xlvector的专栏

前面的一篇文章谈了高斯背景模型在运动物体检测中的应用。本文主要讨论另一种方法——光流法。与高斯背景模型的方法不同，光流法可以用于摄像机固定和摄像机运动的情形，但本文只就摄像机固定的情况进行讨论，即不涉及摄像机运动预测问题。光流法的介绍在空间中，运动可以用运动场描述。而在一个图像平面上，物体的运动往往是通过图像序列中不同图象灰度分布的不同体现的。从而，空间中的运动场转移到图像上就表示为光流场

高斯背景模型运动检测的一般方法    目前，运动物体检测的问题主要分为两类，摄像机固定和摄像机运动。对于摄像机运动的运动物体检测问题，比较著名的解决方案是光流法，通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态。对于摄像机固定的情形，当然也可以用光流法，但是由于光流法的复杂性，往往难以实时的计算，所以我采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大

教程： Optical Flow —— http://www.cs.cf.ac.uk/Dave/Vision_lecture/node45.html Motion Flow in Computer Vision —— http://robotics.eecs.berkeley.edu/~sastry/ee20/vision3/vision3.ht

运动物体的检测介绍        运动物体检测有许多方法，我采用了Gauss背景模型的方法。关于高斯背景模型的介绍可以参照我的另一篇文章。本文主要讨论利用高斯背景模型所做的实际系统。这一系统以高斯背景模型的算法为基础，并结合了计算机视觉的一些经典算法，主要针对摄像机固定的监控系统所拍摄的视频。算法速度快，可以用于实时计算，速度在处理640*480的视频时可以达到15帧每秒。目前的系统只支持

最近在做一个Motion Detection的课题，在课题中提取的运动物体往往由离散的点组成，如果要用连通分量的计算方法提取每个运动物体的轮廓不太容易，为此要将由离散点组成的图像进行膨胀，腐蚀运算。膨胀 dilation考虑两幅二值图像A,B。它们的前景用黑色，背景用白色。另fA和fB表示各自前景点的集合。定义膨胀运算为：dilation(A,B) = {a+b| a∈A,b∈B}。比如：