背景估计

背景估计（精选4篇）

背景估计 篇1

大量准确可靠的动态交通信息是ITS(智能交通系统)得以顺利实施的基础。与其他检测技术相比,视频检测技术最显著的优点是具有丰富的信息量,因此为复杂检测任务的执行和交通信息的获取提供了可能[1]。

背景差分法是最常用、最有效的交通视频处理模式,而背景估计正是背景差分法的基础和核心环节。背景估计方法是视频交通信息采集领域的研究热点,近年来有大量的新方法出现,但目前尚没有1种被普遍接受的模型方法。常见的模型方法有统计学模型[2,3]、卡尔曼滤波法[4]、混合高斯分布模型[5,6]等。统计学模型中最常用的方法为序列均值法[3],该方法将运动对象的像素纳入背景估计,存在一定的偏差,适用于背景大部分时间未被遮挡,即交通占有率很低的情况。基于卡尔曼滤波的背景估计模型能够适应光线均匀、有序的变化,但卡尔曼滤波法在光线不稳定的情况下难以建立有效的状态转移矩阵,而对于目标像素常被遮挡(如交通繁忙时)的情况也难以适应。基于混合高斯分布的背景估计模型可以很好地适应光线的变化,对于缓慢移动的目标有较好的鲁棒性,但该方法对每个像素点都需要用相应的模型来进行描述,每个模型由多个高斯函数加权得到,因此模型的建立、参数的确定相当困难,算法的时空复杂度很高,对照明突变(如在公路隧道中)的应变能力较弱,不适合用于城市实时交通信息视频采集和处理。

针对城市道路实时交通信息视频信息采集和处理,笔者在综合考察现有方法的优缺点,并充分考虑算法的实时性的基础上,提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的混合模型对图像背景进行快速估计。

1 模型描述

1.1 背景像素亮度高斯分布假设

高斯分布满足自然界的许多现象,许多学者认为背景像素亮度值分布符合混合高斯分布的特点[5,6]。多高斯混合分布的缺陷是模型参数获取困难,样本需求量大,不能满足实时交通信息采集的要求。鉴于此,笔者提出了如下模型假设[7]:在主照明光源没有明显变化,且无遮挡的时间段内,数字图像上任意像素点的亮度值满足单高斯分布,即:

$p(x)=(\sqrt{2\text{π}}\sigma ){}^{-1}\text{e}{}^{\frac{(x-\mu ){}^2}{2\sigma {}^2}}(1)$

式中:p(x)为像素取某个亮度值x的概率;标准差σ>0;最大概率$\max (p(x))=(\sqrt{2\text{π}}\sigma ){}^{-1}$;数学期望E(x)=μ。上述假设中“主照明光源”在白天指自然光,在夜间指自然光与路灯光的叠加;由于自然光、路灯光在大多数情况下是渐变的,在短时间段内(如几分钟)可认为“没有明显变化”,如果背景更新的频率(一般5～60 s)足够高,则上述假设可适应一般的交通场景。同时,以任何一帧图像(即便无任何前景目标存在)作为背景图像都是有偏差的。

本模型中,在没有遮挡的情况下,要获取背景图像某像素点在一段时间内的真实值,采用数节学期望E(N(μ,σ2))来表示,该方法与序列均值法一致。但是实际上,城市的道路常常会被车辆遮挡,单高斯分布假设并不存在,若直接按照此方法进行计算,误差将会很大。

为了处理干扰信息,将车辆对背景上某像素点的遮挡看作为随机干扰,由于车辆本身颜色、反射度等光学特征的差异,这些随机干扰一般不构成单一的高斯分布。即车辆遮挡下背景像素的亮度概率函数为:

$p(x)=Q(x)(2)$

对于车道上任意点的像素,其亮度值概率函数可描述为:

$p(x)=(1-{\rm O}{}_{\text{c}\text{c}})(\sqrt{2\text{π}}\sigma ){}^{-1}\text{e}{}^{-\frac{(x-\mu ){}^2}{2\sigma {}^2}}+{\rm O}{}_{\text{c}\text{c}}Q(x)(3)$

式中:Occ为系数,对应交通工程中的占有率指标。一般来说,Occ越小,表明道路的交通占有率越小,采用数学期望方法估计出来的结果越接近于真实值。因此,在进行样本采集时,应尽量将像素点被遮挡的图像筛选出来,不作为背景估计的样本。

直接采用数学期望作为估计值,将会干扰信息纳入背景值中,因此本文采用最大后验法,此时的背景估计模型为:

$\mu =\arg \underset{x}{{\displaystyle \max }}(p(x))(4)$

式(4)成立的前提是“真实背景值出现概率最大”的情况不被遮挡像素所改变。当观测时间内车辆遮挡的情况较少时,即占有率Occ较小时(极端情况下当Occ=0时式(3)等于式(1)),式(4)能够成立。

但是,当经过的车辆大部分与路面的颜色、反射度等光学特性相近时,就会影响到μ的取值;随着占有率Occ的增大,由式(3)可知,车辆亮度值对最终估计结果的影响也会变大(极端情况下当Occ=1时,则背景上的像素完全被淹没),此时μ具有较大的偏差。

综合考虑光源突变时(如隧道照明改变、多云天气、路边树荫等情况)能够实时更新背景,改进的算法如下:

$\begin{array}{l}if(\text{a}＜\text{Τ})\\ and(\text{t}＞0)\\ and(abs(arg\underset{\text{x}}{{\displaystyle max}}(\text{p}(\text{x}))-\widehat{\text{L}}{}_{\text{i}-1})\le \text{D})\\ then\\ \widehat{\text{L}}{}_{\text{i}}=\widehat{\text{L}}{}_{\text{i}-1},\text{a}=\text{a}+1\\ else\\ \widehat{\text{L}}{}_{\text{i}}=arg\underset{\text{x}}{{\displaystyle max}}(\text{p}(\text{x})),\text{a}=0\end{array}$

式中:a为累加器;T为最大累加次数;D为亮度突变阈值;t为第t次进行背景图像获取;t从0开始取值,$\widehat{L}$i为第t次计算获得的背景图像。

1.2 基于帧差法的样本分块选取

在求取$\arg \underset{x}{{\displaystyle \max }}(p(x))$时,统计样本数太大,则计算复杂度会很高(由于需要对每1个像素进行估计;另外为了快速适应环境变化,背景图像必须按照较小的时间间隔进行更新);但是样本数太少,则遮挡物的干扰变得显著。为了在取较小样本时仍具有良好的背景估计效果,需要考察样本的可靠性并进行选择。具体方法是:将图像划分为若干个子区域,采用计算复杂度很小的帧差法[8,9]计算各子区域中的运动像素数(按照某阈值对帧差法结果进行二值化,大于阈值的像素为运动像素),运动像素数小于某个阈值,才将该区域中的像素纳入统计样本中。区域划分如图1(a)所示,其对应的区域选择如图1(b)所示。值得注意的是,虽然每一帧图像选择的区域不同,但多帧图像样本联合起来能够对整个视频区域进行完整的背景估计。

假如将图像(高H、宽W)平均划分为r行、c列,那么共有r×c个分块,任意像素(x,y)所属的区域为$\frac{yr}{{\rm H}}+1$行、$\frac{xc}{W}+1$列对应的分块,因此该像素在当前图像下作为背景估计样本的条件是:

$WLS(\frac{yr}{{\rm H}}+1‚\frac{xc}{W}+1)＜G(5)$

式中:WLS为$\frac{yr}{{\rm H}}+1$行、$\frac{xc}{W}+1$列对应的分块的运动像素数;G为阈值。

1.3 算法流程

在以上分析的基础上,可得到1种快速的、融合了高斯分布模型和帧差样本选取的背景估计方法,其流程如图2所示。其中图像输入按照一定的采样间隔来进行,常用的频率有25帧/s,为了降低算法的复杂度,也可以设为10～15帧/s;图像分块数量与具体的道路环境有关,一般取40～70个比较适宜;统计样本数直接决定了背景估计的效果和效率,为同时兼顾算法的精度和速度,一般取30～50个比较适合。

图2中,获得最新的图像背景后,清空样本集继续进行图像采集。背景图像根据一定的周期不停地进行更新,因此算法对于环境变化的适应能力较强。

2 实 验

实验地点为广州市广园东快速路,分别采用文献[3]所介绍的序列均值法、文献[10]所介绍的多颜色模型法以及本文提出的样本选择高斯估计模型对白天交通场景和夜间交通场景进行背景估计,结果如图3所示。

采用本文方法时,背景更新间隔是5 s,背景估计所采用的样本数为30个。实验结果表明,序列均值法、本文方法均能在10 s内获取图像背景,而多颜色模型法需要约25 s才能做到。对于白天的背景图像估计,序列均值法受运动车辆的影响较大。

3 结束语

背景估计是视频交通信息采集的基础技术之一,对于环境多变情况下的实时交通信息采集,目前仍没有足够高效、稳定的背景估计方法。笔者提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的背景图像混合估计方法。单高斯估计模型符合像素在无遮挡情况下的亮度分布特性,与现有多数方法相比该模型参数简单,算法的实时性好;为了提高单高斯估计模型的应用效果,对图像进行帧差分块选取,从而提高了样本的纯度,削弱了运动物体和噪声对于像素分布的影响。实际道路环境下通过与序列均值法、多颜色模型法进行实验比较,证明了该方法的正确性和有效性。

摘要：为适应交通环境多变情况下实时交通信息动态采集的要求,提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的动态混合模型对交通信息的图像背景进行快速估计,并在实际道路环境下对多种方法进行实验比较,证明该模型有效地削弱了运动物体和噪声对于背景估计的影响,具有较好的正确性和有效性。

关键词：智能交通系统,动态交通信息采集,图像处理,背景估计,高斯分布

参考文献

[1]林培群.道路交通参数及交通事件智能检测关键技术研究[D].广州:华南理工大学,2008

[2]Triantafyllidis G A,Tzovaras D,Strintzis M G.Occlusion and visible background andforeground ar-eas in stereo:a bayesian approach[J].IEEE Trans-actions on Circuits and Systems for Video Technolo-gy,2000,10(4):563-575

[3]Jung Y K,Ho Y S.Traffic parameter extraction u-sing video-based vehicle tracking[C]//Proceedingsof IEEE International Conference on IntelligentTransportation Systems,1999

[4]Copeland B R,Chen M,Wade B D,et al.Anoise-driven strategy for background esti mation and eventdetection in data streams[J].Signal Processing,2006,86(12):3 739-3 751

[5]李全民,张运楚.自适应混合高斯背景模型的改进[J].计算机应用,2007,27(8):2 014-2 017

[6]Bailo G,Bariani M,Ijas P,et al.Background esti-mation with gaussian distributionfor i mage segmen-tation,a fast approach[C]//Proceedings of IEEEInternational Workshop on Measurement Systemsfor Homeland Security,2005

[7]Lin P Q,Xu J M,Bian J Y.Robust vehicle detec-tion in vision systems based on fast wavelet trans-form and texture analysis[C]//Proceedings ofIEEE International Conference on Automation andLogistics,2007

[8]Lucke R L,Stocker A D.Filteringinterpolators forframe differencing signal processors[J].IEEETransactions on Signal Processing,1993,41(8):2 574-2 582

[9]Tanaka K,Saji H.Vehicle extraction from aeriali mages using voting process and frame matching[C]//Proceedings of IEEE Intelligent VehiclesSymposium,2007

[10]Bhandarkar S M,Luo X Z.Fast and robust back-ground updating for real-ti me traffic surveillanceand monitoring[C]//Proceedings of the 2005IEEE Computer Society Conference on ComputerVision and Pattern Recognition,2005

背景估计 篇2

首先在黑板上写上算式： 43+88= 507-248= 师：同学们，刚才我们对数学算式的计算结果进行了估算，那么对于长度呢？我们是不是可以进行估计？ 生：能。

师：那么现在我们分别看看一毫米，一厘米，一分米，还有一米到底有多长。（分别将一张IC卡，一块橡皮的厚度，一个粉笔擦的长度，还有米尺的长度展示给学生看）师：通过了观察这些单位的长度，我们能不能不用直尺在本子上画出8厘米的线段呢？现在我叫2个同学来黑板画，其余同学拿出本子，在自己的本子上画出8厘米的线段。

（学生们开始画线段）

师：同学们现在都把线段画好了没？ 生：好了。

师：同学们，现在在刚才你画的线段下面再用直尺画一个8厘米的线段，将它和你刚才画的线段比一比，看一看是不是差不多长。（学生各自发表自己画的线段长了或短了）

师：通过刚才的比较，同学们现在把本子翻到另一页，在这页上再画一个8厘米的线段，看看同学们是不是对厘米单位长度差不多熟悉了。

师：经过刚才对厘米的认识，如果我们要估计黑板的长度是多少，我们可以用厘米来估计吗？ 生：不能。

师：那我们应该用什么单位呢？ 生1：分米

生2：米 师：刚才有同学说用米来估计黑板的长度，那么同学们一起来估计一下黑板的长度是几米。

（学生各自发表自己估计的数值）

（在学生说出数值后，用米尺来测量出黑板长的长度）师：对于刚才我们对线段和黑板长的估计，我们在估计的时候应该要注意什么？ 生：单位。

师：刚才的估计大家都做得很好，现在我们再做两个小测试，昨天老师叫你们回家测量身高，同学们都知道自己的身高吧，现在叫两个同学分别站在左右两侧，左边两组的同学估计一下左边的同学身高是多少，右边两组的同学估计一下右边的同学身高是多少，并答案记在心里。（两边各一小组开火车将数据报出来）师：现在我让在上面的同学公布一下他的身高，看看大家是不是估计的值和这位同学的真实身高是否接近。

师：现在大家拿出课堂作业本，对课堂作业本的长和宽分别进行估算，在用直尺量一量，自己估计出来的结果是否接近量出来的结果。

师：刚才我们都是对线段进行估计，接下来我们要对一个物品的周长进行估算，在前两节课我们学过了周长的概念，现在谁来告诉老师什么叫做周长？ 生：封闭图形的一周长度，是它的周长。

师：这位同学说的很好，现在同学们拿出学具袋，找出里面的彩带，对自己的文具盒围一圈，再彩带上做上标记，在估计一下将自己的文具盒围一圈需要彩带多少长。

（学生们动手操作）

师：估计完文具盒的周长，现在我们打开课本，翻到46页做一下做一做第一题，先进行估计，将每条边估计一边，再算周长多少，算好之后再用直尺量一量，算一算，看看自己估计出来的结果和自己所量的结果是不是接近。

师：好了，同学们现在回顾一下这节课我们学到了什么？（生各自发表自己的学习心得）

背景估计 篇3

交通信息采集是智能交通系统 (ITS) 得以顺利实施的基础。与其他检测技术相比, 视频技术最显著的优点是具有丰富的信息量, 因此为复杂检测任务的执行、为细粒度交通信息的获取提供了可能[1]。背景差分法是最常用、最有效的交通视频处理模式, 而背景估计正是背景差分法的基础和核心环节。

常用的背景估计方法有统计学模型[2,3]、卡尔曼滤波法[4]、混合高斯分布模型[5,6]等。统计学模型中最常用的方法为序列均值法[3], 该方法将运动对象的像素纳入背景估计, 存在一定的偏差, 适用于背景大部分时间未被遮挡的情况, 即交通占有率很低的情况。基于卡尔曼滤波的背景估计模型能够适应光线均匀、有序的变化, 文献[4]对其进行研究和应用。卡尔曼滤波法在光线不稳定的情况下难以建立有效的状态转移矩阵, 对于目标像素常被遮挡 (如交通繁忙时) 的情况也难以适应。基于混合高斯分布的背景估计模型可以很好地适应光线的变化, 对于缓慢移动的目标有较好的鲁棒性, 但该方法对每个像素点都需要用相应的模型来描述, 每个模型由多个高斯函数加权得到, 因此模型的建立、参数的确定相当困难, 算法的时空复杂度很高, 对照明突变 (如在公路隧道中) 的应变能力较弱。

背景估计是视频交通信息采集领域的研究热点, 近年来有大量的新方法被提出来, 但目前仍没有一种被普遍接受的方法。在这种情况下, 本文综合考察现有方法的优缺点, 并充分考虑算法的实时性, 提出一种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的混合模型对图像背景进行快速估计。

1 方法描述

1.1 像素亮度高斯分布假设

高斯分布满足自然界的许多现象, 文献[5,6]等认为混合高斯分布符合像素亮度值分布的特点。多高斯混合分布的缺陷是模型参数获取困难, 样本需求量大, 不能满足实时交通信息采集的要求。有鉴于此, 本文在前期研究成果[7]的基础上提出了如下模型假设:在主照明光源没有明显变化, 且无遮挡的时间段内, 数字图像上任意像素点的亮度值满足单高斯分布, 即:

$p(x)=(\sqrt{2\text{π}}\sigma ){}^{-1}\text{e}{}^{\frac{(x-\mu ){}^2}{2\sigma {}^2}}(1)$

式中:p (x) 为像素取某个亮度值x的概率;标准差σ>0, 最大概率$\max (p(x))=(\sqrt{2\text{π}}\sigma ){}^{-1}$;数学期望E (x) =μ。上述假设中“主照明光源”在白天指自然光, 在夜间指自然光与路灯光的叠加;由于自然光、路灯光在大多数情况下是渐变的, 在短时间段内 (如几分钟) 可认为“没有明显变化”, 因此如果背景更新的频率 (一般5～60 s) 足够高, 则上述假设可适应一般的交通场景。因此, 以任何一帧图像 (即便无任何前景目标存在) 作为背景图像都是不正确的。

由上述假设可知, 若无遮挡, 要获取背景图像某像素点在一段时间内的真实值, 可用数学期望E (N (μ, σ2) ) 来表示, 此时的方法与序列均值法[3]一致。但是实际道路常常会被车辆遮挡, 单高斯分布假设并不存在, 此时若直接按照此方法进行计算, 误差将会很大。

为了处理干扰信息, 认为车辆对背景上某像素点的遮挡为随机干扰, 由于车辆本身颜色、反射度等光学特征的差异, 这些随机干扰一般不构成单一的高斯分布。记车辆遮挡下背景像素的亮度概率函数为:

$p(x)={\rm K}(x)(2)$

那么, 对于车道上任意点的像素, 其亮度值概率函数可描述为:

$p(x)=(1-{\rm O})(\sqrt{2\text{π}}\sigma ){}^{-1}\text{e}{}^{\frac{(x-\mu ){}^2}{2\sigma {}^2}}+{\rm O}{\rm K}(x)(3)$

式中:O为系数, 对应交通工程中的占有率指标。一般来说, O越小, 数学期望方法估计出来的结果越接近于真实值。因此, 在进行样本采集时, 尽量不采用像素点被遮挡的图像。

采用数学期望作为估计值的做法将干扰信息纳入背景值中, 而若采用最大后验法, 则可有效避免这种情况的发生, 此时的背景估计模型为:

$\mu =\arg \underset{x}{{\displaystyle \max }}(p(x))(4)$

式 (4) 成立的前提是“真实背景值出现概率最大”的情况不被遮挡像素所改变。当观测时间内车辆遮挡的情况较少时, 即占有率O较小时 (极端情况下当O=0时式 (3) 等于式 (1) ) , 式 (4) 亦能够成立。

但是, 当经过的车辆大部分与路面的颜色、反射度等光学特性相近时, 此时可能会稍微改变$\arg \underset{x}{{\displaystyle \max }}(p(x))$的取值;随着占有率O的增大, 由式 (3) 可知, 车辆亮度值对最终估计结果的影响也会变大 (极端情况下当O=1时, 则背景上的像素完全被淹没) , 此时可能使得$\arg \underset{x}{{\displaystyle \max }}(p(x))$具有很大的偏差。

在以上分析的基础上, 综合考虑光源突变时 (如隧道照明改变、多云天气等情况) 能够实时更新背景, 最终的算法如下:

$\{\begin{array}{l}\text{i}\text{f}(a＞{\rm T})\text{o}\text{r}(t=0)\text{o}\text{r}\\ (\text{a}\text{b}\text{s}(\arg \underset{x}{{\displaystyle \max }}(p(x))-\widehat{L}{}_{t-1})\le D\\ \text{t}\text{h}\text{e}\text{n}\\ \widehat{L}{}_t=\arg \underset{x}{{\displaystyle \max }}(p(x)),a=0\\ \text{e}\text{l}\text{s}\text{e}\\ \widehat{L}{}_t=\widehat{L}{}_{t-1},a=a+1\end{array}(5)$

式中:a为累加器;T为最大累加次数;D为亮度突变阈值;t为第t次进行背景图像获取;t从0开始取值, $\widehat{L}$t为第t次计算获得的背景图像。

1.2 基于帧差法的样本分块选取

在求取$\arg \underset{x}{{\displaystyle \max }}(p(x))$时, 统计样本数太大, 则计算复杂度会很高 (由于需要对每一个像素进行估计;另外为了快速适应环境变化, 背景图像必须按照较小的时间间隔进行更新) , 样本数太小, 则会受到遮挡物的干扰。为了削弱遮挡物的影响, 以便能够取较小的样本数, 在采集样本时, 需要考察样本的可靠性。具体方法是:将图像划分为若干个子区域, 采用计算复杂度很小的帧差法[8,9]计算各子区域中的运动像素数 (按照某阈值对帧差法结果进行二值化, 大于阈值的像素为运动像素) , 当运动像素数小于某个阈值时, 才将该区域中的像素纳入统计样本中。区域划分如图1 (a) 所示, 其对应的区域选择如图1 (b) 所示。值得注意的是, 虽然每一帧图像选择的区域不同, 但多帧图像样本联合起来能够对整个视频区域进行完整的背景估计。

假如将图像 (高H、宽W) 平均划分为r行、c列, 那么共有r×c个分块, 任意像素 (x, y) 所属的区域为$\frac{yr}{{\rm H}}+1$行、$\frac{xc}{W}+1$列对应的分块, 因此该像素在当前图像下作为背景估计样本的条件是:

$WLS(\frac{yr}{{\rm H}}+1,\frac{xc}{W}+1)＜G(6)$

式中:WLS为$\frac{yr}{{\rm H}}+1$行、$\frac{xc}{W}+1$列对应的分块的运动像素数;G为阈值。

1.3 算法流程

在以上分析的基础上, 可得到一种快速的、融合了高斯分布模型和帧差样本选取的背景估计方法, 其流程如图2所示。其中图像输入按照一定的采样间隔来进行, 常用的频率有25帧/s, 为了降低算法的复杂度, 也可以设为10～15帧/s;图像分块数量与具体的道路环境有关, 一般取40～70比较适宜;统计样本数直接决定了背景估计的效果, 为同时兼顾精度和速度2个指标, 一般取30～50个比较适合。

图2中, 获得最新的图像背景后, 清空样本集继续进行图像采集。背景图像根据一定的周期不停地进行更新, 因此算法对于环境变化的适应能力较强。

2 实 验

实验地点为广州市广园东快速路, 分别对白天和夜间的交通场景进行背景估计, 采用文献[3]所介绍的序列均值法、文献[10]所介绍的多颜色模型法以及本文提出的样本选择高斯估计模型分别进行实验, 结果如图3所示。

采用本文方法时, 背景更新间隔是5 s, 背景估计所采用的样本数为30个。

实验结果表明, 序列均值法、本文方法均能在10 s内获取图像背景, 而多颜色模型法需要约25 s才能做到。对于白天的背景图像估计, 序列均值法受运动车辆的影响较大;对于夜间的背景图像估计, 序列均值法、多颜色模型法均在一定程度上受到车头灯照明的干扰, 所估计的背景图像存在块状亮斑。

3 结束语

笔者提出了一种基于单高斯分布假设, 图像分块处理, 利用帧差法进行样本选取的背景图像混合估计方法。单高斯估计模型符合像素在无遮挡情况下的亮度分布特性, 与现有多数方法相比该模型参数简单, 算法的实时性好;为了提高单高斯估计模型的应用效果, 对图像进行帧差分块选取, 从而提高了样本的纯度, 削弱了运动物体和噪声对于像素分布的影响。实际道路环境下通过与序列均值法、多颜色模型法进行实验比较, 证明了所提出的方法的正确性和有效性。

摘要：为适应交通环境多变情况下实时交通信息采集的要求, 提出一种快速高效的背景估计方法。该方法以单高斯估计模型为基础, 参数简单, 算法实时性好;在采集样本时通过帧差法对图像进行分块选取, 从而保证了样本的纯度, 有效地削弱了运动物体和噪声对于背景估计的影响。通过实际道路环境下多种方法的实验比较, 证明所提出的方法的正确性和有效性。

关键词：智能交通系统,交通信息采集,图像处理,背景估计,高斯分布

参考文献

[1]林培群.道路交通参数及交通事件智能检测关键技术研究[D].广州:华南理工大学, 2008

[2]Triantafyllidis G A, Tzovaras D, Strintzis M G.Occlusion and visible background andforeground ar-eas in stereo:a bayesian approach[J].IEEE Trans-actions on Circuits and Systems for Video Technolo-gy, 2000, 10 (4) :563-575

[3]Jung Y K.Ho Y S.Traffic parameter extraction u-sing video-based vehicle tracking[C]//.Proceedingsof IEEE International Conference on IntelligentTransportation Systems, 1999:764-769

[4]Copeland B R, Chen M, Wade B D, et al.A Noise-driven strategy for background esti mation and eventsetection in data streams[J].Signal Processing, 2006, 12 (86) :3 739-3 751

[5]李全民, 张运楚.自适应混合高斯背景模型的改进[J].计算机应用, 2007, 27 (8) :2 014-2 017

[6]Bailo G, Bariani M, Ijas P, et al.Background esti-mation with gaussian distributionfor i mage segmen-tation, a fast approach[C]//.Proceedings of IEEEInternational Workshop on Measurement Systemsfor Homeland Security, 2005:2-5

[7]Lin P Q, Xu J M, Bian J Y.Robust vehicle detec-tion in vision systems based on fast wavelet trans-form and texture analysis[C]//.Proceedings ofIEEE International Conference on Automation andLogistics, 2007:2 958-2 963

[8]Lucke R L, Stocker A D.Filteringinterpolators forframe differencing signal processors[J].IEEETransactions on Signal Processing, 1993, 41 (8) :2574-2 582

[9]Tanaka K, Saji H.Vehicle extraction from aeriali mages using voting process and frame matching[C]//Proceedings of IEEE Intelligent VehiclesSymposium, 2007:433-437

《估计》教学设计 篇4

教学内容：人教版三年级上册P45—46页 教学目标：

1、在画一画、剪一剪、估一估、量一量的活动中估量一些物体的长度，建立长度单位的表象，灵活运用多种估量的方法，提高估计的精确度。

2、通过活动，逐步形成空间观念，养成估计的意识和习惯，感受数学与生活的联系。教学过程：

一、复习引入

1、复习长度单位

师：同学们，大家已经认识了很多长度单位，谁来说说？ 板书：米、分米、厘米、毫米

2、比划

师：谁能用手比划一下1米、1分米、1厘米、1毫米有多长？也可以从你的身上找出这些长度。

3、猜一猜

师：出示1米长的彩带。

猜：有多长？你是怎样猜出来的？

4、揭题

预计学生可能说是看出来的，也可能是用自己的一庹长比出来的等，即“估计”出来的，根据学生的反馈，适时板书课题“估计”。

二、展开活动

1、画一画

（1）不用尺子，你能画一条长8厘米长的线段吗？大家一起来试一试。谁觉得自己画的8厘米最准了？我们一起来看看吧。（反馈2个学生的作品）大家画得准吗?请同桌用尺子互相量一量。

汇报：你是怎么画得这么准的呢？有什么好办法吗？

师：刚才大家都谈了不用尺子怎么画，如果现在请你来画，你能画得更准确吗？

还想再试试吗？

（2）不用尺子画一条长12厘米的线段和一条长2分米的线段。

同桌互相量一量，说一说自己的方法，眼力有进步的同学请举手，恭喜这些同学过关。

2、估一估

（1）估计铅笔的长，你觉得用什么做单位比较合适？

（2）估计一下课桌的高，用什么做单位比较合适？谁来量一量？

（3）估计一下把铅笔盒围一周是多长，用什么做单位比较合适？再量一量。（4）估计一个同学的身高。

（5）出示：一个盒子，现在要用彩带围盒子一周，需要多长的彩带呢？小组中讨论一下，然后把你认为需要多长的彩带剪下来。看看哪一组的同学眼光最准。学生反馈，说说是怎么想的。

（6）拿出小组中课前准备好的包装盒，先估计一下用彩带围一周需要多长，然后剪下来，实际围一围。最后汇报。

3、找一找

找自己喜欢的物品，先估一估，再算一算它们的周长，并记录下来。

三、联系生活

1、围一围

(1)请5个同学手拉手围成一圈。

师：5个同学手拉手围一圈，周长大约是多少？先估计，再测量。(2)估计一下，如果要拉成周长是10米的圈，至少要有几个同学？

(3)师：人们经常用这种方法估计出大树或是大柱子的周长，你能估计出来吗

2、比一比

从小红家到学校有下面几条路可以走。你能说出哪条路近，哪条路远吗？（出示课件）

3、想一想

一块长方形的菜地，长6 米，宽3米。如果一面靠墙，篱笆至少要多少米？

四、课堂总结

1、通过这节课的学习，你有什么收获或感受？

2、在生活中，你还想进行哪些有趣、有挑战性的估计呢？比如杭州湾跨海大桥的长度、雷峰塔的高度等，课后再去实践研究，好吗？

设计意图：

《估计》这节课是人教版三年级上册第三单元四边形的最后一个课时，是在学习了四边形，平行四边形，认识了周长，掌握了长方形和正方形的周长的计算的基础上学习的。本节课共有两个例题，例4，要求学生不用尺子画一条8厘米长的线段，再用尺量一量，比一比谁画的线段最准。例5，要求学生先估计，用彩带纸把铅笔盒围一周，彩带纸至少要多长，再实际剪一段试一试。“做一做”三道题，是例题的巩固和延伸，同时也带着复习有关周长的内容。

1、体现有标准的估计，注重对估计方法的指导。

先让学生不用尺子画出一条8厘米长的线段，再要求同学之间互相量一量，看一看谁画的线段最准。请同学们交流自己的画法，说说你是怎么画的。以什么做标准来估计的，在互相交流的基础上，再次要求学生不用尺子画12厘米的线段和2分米的线段。在经历了从估——量——估的活动过程中，获得了相应的长度的线段的表象。进一步巩固了有标准的估计，为后面估计周长做好了铺垫。

2、在活动中提高估计能力，培养估计意识。