衔接得到的01序列里面‘0’位到‘1’位或相反的跳变数,例如纹理模式00000000的U值为0,纹理模式00011100和11111101的U值为2。由此引入LBP统一模式的定义:

式中:gc和gp分别为中心像点与其邻域点的亮度值,s(x)为阈值判定函数,同时由定义可得,LBP统一模式是旋转无关的,上标riu表示rotation invariance uniform。

LBPriuP,R纹理的统计直方图具有以下优点:1)由于条目数少,只有Ρ+2,运算效率高,占用资源少,不易受噪声影响,同时包含了纹理的绝大多数信息,具有很好的纹理描述性[8];2)参数少,计算复杂度低,其中LBPP,R到LBPriuP,RLBP的映射由设计好的码表获取。3)由于LBPriuP,R纹理不受局部单调亮度变化影响,使其统计直方图具有对局部亮斑和阴影免疫的能力。

LBPPr,iRu纹理的统计直方图的上述特性,使其可用于基于纹理的阴影检测方法中的纹理表征,根据在灰度图像中阴影区域和背景模型相应位置具有相同纹理,来检测阴影。

3.3 参数设置

一般在获取LBP纹理时对周围像点与中间像点的亮度差进行阈值判断的函数为

其中x为亮度差。此式子不适合平坦区域的纹理描述,且抗噪性能不佳,改进为S′(x)=S(abs(x)-T),其中T为阈值,过小的阈值判定得到的LBP易受噪声影响,过大的阈值判定得到的LBP纹理描述性不够,本文通过实验取值为5。

本文选取LBPriuR,P(P=8,R=1)纹理直方图来表征纹理。由于Ρ越大,计算复杂度越高,Ρ过小则纹理描述性不够;R越大则纹理描述易受噪声影响,纹理描述性也不够,实验结果证明了它的有效性。

3.4 方法步骤

本文方法具体步骤为:

1)利用改进的高斯混合模型背景建模分割出带运动阴影的前景目标。

2)利用灰度图像中阴影区域和背景模型相应位置具有相似纹理和LBPriu8,1纹理对局部亮度单调变化免疫的特性及由其得到的直方图较好的纹理描述性,基于纹理相似性较好得检测出运动阴影。

对于分割得到的前景点,当亮度小于相应背景点的亮度时,计算以它为中心的3×3图像块里面前景点的数目,当小于等于4时作噪声点处理,否则分别统计以当前帧里此图像块和背景相应图像块各像点为中心的LBP8,1riu纹理得到LBPriu8,1纹理直方图pu和qu,Bhattacharyya系数用来评价两直方图的匹配程度即得到的前景点和其对应背景点附近的纹理相似性。

当ρ>0.8时,认为此前景点属于阴影,否则属于运动物体。

4 实验结果及分析

实验在P4 2.0G、512M内存的机器上Visual C++6.0实现,采用几个标准的阴影检测视频(http://cvrr.ucsd.edu/aton/shadow),包括室内和室外的视频。图3为本文方法与文献[4]和[6]方法对三个视频(从上到下依次为Campus、Laboratory和intelligentroom)进行阴影检测的实验结果比较图,前两列分别是文献[4]文中分别对4×4的图像块利用通过Gabor函数获取的2个或者16个特征表征纹理,基于纹理相似性的阴影检测实验结果,第三列是用文献[6]方法检测阴影的实验结果,最后是本文阴影检测的实验结果。可见本文方法,阴影检测较为完整,误判点也较少,在阴影检测的完整性和少的误判点间取了个较好的折衷。相对而言,文献[4]方法,误判点少,但阴影检测不够完整,同时该方法基于Gabor函数,计算复杂度较高,开始还得进行复杂的参数训练,以获取一组Gabor子函数集,用来提取图像块的纹理特征,方法较为繁琐。文献[6]的方法阴影检测效果较好,但误判点也多,这是由于归一化的交叉相关系数获取的局部统计信息相对粗糙,虽然较好的挖掘了阴影区域和对应背景区域的相似性,但也容易把运动物体误判为阴影,图4可以看得更明显。前两列是文献[6]方法的检测结果,后两列是本文方法检测结果。

由图4可看出,本文方法由于LBPriu8,1纹理直方图较好的纹理描述特性[8],在基于纹理的阴影检测中,误判点相对文献[6]的方法少较易处理。

表1为文献[6]方法和我们方法对各个视频处理一帧平均用时(秒/帧)。

Leone[4]在他文中提到,其方法在特定的硬件上实现处理一帧平均用时几百毫秒,由上可知本文方法运算效率具有一定的优越性。

5 结论

本文结合高斯混合模型背景建模和局部二元图统一模式直方图的纹理表征,提出一种基于纹理相似性的视频运动阴影检测方法,利用了局部二元图统一模式纹理不受局部亮度单调变化影响的特点和其直方图较强的纹理描述性。方法参数少,设置简单,运算效率也较高,能获得较好的检测效果。后续工作重点放在不受运动阴影影响的运动物体的实时跟踪方面。

参考文献

[1]Akio Yoneyama,Chia H Yeh,Jay Kuo C-C.Moving cast shadow elimination for robust vehicle extraction based on2D joint vehicle/shadow models[C]//IEEE Conference on Advanced Video and Signal Based Surveillance.Florida:IEEE,2003:229-236.

[2]Duarte Duque,Henrique Santos,Paulo Cortez.Moving object detection unaffected by cast shadows,highlights and ghosts[C]//IEEE International Conference on Image Processing.Genova,Italy:IEEE,2005:413-416.

[3]Nicolas Martel-Brisson,AndréZaccarin.Moving cast shadow detection from a Gaussian mixture shadow model[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego,USA:IEEE,2005:643-648.

[4]Leone A,Distante C,Buccolieri F.A texture-based approach for shadow detection[C]//IEEE Conference on Advanced Video and Signal Based Surveillance.Como:IEEE,2005:371-376.

[5]Xu Li-qun,Landabaso JoséLuis,Pardàs Montse.Shadow removal with blob-based morphologylical reconstruction for error correction[C]//IEEE International Conference on Acoustics,Speech,and Signal Processing.Philadelphia,USA:IEEE,2005:729-732.

[6]Julio Cezar Silveira Jacques Jr,Cláudio Rosito Jung,Soraia Raupp Musse.Background Subtraction and Shadow Detection in Grayscale Video Sequences[C]//SIBGRAPI2005.18th Brazilian Symposium on Computer Graphics and Image Processing.Natal,RN,Brazil:IEEE Computer Society,2005:189-196.

[7]ZHANG Wei,FANG Xiang-zhong,YANG Xiao-kang.Moving cast shadows detection based on ratio edge[C]//18th International Conference on Pattern Recognition.Hong Kong,China:IEEE,2006:73-76.

[8]Timo Ojala,Matti Pietik-inen,Topi M-enp--.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

[9]Chris Stauffer,Grimson W,Eric L.Learning Patterns of Activity Using Real-Time Tracking[J].IEEE Transactions on PAMI,2000,22(8):747-757.

牛顿运动定律单元检测试题篇10

1.人用力将桶竖直向上加速提起, 则 ()

(A) 人对桶的力大于桶对人的力

(B) 人对桶的力大小等于桶对人的力

(D) 人对桶的力大小等于桶所受的重力

2.大小为6 N和8 N的两个共点力, 作用在质量为10 kg的物体上, 产生的加速度大小可能是 ()

(A) 0.1 m/s2 (B) 0.2 m/s2

3.竖直向上抛出一个物体, 设物体所受空气阻力大小与物体的速率成正比, 则从物体抛出到落回抛出点的过程中, 物体加速度 ()

(A) 先变大后变小 (B) 先变小后变大

4.如图1所示, A, B两物体同时从光滑斜面的顶点由静止开始下滑.已知斜面倾角α<β, 那么它们滑到底面所需时间t ()

(A) tA>tB

(B) tA

(D) 不能确定

5.假设汽车紧急制动后所受到的阻力的大小与汽车所受重力的大小差不多.当汽车以20 m/s的速度行驶时突然制动, 它还能继续滑行的距离约为 ()

(A) 40 m (B) 20 m

6.如图2所示, 小球从轻弹簧上方无初速释放, 从小球开始接触弹簧到弹簧被压缩到最短的过程中, 小球的速度、加速度和所受的合力的变化是 ()

(A) 合力变大, 加速度变小, 速度变小

(B) 合力与加速度逐渐变大, 速度逐渐变小

(D) 合力、加速度和速度都是先变大后变小

7.升降机地板上放一个弹簧盘秤, 盘中放一质量为m的物体.当秤的读数为0.8 mg时, 升降机的运动可能是 ()

(A) 加速上升 (B) 加速下降

8.一轻弹簧的上端固定, 下端悬挂一个重物, 重物静止时, 弹簧伸长了8 cm, 若再将重物向下拉4 cm, 然后放手, 则在释放重物的瞬间, 重物的加速度大小是 ()

9.如图3所示, 光滑斜面的倾角为α, 一个质量为m的物体放在斜面上, 如果斜面以加速度a水平向左做匀加速直线运动, 物体与斜面间无相对运动, 则斜面对物体的支持力的大小为 ()

(A) (1) (2) (B) (2)

10.如图4所示, 光滑水平面上, 水平恒力F拉小车和木块做加速运动, 小车质量为M, 木块质量为m, 它们共同加速度为a, 木块与小车间的动摩擦因数为μ.则在运动过程中 ()

(A) 木块受到的摩擦力为μmg

(B) 木块受到的合力为F

(D) 小车受到的合力为

11.如图5所示, 天花板上用细绳吊起两个用轻弹簧相连的两个质量相同的小球.两小球均保持静止.当突然剪断细绳时, 上面小球A与下面小球B的加速度为 ()

(A) a1=g, a2=g

(B) a1=2g, a2=g

(D) a1=0, a2=g

12.如图6所示, 斜劈放在粗糙的水平地面上, 它的斜面是光滑的, 斜面长为L, 倾角为θ, 小物体由斜面顶端从静止下滑至底端, 斜劈与地面保持相对静止, 则正确的是 ()

(A) 物体下滑加速度为gsinθ

(B) 下滑全过程所用时间为

(D) 斜劈受到水平地面的摩擦力等于0

二、实验题 (每空3分, 共18分)

13.物理小组在一次探究活动中测量滑块与木板之间的动摩擦因数, 实验装置如图7所示, 一表面粗糙的木板固定在水平桌面上, 一端装有定滑轮;木板上有一滑块, 其一端与穿过电磁打点计时器的纸带相连, 另一端通过跨过定滑轮的细线与托盘连接, 打点计时器使用的交流电源的频率为50 Hz.开始实验时, 在托盘中放入适量砝码, 滑块开始做匀加速运动, 在纸带上打出一系列小点.

(1) 图7给出的是实验中获取的一条纸带的一部分:0、1、2、3、4、5、6、7是计数点, 每相邻两计数点间还有4个打点 (图中未标出) , 计数点间的距离如图8所示.根据图中数据计算的加速度a=_________ (保留三位有效数字) .

(2) 回答下列两个问题:

(1) 为测量动摩擦因数, 下列物理量中还应测量的有________________. (填入所选物理量前的字母)

(A) 木板的长度l

(B) 木板的质量m1

(D) 托盘和砝码的总质量m3

(E) 滑块运动的时间t

(2) 测量 (1) 中所选定的物理量时需要的实验器材是______________.

(3) 滑块与木板间的动摩擦因数μ=__________ (用被测物理量的字母表示, 重力加速度为g) .与真实值相比, 测量的动摩擦因数______________ (填“偏大”或“偏小”) .写出支持你的看法的一个论据:___________________.

三、计算题 (共34分)

14. (10分) 在水平地面上有一质量为2 kg的物体, 物体在水平拉力F的作用下由静止开始运动, 10 s后拉力大小减为F/3, 该物体的运动速度随时间t的变化规律如图9所示.求:

(1) 物体受到的拉力F的大小;

(2) 物体与地面之间的动摩擦因数. (g取10 m/s2)

15. (10分) 如图10所示, 在水平桌面的边角处有一轻质光滑的定滑轮, 一条不可伸长的轻绳绕过定滑轮分别与物块A、B相连, 细绳处于伸直状态, 物块A和B的质量分别为mA=8kg和mB=2 kg, 物块A与水平桌面间的动摩擦因数μ=0.1, 物块B距地面的高度h=0.15m.桌面上部分的绳足够长.现将物块B从h高处由静止释放, 直到A停止运动.求:A在水平桌面上运动的时间? (g=10 m/s2)

16. (14分) 用同种材料制成倾角30°的斜面和长水平面, 斜面长2.4 m, 且固定.一小物块从斜面顶端以沿斜面向下的初速度v0开始自由下滑, 当v0=2 m/s时, 经过0.8 s后小物块停在斜面上.多次改变v0的大小, 记录下小物块从开始运动到最终停下的时间t, 作出tv0图象如图11所示, 求:

(1) 小物块与该种材料间的动摩擦因数为多少?

(2) 某同学认为, 若小物块初速度为4 m/s, 则根据图象中t与v0成正比推导, 可知小物块运动时间为1.6 s.以上说法是否正确?若不正确, 说明理由并解出你认为正确的结果.

参考答案

一、选择题

1. (B) 、 (C) 2. (B) 、 (C) 、 (D) 3. (D) 4. (A) 5. (B) 6. (C) 7. (B) 、 (C) 8. (B) 9. (C) 10. (C) 、 (D) 11. (C) 12. (A) 、 (B) 、 (C)

二、实验题

13. (1) 0.495～0.497 m/s2均可

(2) (1) (C) 、 (D) (2) 天平

(3) ;测量值比真实值偏大;纸带与打点计时器的限位孔之间有摩擦阻力.

三、计算题

14. (1) 拉力:F=8.4 N

(2) 动摩擦因数:μ=0.34

15.t=t1+t2=1.1 s

16. (1) 动摩擦因数:μ=

(2) 不正确.因为随着初速度增大, 小物块会滑到水平面, 规律将不再符合图象中的正比关系.

v0=4 m/s时, 若保持匀减速下滑, 则经过s==3.2 m>2.4 m, 已滑到水平面.

物体在斜面上运动, 设刚进入水平面时速度v1:

解得:v1=2 m/s, t1=0.8 s

水平面上:t2==0.23 s

基于背景建模的运动目标检测篇11

背景减法实现最简单,并且能够完整地分割出运动对象,对背景已知的应用情况,背景减法是一种有效的运动对象检测算法。

一个有效的动态目标检测算法应能克服以下几种在实际应用中常常存在的问题:

1)背景的扰动:背景中可以含有轻微扰动的对象,如树枝、树叶的摇动,扰动部分不应该被看作是前景运动目标;

2)背景的更新:由于光照或其它条件的变化会使背景图像发生变化,需要及时对背景模型进行更新,以适应这种变化;

3)外界光线的变化:一天中不同时间段光线、天气等的变化以及室内开灯、关灯等都会对检测结果产生影响;

4)阴影的影响:通常前景目标的阴影也被检测为运动目标的一部分,这样将影响对运动目标的进一步处理和分析。

1 非参数模型

非参数[1]是Ahmed Elgammal等人提出来的,该背景模型把图像序列的对应像素点看成是一个统计过程,且他的灰度值的分布可能是变化的,分布函数的概率密度可用非参数的方法估计出来,然后再和阈值比较,以此确定是否运动点。假如对图像序列中某对应的像素点连续采样N次,其灰度依次为x1,x2,…xn,则基本的数学模型如下:

其中,N为采样次数,xi为采样灰度值,xj为当前帧对应的灰度值,K为核函数,可认为其符合正态分布N(0,∑),假设不同的颜色分量之间是独立的,则∑可简化为:

其中σi2(i=1,2,3)为每个颜色分量对应的核带宽,最后概率密度函数可近似为:

其中d为颜色分量的个数。

由于外部环境的变化,已建立好的背景模型需要适时地更新。非参数模型采用2种更新模式:

1)选择性更新,即只把属于背景点的像素点更新到背景模型。

2)非选择性更新,即不经过判断直接将当前的像素点更新到背景模型当中。

两种更新模式更新时,均采用先进先出的策略,即将最先存入缓存的采样帧去除,而将最新的采样帧更新到模型之中。如果采用选择性更新模式,则判断出当前帧的对应像素的概率值大于阈值T,则该像素点认为是背景点;相反,若概率值小于阈值T,则被认为是运动点。

经大量实验发现,非参数模型能够较敏感地检测出运动物体,亦能较完整地分割出运动对象,但其需事先存入N帧图像用来判决像素点和进行背景更新,严重制约了检测速度,一般很难达到实时性要求。

2 单高斯背景模型建立与更新

单高斯模型最初由Wren等人在文献[2]中提出。在该模型中,把背景模型中的每一个像素点都看成是一个高斯分布,由参数u(期望)和σ2(方差)来确定。随着环境的变化,对高斯模型适时地进行更新,以期得到更为准确地背景模型。事先在背景无运动物体的时候,连续采样N帧,由式(4)、(5)即可得到相应高斯模型的参数u(期望)和σ2(方差);

其中ui,t为点i在第t副图像中的灰度值。这样,所有的点(ui,σi2)就构成了初始的背景模型。

前景点和背景点的判决由式(6)决定:

其中I(i)为当前帧的第i个像素点的灰度值。当满足条件(6)时,该点为背景点,否则为前景点。

当该像素点判为前景点时,背景模型对应点的高斯模型的参数u和σi2爆出不变;当判为背景点时,模型参数由式(7)和(8)来完成。

其中,ui(t+1)和σi2(t+1分别是t+1时刻的模型参数值,ui(t)和σi2分别为t时刻第i个像素点的参数值,li(t)为t时刻当前帧第i个像素点的灰度值。参数α由式(9)来确定。

其中,β为学习率,为一个常数,N为高斯分布的概率密度函数。

经实验可知,在室内或不是很复杂的室外背景下,单高斯模型亦能得到很好的效果,处理速度快,分割对象比较完整,虽有时出现个别“黑洞”,但分割后的图像基本能够满足要求。但实验发现,当背景比较复杂时,如树叶摇晃时,噪声增多,背景将变得不稳定,这时用单高斯模型就不可以呢。

3 混合高斯背景模型建立与更新

近年来,在复杂背景建模方面,混合高斯模型成为了一种很受欢迎的方法。最初,该模型是由Stauffer等人在文献[3-5]中提出来的。和单高斯模型为每一个像素建立一个高斯模型不同,该方法为每一个像素建立K个高斯模型,一般K取3-7个,这样使模型克服外界环境影响(典型的如树叶摇晃等)成为可能。

这里,采用混合高斯分布描述背景模型。设用来描述每个像素点(u,v)颜色的高斯分布共K个,K的值通常取3~7个。则像素z(u,v)的概率函数可用式(10)表示。

其中:ωj,uv为t时刻第j个高斯分布在混合模型中所占的权值,K为高斯模型的个数,N为高斯模型的密度函数,μj,uv、∑j,uv分别为第j个高斯分布的均值和协方差矩阵。

建立混合高斯模型,首先要解决的一个问题就是,如何利用这N个采样点估计出ωj,uv、μj,uv、∑j,uv这些参数。参数确定了,对应的混合高斯模型也就建立起来了。

通常,确定这些参数的方法有两种:EM(Expectation-Maximization)算法和K-均值算法。EM算法是确定混合高斯模型参数的常用方法,利用采样值,通过迭代之后,最终可将混合高斯模型的参数同时确定出来[5]。考虑到模型要为每一个像素建立一个混合高斯模型,故本文采用实时性较好的K-均值法来确定模型的参数[6]。

初始化模型:将采到的第一帧图象的每个象素的灰度作为均值,再赋以较大的方差和较小的权重。

模型学习(确定参数):将当前帧的对应象素的灰度值与已有的k个模型作比较,若有|z-μj,uv|<2.5σ,该点属于背景,否则属于前景。训练得到的这K个模型,并不是全部代表背景模型,背景图像库中某些图像的有些像素点并不能真正地代表背景,用这类像素建立的高斯分布模型应该被去除。假设运动目标及噪声在场景区域中不会长时间停留在某一位置上。这样噪声和运动目标相对应的高斯模型的权值和优先级非常小。文献[6]中提到一个阈值M来分离出背景模型。将背景模型按照优先级高低次序排列,前B个分布作为背景模型,B的定义如下:

M是预先定义的阈值,它表示能真正反映背景的数据占总数据的最小比重。如果M取的比较小,就是个单高斯模分布的背景模型;M取的比较大,就是混合高斯分布的背景模型,适用于背景较复杂的情形。

基于颜色背景模型的更新就是更新其模型参数,包括高斯分布自身的参数和各高斯分布的权重。

(1)权重的更新

α是学习率,如果α取的比较小,适应环境变化的能力就低,能适应缓慢的环境变化,或者说,只要给足够的时间,该模型终究能适应环境的变化;如果α取的比较大,适应环境变化能力强,但容易受噪声影响,不够稳定。

(2)均值和方差的更新

对于未匹配的高斯分布,不予更新,对于匹配的第j个高斯分布如下。

混合高斯模型在室外的较复杂的环境中进行运动物体的检测取得了较好的效果,可以较好地抑制由于树叶轻微摇晃、旗帜摆动等外界环境对背景模型的影响。通过实验可以发现,该模型不但对目标较大的运动物体能较好地检测,而且对目标较小的行人也能完整地分割。

4 目标检测与实验结果

经实验发现,基于颜色的混合高斯模型能够适应背景场景轻微扰动、克服噪声和实时更新的、鲁棒的目标检测算法,通过利用分水岭算法提取的目标轮廓的融合,可以完全克服光线强度突变的影响,高效准确检测出运动目标[7]。但还不能消除阴影,这给后续跟踪和识别带来了较大的影响。文献[8]介绍了利用灰度信号去除影子这方面的工作,有效去除了阴影。

如图1所示,(a)待检测的图像。(b)基于混合高斯背景模型分割结果,可以看到包括阴影部分。(c)检测出的阴影部分。(d)去除了阴影部分,得到了理想的目标检测结果。

5 结束语

由于运动图像的目标检测在科学技术研究和工程应用上有着广阔的应用前景而且还可为其他科学研究提供有效的手段和工具,因此各国科学家和工程技术人员都在广泛而深入的研究该项技术,但是在运动图象目标的检测过程中,由于系统和传感器的固有噪声,目标周围背景的干扰,这些干扰的结果造成目标象素可能误判为背景象素,而背景象素可能误判为目标象素,从而引起目标区域质心的计算误差,给运动目标的正确检测带来了极大困难,如何建立对于各种复杂环境的动态变化均具有自适应性的背景模型仍是广大科研工作者日后研究的焦点问题,相信随着科学技术的进步,一定能够实现在各种复杂条件下的运动图像的精确检测。

摘要：介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。

关键词：运动目标检测,背景建模,混合高斯模型

参考文献

[1]Elganmmal A,Harwood D,Davis L.Non-parametric Model for Background Subtraction[C].Proceeding of the6th European Conference on Computer Vision,2000:751-767.

[2]Wren C,Azarbayejani A,Darrell T,et al.Real-time Tracking of the Human Body.IEEE Transactions on Pattern Anaysis and Machine In-tellidence,1997,19(7):780-785.

[3]X.Gao,T.Boult,F.Coetzee,and V.Ramesh,Error analysis of background adaption[A].in proc.IEEE Conf.on computer vision and Pattern Recognition[C].Hilton Head,SC,2000.503-510.

[4]C.Stauffer,W.E.L.Grimson.Learning Patterns of Activity Using Real-Time Tracking[J].IEEE Trans.PAMI,2000,2(8):747-757.

[5]C.Stauffer and W.E.L Grimson.Adaptive background mixture models for real-time Tracking[A].In CVPR’99[C].1999.246-252.

[6]方帅,薛方正,徐新和.基于背静建模的动态目标检测算法的研究与仿真[J].系统仿真学报,2005.17(1)159-161,165.

[7]王宏群,方帅,高明.基于抑制光强变化影响的运动目标检测[A].第十四届图象图形学学术会议论文集,2008,5,360-361.

【运动负荷检测】推荐阅读：

运动负荷05-10

检测负荷08-22