跟踪系统中的阈值分割研究移动物体技术
摘要
本文对广泛使用的运动目标跟踪技术中的阈值分割进行了实验研究，并对基本阈值分割，简单直方图分割，熵阈值分割算法，Otsu阈值分割算法和模糊数学进行了详细分析。基于分割算法。经过综合分析，Otsu阈值分割算法具有处理速度快，应用范围广，处理效果稳定的优点。
关键词- 移动物体 阈值分割 跟踪技术
1简介
随着社会经济的可持续发展，智能交通系统（ITS）在现代城市先进交通管理系统中发挥着越来越重要的作用。在智能交通系统中，移动物体的跟踪技术（特别是移动车辆）一直是核心基础技术，尤其在实时监控和监控方面具有广阔的应用前景。在经典的运动物体跟踪技术中，运动物体的实时图像经常被逐帧处理，以连续标记运动物体的位置，从而实现视觉上的“跟踪”效果。
在对每个图像进行逐帧处理的过程中，广泛使用的算法是通过图像分割算法从背景图像中分割运动对象。其中，阈值分割算法因其原理简单，易于处理而广受欢迎。本文旨在研究基于阈值的运动目标跟踪技术中的图像分割（为了更好地描述，本文将通过灰度图像进行讨论）。
2 经典阈值分割算法
2.1阈值分割算法的基本原理
图像分割是最重要的一个计算机视觉和图像处理的基本领域技术，主要包括基于阈值的分割，基于边缘的分割，基于区域的分割和基于运动的分割和阈值分割算法因其计算量小而被广泛使用稳定性。阈值算法的基本思想是根据背景图像的灰度值差异对运动对象进行分割。最简单的方法是在逐帧实时图像和没有移动物体的图像之间以及与上述实时图像相同的背景（每个实时图像的像素的灰度值减去灰度值）之间进行逐像素差异g（ij）背景图像的对应像素），从而获得白色背景的图像（对应像素的灰度值r（ij）= 0）。然后选择一个阈值t，每个像素的转换如下：
公式中的s（i，j）表示转换后相应位置的像素。这样，通过归一化算法，从背景中获取从背景中提取的运动物体的双层图像。但是，这只能在理想条件下实现。图像分割的变化通常受监视设备抖动，监视器视野中的其他移动物体（甚至天气变化），光照变化以及移动物体的属性的影响。并且确定图像分割控制是否良好的关键是阈值选择。如果阈值太高，则过多的目标点将被错误地分类为背景;如果阈值太低，它会以相反的方式起作用。
2.2简单的基于直方图的分割
简单直方图分割算法是通过在一个图像中使用不同灰度级像素的不同概率来分割图像。在这种方法中，基于直方图的明显“双峰”型灰度级图像可以有效地将其从背景中分割出来。整个图像的灰度值如图1所示，分布在t1到t4。可以清楚地看到直方图t2和t3中两个最大频率的灰度级，其中背景图像的灰度值范围位于相邻的前区域，目标图像的灰度值范围位于相邻的后区域。选择t = t0并根据公式（1）处理双层，以有效地从背景图像中分割目标图像。
然而，这仍然是理想条件下的分割算法，只有当背景图像上的物体图像相对明亮且具有两个明显的峰值时才能有效。同时，分割没有考虑由背景图像变化和监视设备抖动引起的热像素问题
在通过公式（2）计算出图像的熵并且通过不同的阈值标准优化最佳熵值之后获得阈值。例如，通过选择阈值，获取一维最大熵标准，所获得的图像的信息具有用阈值对图像进行分割的最大量，使得可以从背景图像有效地分割目标图像。详细的分割算法不在这里讨论，因为它可以通过定义不同灰度级区域的熵函数的数学算法来简单地计算出来。
图1
2.3熵阈值分割算法
熵阈值算法，发明于1980年，是将信息论基础理论应用于图形和图形学图像处理。 它通过计算出图像的熵灰度值概率分布（或灰度直方图）的一个图像，然后根据不同的标准优化熵达到最佳门槛。 在这种方法中，根据经典信息理论，熵是定义的如：
在通过公式（2）计算出图像的熵并且通过不同的阈值标准优化最佳熵值之后获得阈值。 例如，通过选择阈值，获取一维最大熵标准，所获得的图像的信息具有用阈值对图像进行分割的最大量，使得可以从背景图像有效地分割目标图像。 详细的分割算法不在这里讨论，因为它可以通过定义不同灰度级区域的熵函数的数学算法来简单地计算出来。
2.4 Otsu阈值算法
通过使用经典概率论和数理统计的最小二元乘法原理，可以很容易地推导出，如果将一组数据分割成两组，则两组数据的误分类概率最小，即2之间的方差。团体是最大的（有关推导，请参见[2] [8]）。如果选择了t0，则如图1所示的用于分割的图像可以分为两类：SI = {tl，tl 1，...，t0}和S2 = {t0，t0 1，...，t4}。通过简单的数学计算可以获得两个类别之间的差异：
公式（3）中的w0和w1分别表示S1和S2的概率，而P0和PI表示SI和S2的平均值。通过选择不同的阈值t 0，获得两个类别之间的最大方差，这是最佳阈值t。近年来，Otsu阈值算法因其简单的计算而得到了广泛的应用，即使没有明显的两个峰值也能获得稳定和理想的分割结果。
2.5 Fuzzy基于数学的分割算法
近年来，随着图像和图像的进一步研究以及计算机视觉技术的广泛应用，一些学者将模糊数学的基本理论引入图形和图像处理，并在图像分割技术方面取得了成果。
模糊集理论图像对图形和图像处理中的模糊性和随机性有很好的描述。基本思想是通过选择函数S来定义模糊集，然后通过定义和优化某些准则函数来选择最佳阈值。根据该理论，处理的数字图像可以看作是模糊点，它可以获得模糊率和模糊熵，并通过信息的基本理论选择最佳阈值。一种合理的方法是使用合格函数和具有Cauchy分布的线性函数来选择阈值。然而，这里不讨论该算法的大量计算，甚至接近或达到基于边缘的分割和基于区域的分割，这不适用于跟踪过程中运动物体的实时图像分割。有关相关内容，请参阅参考文献[1]。
3阈值分段算法在运动目标跟踪技术中的应用
在运动物体的跟踪技术中，理想的图像分割是将运动物体（通常是车辆）从背景图像（通常是道路）完全分割成实时图像：车辆关闭的轮廓，没有孤立的点或像素在车辆内部，清晰的边界轮廓。从视觉效果的角度来看，理想的运动物体跟踪技术可以连续，平滑地标记运动物体。因此，这对操作速度和处理效果要求很高
通过对比实验，基本阈值分割算法具有较快的运算速度，但不能达到预期的效果;而如上所述，基于模糊数学理论的新算法具有较低的运算速度，缺乏配置较低的计算机;其他三种算法在某些实验条件下可以达到预期的效果。然而，简单直方图分割算法只能处理明显比背景图像更亮的运动物体，而许多运动物体跟踪不能满足要求;除了处理由设备抖动引起的热像素视频外，熵阈值分割在各个方面都具有良好的性能;大津阈值算法比其他算法计算速度快，特别是在运动目标的“车 - 路”货架模型中。由于道路的颜色相对一致且连续且车辆路线相对不变，因此阈值分割算法具有非常稳定的性能。以下是上述主要算法处理的实时实验图像。
图2
（a）源文件
（b）基本阈值算法
（c）基于简单直方图的算法
（d）熵阈值算法
（e）Otsu阈值算法。
4结论
随着监测设备的普及，对运动物体跟踪技术的研究将极大地促进社会经济的发展，尤其是交通信息采集的发展，阈值分割算法是运动物体跟踪技术的关键点之一。 本文对运动目标跟踪技术中的阈值分割进行了实验研究，综合分析后，Otsu阈值分割算法具有处理速度快，应用范围广，处理效果稳定的优点。 近年来，一些学者正在尝试将遗传算法应用于图像分割算法，但由于其复杂和不成熟，不太适合移动物体的跟踪技术。 相信通过不断的努力，将会有更快，更好和更稳定的阈值分割算法。
参考文献
[1]刘志芳，王云琼，朱敏.数字图像分析.清华大学出版社，2006
[2]张慧玲，李克平，田敏晴.视频车辆测量中的阈值分割算法研究.公路交通科技，2007
[3]郭振，陈元智.图像分割的阈值分析方法研究.中国通信大学学报（自然科学版）
[4]刘志芳，王云琼，尤志胜.一种简单有效的分割运动车辆阴影的方法.光学学报
[5]雷磊.动态场景中运动目标的搜索跟踪算法及系统研究. CD技术
[6]孙凯鹏，李新军.单个运动物体的实时视觉跟踪算法.北京航空航天大学学报
[7]柏磊，范九伦.基于加权调和平均最大熵的图像阈值选择方法
[8] OSTU N.A灰度直方图阈值选择方法[J]1979
自适应阈值区域平均值，中位数和OTSU阈值的牙科年龄评定
摘要
自适应阈值在像素级别和结果中起作用自适应阈值的大小是背景或前景。自适应阈值产生优越的结果全局阈值，特别是对于具有不均匀像素的图像强度分布。在牙科年龄评估中，X射线图像用来估计人的年龄。现有的评估过程是手动完成的。但是，这可以自动制作。自动牙科年龄的过程评估，要求阈值分割来分离背景和牙齿区域。为了优化结果自适应阈值，它取决于阈值。在这论文，我们提出三种方法（即均值，中位数和OTSU）估计阈值的范围。结果研究表明，中位数阈值提供了更好的结果比平均值和OTSU阈值。就地区而言分割，中值阈值涵盖更多的牙齿其次是平均阈值和OTSU阈值。该地区细分是很重要的，因为其中一个要求Demirjian方法是评估象限2中的所有牙齿类型和象限3.根据实验结果显示中位数阈值区域能够分割大部分牙齿区域在象限2和象限3中。
关键词：分割 自适应阈值 Demirjian
1简介
牙科年龄评估用于估计未知年龄一个人[1]。现有的牙科年龄评估过程已经完成由牙医手动。这个过程很麻烦，需要牙医检索患者的X射线图像。检索患者后图像牙医需要填写患者信息牙科年龄评估（DAA）卡。下一步，牙医开始通过将图像分成4个量子来评估X射线图像该象限的划分，从切牙中心开始到臼齿的末端。接下来，评分过程开始，牙医将评估象限2和象限3中的牙齿。牙医将填补将评估结果纳入DAA卡。这个过程将是为下一位病人重复。可以做出这个过程自动化。Demirjian方法是牙科年龄评估之一实践。Demirjian方法使用X射线图像作为辅助评定。自动牙科年龄评估需要图像加工技术。自适应阈值[2]是其中之一分割方法。自适应阈值是一个划分的过程图像到背景和前景。的表现自适应阈值取决于T的阈值。本文给出了X射线的自适应阈值分割结果牙齿图像基于T的阈值使用均值，中位数和OTSU。
此篇文章的结构如下。第2节介绍了关于牙科年龄评估和适应性阈值的文献综述分割。 第3节讨论了应用于的方法试验获得阈值（即平均值，中值和OTSU）。第4节提供了获得的结果。 最后，第5节讨论结论和未来的工作。
2文献评论
2.1牙科年龄评估
牙科年龄评估（DAA）是评估的可靠方法儿童和新生儿的年龄[3]。有很多情况由于无证或无法知道实际年龄（CA）缺少出生数据。联合国儿童基金会在2010年报告的只有一半发展中国家五岁以下的儿童都有自己的出生注册[4]。 DAA被律师和移民广泛使用年龄不可靠的国际收养官员[5]。该Demirjian方法的结果是其中使用的信息之一牙齿发育阶段（TDS）。 在这种方法中，它使用了X射线图像作为主要数据来源。
2.2Demirjian方法
Demirjian方法于1973年引入。该方法提出基于牙齿成熟的牙科年龄评估，在全景X光片或牙科全景断层扫描仪（DPT）中评估[6]。 DPT显示单个图像上的整个牙列信息。 Demirjian描述的方法被认为是最简单的可靠的方法[7]。
人类有两套牙齿; （即主牙和恒牙）。主牙数量为20，恒牙数量为32。有四种类型的牙齿;即：门牙，犬齿，前磨牙和臼齿[8]。永久性牙齿由所有这些类型的牙齿组成而主要牙齿由门牙，犬齿和前磨牙组成。该牙医通过给出基于Demirjian的分数来评估牙齿比例A到H.
手工评估的问题主要是结果取决于X射线图像的质量，评估的难度重叠的牙齿和人为因素，如浓度，健康条件和偏见[9]。此评估可以替换为自动化流程。自动化过程可以使用图像加工技术。开发自动化的早期阶段基于Demirjian的牙齿分割与分类方法是将牙齿与背景和前景分开。此过程称为分段。
2.3分段
图像分割是将数字图像分离为的过程多个部分。通常，应用图像分割来检索线条，曲线和图像的边界。分割的目标是为了简化图像的表示一些有意义且易于分析的东西[10]。牙科x射线图像由牙齿，颧骨和下颌骨组成。分段过程是为了将牙齿区域与X射线图像分开所需。该分割中的常用技术是阈值
2.4阈值
阈值是将图像分割为背景的过程和前景[11]。阈值的结果是黑色或白色。 在图像处理技术中，阈值可以分类为全球和本地门槛。阈值结果的表现，自适应或局部阈值相对于全局产生更好的结果门限[12]就阈值性能结果而言。该T的阈值起着重要的作用，要么转动像素到背景或前景它取决于价值。剩下的本节讨论了找到阈值的三种方法T（即平均值，中值和OTSU）。
OTSU方法由OTSU的Nobuyuki Otsu介绍阈值是基于的自动二值化决策直方图[13]。该算法的目的是找到阈值T.最小化加权的类内方差。然后计算最小化类间加权的最佳阈值的类间方差（1）。从数学上证明了这一点最小化类间方差与最大化方差是相同的。OTSU方法已应用于以前的实验，但分割的结果不能分割整个牙齿[在这里提到参考]。Rizal等人在他的论文牙科年龄评估中提到了OTSU门槛用OTSU和分水岭算法进行法医鉴定[14]。下面的符号说明了算法的工作原理。
OTSU算法找到前景mu;1和的前景背景mu;2为每个灰度值捐赠i，P（i）为i的规范频率q指的是前景q1和背景q2的总像素。前景的方差为sigma;12和背景的方差为sigma;2 全文共8013字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1905]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
