B2016第九届一阶段优秀论文1430队 B题

第九届数学中国数学建模网络挑战赛 地址：数学中国数学建模网络挑战赛组委会网址： 电话编：010021Email：2016 第九届“认证杯”数学中国 数学建模网络挑战赛 承诺书 第九届“认证杯”数学中国 数学建模网络挑战赛 承诺书 我们仔细阅读了第九届“认证杯”数学中国数学建模网络挑战赛的竞赛规则。 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网 上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的 资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参 考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规 则的行为，我们接受相应处理结果。 我们允许数学中国网站()公布论文，以供网友之间学习交流，数学中 国网站以非商业目的的论文交流不需要提前取得我们的同意。 我们的参赛队号为：我们的参赛队号为：1430 参赛队员参赛队员(签名签名) ： 队员 1：田恒乐 队员 2：明瑞晨 队员 3：王林茜 参赛队教练员参赛队教练员 (签名签名)： 参赛队伍组别（例如本科组）：本科组 ： 参赛队伍组别（例如本科组）：本科组 第九届数学中国数学建模网络挑战赛 地址：数学中国数学建模网络挑战赛组委会网址： 电话编：010021Email：2016 第九届“认证杯”数学中国 数学建模网络挑战赛 编 号 专 用 页 第九届“认证杯”数学中国 数学建模网络挑战赛 编 号 专 用 页 参赛队伍的参赛队号：（请各个参赛队提前填写好）：1430 竞赛统一编号（由竞赛组委会送至评委团前编号）： 竞赛评阅编号（由竞赛评委团评阅前进行编号）： 第九届数学中国数学建模网络挑战赛 地址：数学中国数学建模网络挑战赛组委会网址： 电话编：010021Email：2016 2016 年第九届“认证杯”数学中国 数学建模网络挑战赛第一阶段论文 年第九届“认证杯”数学中国 数学建模网络挑战赛第一阶段论文 题目低分辨率下看世界 关 键 词低分辨率识别，数值量化，多元非线性拟合，参数检验 摘要： 低像素的图像运动识别被广泛运用于多种场合，因而快速高效的识别方法是亟待解 决的问题。考虑到低像素的图像分辨率低，特征被弱化，并且在每次获取图像的时候特 征可能发生偏动，所以本文中建立了基于时间序列的预测模型。 首先，本文获取当前时刻图像像素点的值，设定不同移动方向，将摄像机的运动方 向作为参数，令水平方向偏移k和竖直方向偏移m，建立一系列方程组，根据预测函数 和下一时刻的实际值，通过多元非线性拟合得到具体参数值k和m。 其次，本文将拟合结果数据与实际数据作方差检测和参数检测判断，进而确定移动 方位和具体参数。 最终，用实际的一个图像序列对模型进行测试，测试结果满足预先要求，定义一个 参数检验标准，对结果进行评估。 本文所建立的基于时间序列的低像素图像运动方向辨识模型能够降低边缘模糊误 差，通过数值量化下一时刻像素点值的方法可以提高匹配的精确度和系统的灵敏度，利 用参数检验达到优化模型的作用。 参赛队号:1430 所选题目:B题 参赛密码 （由组委会填写）（由组委会填写） 第九届数学中国数学建模网络挑战赛 地址：数学中国数学建模网络挑战赛组委会网址： 电话编：010021Email：2016 Summary The motion recognition of low-pixel images is widely used in many occasions, so fast and efficient methods of image identification are requried urgently. We noticed that the low-pixel images have low resolution and greatly weakened features. And each time we capture the images feature, their value may occur bias. In this paper, we established a prediction model based on time series to solve the problem about motion direction recognition of low-pixel images. First of all, we get the pixel point value of the current time image, and set different directions of motion. We regard the movement of cameras direction as a parameter, and the horizontal offset isk, vertical offset is m. Then we established a series of equations. Based on the prediction function and the actual value at next time point, we can obtain the specific parameters k, m by the method of Multivariate nonlinear fitting(MNF). Secondly, we detected the variance and parameter detection judgment between the fitting data and actual data, and then we can determine the movement orientation and specific parameters. In the end, we tested our model with an actul sequence of images. We found that the test results meet the pre-requirements. We also definited a new parameter to evaluate the results. In this paper, our motion recognition of low-pixel images model which is based on time series can reduce edge fuzzy error. It can improve the sensitivity and accuracy of the matching system by numerical quantification of the pixel values at next time point.And the parameter test is benefit to optimize this model. Key Words:Low resolution identification,Numerical quantization, Multivariate nonlinear fitting,Parameter test 参赛队号 # 1430参赛队号 # 1430 1 低分辨率下看世界低分辨率下看世界 目录目录 一、 问题重述2 1.1 问题背景 2 1.2 问题提出 2 二、 问题分析2 三、 模型假设2 四、 符号说明3 五、 模型建立与求解3 5.1 模型一 3 5.1.1 模型一的建立3 5.1.2 模型一的求解4 5.1.3 模型一的检验5 5.1.4 模型一的结论5 5.2 模型二 5 5.2.1 模型二的建立5 5.2.1 模型二的求解7 5.2.3 模型二的检验9 5.2.4 模型二的结论 10 5.3 模型的改进10 六、 模型评价与展望 10 6.1 模型的优点 10 6.2 模型的缺点 10 6.3 模型的展望 11 七、 参考文献11 八、 附录11 8.1 一维情况下的加权运算源代码 11 8.2 二维情况下的加权运算源代码 12 8.3 一维情况下的判断运动方向源代码 12 8.4 二维情况下的判断运动方向源代码 13 8.5 从视频中获取图像序列源代码 15 参赛队号 # 1430参赛队号 # 1430 2 一、问题重述一、问题重述 1.1 问题背景1.1 问题背景 运动是引起图像序列时空变化的一个重要因素，它包括摄像机运动和场景中的物体 运动。将这种三维运动投影到图像平面，形成二维运动，称为表观运动（Apparent Motion），也称光流（Optical Flow）。 在高分辨率的照片中，我们通过肉眼可以很容易的辨认出运动的方向。但是由于一 些客观条件的限制，拍摄设备只能在较低的分辨率下成像，这就为我们分析摄像视野的 变化（即运动）带来很大难度。如何从一系列有序列的图像的灰度和颜色信息估计出这 个二维运动，即基于图像序列的运动建模和计算，是图像序列分析的重要内容之一 1。 1.2 问题提出1.2 问题提出 数码摄像技术被广泛使用于多种场合中。有时由于客观条件的限制，拍摄设备只能 在较低的分辨率下成像。为简单起见，我们只考虑单色成像。假设成像的分辨率为 32 64，成像方式是将整个矩形视野划分成32 64个相同大小的矩形格子，图像中每个 像素的取值为对应格子的亮度平均值。每间隔一定时间拍摄一帧图像，运动的画面体现 为图像的序列。 第一阶段问题： 现在整个视野区域向某个方向缓慢运动， 拍摄到的系列图像实时地 传输到计算机中。请你建立合理的数学模型和算法，通过分析实时拍摄的图像，使用尽 量少的时间，以判断出运动的方向。 二、问题分析二、问题分析 1.动态图像序列是由一系列具有相对次序的帧图像组成。除了具有与图像一样的空 间特性外，动态图像序列还具有时序特性，即运动信息。而序列图像灰度（或颜色值） 与运动参数之间的关系是运动估计算法的主要基础 23。 2.序列图像的获取：首先我们对一个选定的视野进行视频拍摄。根据题目要求，在 拍摄过程中，摄像机应缓慢地沿着右下匀速移动。为了模拟图像序列实时地传输到计算 机中，我们对视频逐帧进行截图，最后调整每张图片的分辨率为32 64，从而得到题目 要求中低分辨率的序列图像，我们从中按时间顺序选取了 4 张示意如下图 1（a）、图 1 （b）、图 1（c）、图 1（d）所示，因而后续的模型检验都以右下运动作为标准。 图 1（a）图 1（d）:按时间顺序的图像序列 3.图片预处理：由于噪声等一系列不确定因素的干扰，我们首先采用相关滤波消除 掉图像序列中的干扰，以便得到更好的提取效果。 三、模型假设三、模型假设 1.假设只有摄像机运动（移动、变焦等）而场景保持静止。 2.假设运动轨迹上的图像值不变，即只是运动造成图像序列中像素值得改变，而场 景光照不变。 3.假设图像上所有的像素点都以某种相同的方式运动。 4.假设每两个相邻帧之内，图像的移动不超过一个矩阵格子。 参赛队号 # 1430参赛队号 # 1430 3 四、符号说明四、符号说明 符号符号意义意义单位单位 i摄像视野中32 64矩形格子的第i行（164i ）无 j 摄像视野中32 64矩形格子的第j列（1 32j ）无 k摄像视野在水平方向移动的速度像素点/帧 m摄像视野在竖直方向移动的速度像素点/帧 n时间节点（即第n帧）帧 n ij a第n帧时，第i行第 j列个矩形格子的像素亮度值 无 参数检验标准无 k k值的检验标准无 m m值的检验标准 无 注：未列出符号及重复的符号以出现处为准。注：未列出符号及重复的符号以出现处为准。 五、模型建立与求解五、模型建立与求解 5.1 模型一 5.1.1 模型一的建立 5.1 模型一 5.1.1 模型一的建立 为了简化模型，我们首先考虑摄像视野仅做水平方向上的移动，且认为摄像机向右 移动时的速度k值为正。如图 2（a)和图 2（b），易得图形运动过程中，各像素点之间 的关系 4。 图 2（a):原图像各矩阵格子灰度值图 2（b):摄像机向左上方向运动时的灰度值影响 根据题意，每个像素的亮度值是所在区域的平均值，所以当摄像视野出现缓慢移动 导致图像出现微小偏移的时候， 图像中同一个像素位置是由前一时刻的当前位置和周围 的位置共同组成的新区域，基于该分析我们可以判断图像运动方向 5。 分析易知，第1n帧时，第i行第j列个矩形格子的像素亮度值 1n ij a 是由它相同行、 前一列矩阵格子前一帧的像素值 1 n i j a 和相同行、相同列矩阵格子前一帧的像素值 n ij a通 过加权共同决定，得到 1n ij a 的计算如下公式（1）所示。 1 1 1 nnn ijiji j akak a （1） 参赛队号 # 1430参赛队号 # 1430 4 其中0k ，10k。如果出现k为负值的情况则说明，实际摄像视野的运动方向与我 们事先假定的正方向相反，即运动方向向左。 5.1.2 模型一的求解5.1.2 模型一的求解 我们用相邻两个图像作为一组来计算k值，真实值与计算值之间的方差，从而得到 多组k值及它们分布的方差。由于图像像素较低，且我们的计算存在不可避免的误差， 但是当k值呈现出的整体趋势在某个值附近波动，多数方差的值都趋于 0，我们就可以 根据k的符号来判断移动方向的 6。 选取每个图像特定区域内的点按照公式（1）构成一元方程组求解得到k值的散点分 布（matlab 图），并根据其符号和真实值与计算值之间的方差判断k值合理性。 我们以其中第 32 行像素点的计算为例进行分析，由公式（1）可得： 1 1 32,1 32 232 2 11 32 332,232 3 1 1 32,3232,32 32,31 1 n nn nnn nn n aaa aaa kk aaa ， ， （2） 其中n为整数，且 1,31n 。 用一维情况下检测向右移动的程序对k值进行检验，可得到不同帧数时，k值的 分布情况如下图 3 所示，真实值与计算值之间的方差如下图 4 所示： 020406080100120 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 k值 020406080100120 0 1 2 3 4 5 6 7 8 9 x 10 4 方 差 图 3：一维向右程序k值分布检验图 4：一维向右真实值与计算值方差检验 由图 3 可知： 在不同帧数情况下， 图像水平方向的运动速率k值主要集中在0.3,0.6 区间范围附近，只有极少数点偏离了平均值。由图 4 可知：多数方差的值都趋于 0，满 足整体的趋势及吻合程度，所以此时的0k 说明一维运动方向实际是水平向右。 用一维情况下检测向左移动的程序对k进行检验，可得到不同帧数时，k值的分 布情况如下图 5 所示，真实值与计算值之间的方差如下图 6 所示： 参赛队号 # 1430参赛队号 # 1430 5 020406080100120 -1.5 -1 -0.5 0 0.5 1 1.5 k值 020406080100120 0 1 2 3 4 5 6 7 8 9 10 x 10 4 方 差 图 5：一维向左程序k值分布检验图 6：一维向左真实值与计算值方差检验 由图 5 可知： 在不同帧数情况下， 图像水平方向的运动速率k值主要集中在-0.5,0 的区间范围附近， 只有极少数点偏离了平均值。 由图 6 可知： 多数方差的值都在 0 附近， 满足整体的趋势及吻合程度，所以此时的0k 说明一维运动方向实际是水平向左。 5.1.3 模型一的检验5.1.3 模型一的检验 由图像的分布我们可以看出整体的趋势及吻合程度，由此判断每个值和值（即相邻 图像计算的值） 是否满足整体趋势， 最终通过相邻的两个图像确定摄像视野的运动方向。 在模型的检验中，我们首先定义了“参数检验标准”这一概念，符号为，它表示 方向检测过程中，方向出错的像素点个数与被检测像素点总数的比值。用 k 来表示k值 的检验结果，即参数出错率。由上图 2 和图 4 中k值的分布，经过统计和计算，用一维 情况下检测向右移动的程序检测出错率为 0，用一维情况下检测向左移动的程序检测出 错率为 26%。 5.1.4 模型一的结论5.1.4 模型一的结论 综合上述模型的求解与检验，我们可以得到被检测的图像序列的运动方向为水平向 右，这与我们实际拍摄时摄像视野的运动方向一致，从而证明了模型一的正确性，在模 型一的检验中我们也引入了k值的“参数检验标准” k ，检验可知模型一结果准确、出 错率低。 5.2 模型二 5.2.1 模型二的建立 5.2 模型二 5.2.1 模型二的建立 将简单的一维模型推广到二维，我们考虑拍摄视野同时在水平方向和竖直方向均发 生了移动，即移动方向存在倾角，且认为摄像机向右移动时的速度k值为正，向上移动 时的速度m值为正。如图 7（a)和图 7（b），易得图形运动过程中，各像素点之间的关 系 7。 参赛队号 # 1430参赛队号 # 1430 6 图 7（a):原图像各矩阵格子灰度值图 7（b):摄像机向左上方向运动时的灰度值影响 当摄像机向左上方向运动时当摄像机向左上方向运动时 第1n帧的第i行第j列个矩形格子的像素亮度值 1n ij a 是由它相同行、前一列矩阵 格子前一帧的像素值 1 n i j a ，相同行、相同列矩阵格子前一帧的像素值 n ij a，相同列、前 一行矩阵格子前一帧的像素值 1 n ij a ， 前一列、 前一行矩阵格子前一帧的像素值 11 n ij a 通 过加权共同决定，得到 1n ij a 的计算如下公式（3）所示。 1 1111 1111 nnnnn ijiji jijij akm akm ak makma （3） 其中0k ，10k，0m ， 10m 。如果出现k或m为负值的情况则说明，实际 摄像视野的运动方向与我们事先假定的正方向相反，即运动方向向左或向下。 当摄像机向右下方向运动时当摄像机向右下方向运动时 同理，我们可以得到，当摄像机向右下方向运动时，各像素点间的关系如下公式 （4）所示。 1111 1111 1111 nnnnn ijiji jijij akm akm ak makma （4） 其中0k ，10k，0m ， 10m 。如果出现k或m为负值的情况则说明，实际 摄像视野的运动方向与我们事先假定的正方向相反，即运动方向向左或向下。 当摄像机向右上方向运动时当摄像机向右上方向运动时 同理易知，第1n帧的第i行第j列个矩形格子的像素亮度值 1n ij a 是由它相同列、 前一行矩阵格子前一帧的像素值 1 n ij a ，相同行、相同列矩阵格子前一帧的像素值 n ij a， 相同行、后一行矩阵格子前一帧的像素值 1 n i j a ，前一列、后一行矩阵格子前一帧的像 素值 11 n ij a 通过加权共同决定，得到 1n ij a 的计算如下公式（5）所示。 1 1111 1111 nnnnn ijijijiji j akm ak makmakm a （5） 其中0k ，10k，0m ， 10m 。如果出现k或m为负值的情况则说明，实际 摄像视野的运动方向与我们事先假定的正方向相反，即运动方向向左或向下。 当摄像机向左下方向运动时当摄像机向左下方向运动时 同理，我们可以得到，当摄像机向左下方向运动时，各像素点间的关系如下公式 （6）所示。 1111 1111 1111 nnnnn ijijijiji j akm ak makmakm a （6） 参赛队号 # 1430参赛队号 # 1430 7 其中0k ，10k，0m ， 10m 。如果出现k或m为负值的情况则说明，实际 摄像视野的运动方向与我们事先假定的正方向相反，即运动方向向左或向下。 5.2.1 模型二的求解5.2.1 模型二的求解 选取每个图像特定区域内的点按照公式（3）-（6）构成二元方程组，对左上、左下、 右上、右下这四种方向进行拟合，求解得到值和值的散点分布（matlab 图），并根据其 符号和真实值与计算值之间的方差判断值和值合理性。 根据模型二中不同运动方向建立 的不同模型， 编写各个方向的检测程序， 并对检测结果进行比较， 从而得到最终的结论。 我们以其中第 31 行和第 32 行像素点的计算为例进行分析，由公式（3）-（6）可得： 1 32,132,231,1 32 231 2 1 32 332,231 332,331,2 1 32,3231,32 32,3132,3231,31 1111 nnn nn nnnnn nn nnn aaaaa aaaaa kmk mkmkm aaaaa ， ， （7） 其中n为整数，且 1,31n 。 用二维情况下检测向右下右下移动的程序对k值和m值进行检验， 可得到不同帧数时， k值和m值的分布情况如下图 8、 图 9 所示， 真实值与计算值之间的方差如下图 10 所示： 020406080100120 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 k值 020406080100120 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 m值 020406080100120 0 0.5 1 1.5 2 2.5 x 10 4 方差 图 8：二维右下程序k值图 9：二维右下程序m值图 10：二维右下真实值与 分布检验分布检验计算值之间的方差 由图 8 可知：在不同帧数情况下，图像水平方向的运动速率k值主要集中在0.4， 0.6的区间范围附近，由图 9 可知：在不同帧数情况下，图像竖直方向的运动速率m值 主要集中在0.1，0.5的区间范围附近，只有极少数点偏离了平均值。由图 10 可知： 多数方差的值都在 0 附近，满足整体的趋势及吻合程度，所以此时的0k ，0m 说明 二维运动方向实际是右下 8。 用二维情况下检测向左上左上移动的程序对k值和m值进行检验， 可得到不同帧数时， k值和m值的分布情况如下图 11、图 12 所示，真实值与计算值之间的方差如下图 13 所 示： 参赛队号 # 1430参赛队号 # 1430 8 020406080100120 -3 -2.5 -2 -1.5 -1 -0.5 0 0.5 k值 020406080100120 -2 -1.5 -1 -0.5 0 0.5 1 m值 020406080100120 0 1 2 3 4 5 6 7 x 10 4 方差 图 11：二维左上程序k值图 12：二维左上程序m值图 13：二维左上真实值与 分布检验分布检验计算值之间的方差 由图 11 可知： 在不同帧数情况下， 图像水平方向的运动速率k值主要集中在0， 0.5 的区间范围附近，由图 12 可知：在不同帧数情况下，图像竖直方向的运动速率m值主 要集中在-0.5,0的区间范围附近，只有极少数点偏离了平均值。由图 13 可知：多数 方差的值都在 0 附近，满足整体的趋势及吻合程度，根据我们之前的假设，认为图像水 平向右运动时k值为正，竖直向上运动时m值为正，所以此时的0k ，0m 说明二维 运动方向实际是右下。 用二维情况下检测向右上右上移动的程序对k值和m值进行检验， 可得到不同帧数时， k值和m值的分布情况如下图 14、图 15 所示，真实值与计算值之间的方差如下图 16 所 示： 020406080100120 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 k值 020406080100120 -2 -1.5 -1 -0.5 0 0.5 1 m值 020406080100120 0 1 2 3 4 5 6 x 10 4 方差 图 14：二维右上程序k值图 15：二维右上程序m值图 16：二维右上真实值与 分布检验分布检验计算值之间的方差 由图 14 可知：在不同帧数情况下，图像水平方向的运动速率k值主要集中在0.4， 0.6的区间范围附近， 由图 15 可知： 在不同帧数情况下， 图像竖直方向的运动速率m值 参赛队号 # 1430参赛队号 # 1430 9 主要集中在-0.5,0的区间范围附近，只有极少数点偏离了平均值。由图 16 可知：多 数方差的值都在 0 附近，满足整体的趋势及吻合程度，根据我们之前的假设，认为图像 水平向右运动时k值为正，竖直向上运动时m值为正，所以此时的0k ，0m 说明二 维运动方向实际是右下。 用二维情况下检测向左下左下移动的程序对k值和m值进行检验， 可得到不同帧数时， k值和m值的分布情况如下图 17、图 18 所示，真实值与计算值之间的方差如下图 19 所 示： 020406080100120 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 k值 020406080100120 -1.5 -1 -0.5 0 0.5 1 m值 020406080100120 0 1 2 3 4 5 6 x 10 4 方差 图 17：二维左下程序k值图 18：二维左下程序m值图 19：二维左下真实值与 分布检验分布检验计算值之间的方差 由图 17 可知：在不同帧数情况下，图像水平方向的运动速率k值主要集中在-0.4， 0的区间范围附近，由图 18 可知：在不同帧数情况下，图像竖直方向的运动速率m值 主要集中在0,0.5的区间范围附近，只有极少数点偏离了平均值。由图 19 可知：多数 方差的值都在 0 附近，满足整体的趋势及吻合程度，根据我们之前的假设，认为图像水 平向右运动时k值为正，竖直向上运动时m值为正，所以此时的0k ，0m 说明二维 运动方向实际是右下。 5.2.3 模型二的检验5.2.3 模型二的检验 由图像的分布我们可以看出整体的趋势及吻合程度，由此判断每个值和值（即相邻 图像计算的值） 是否满足整体趋势， 最终通过相邻的两个图像确定摄像视野的运动方向。 我们同样采用“参数检验标准”对模型二进行检验，用 k 来表示k值的检验结果， 用 m 来表示m值的检验结果，即参数出错率。由模型二的求解中得到的k值m值分布 图，经过统计和计算，检验结果如下表 1 所示。 表 1：模型二的检验结果 参数检验标准 方向检验方法 k m 二维右下程序检验0%2.3% 二维左上程序检验53.7%49.6% 参赛队号 # 1430参赛队号 # 1430 10 二维右上程序检验0%59.4% 二维左下程序检验55.1%2.4% 5.2.4 模型二的结论5.2.4 模型二的结论 综合上述模型的求解与检验，我们可以得到被检测的图像序列的运动方向为右下方 向，这与我们实际拍摄时摄像视野的运动方向一致，从而证明了模型二的正确性，在模 型二的检验中我们也分别引入了k值和m值的“参数检验标准” k 和 m ，检验可知模 型二结果准确、出错率低。 5.3 模型的改进5.3 模型的改进 根据模型求解时得到的散点图，可知当某一方向的测试程序与摄像机实际移动的方 向一致时，k值和m值基本分布在0,1区间范围内，而当两者方向不一致时，会出现 对应方向上参数值（水平为k值，竖直为m值）分布在 0 的正负两端。 因此，当我们想得到图像序列的运动方向时，只需任意选取一种方向的测试代码进 行检测，用得到的k值和m值的分布便可直接判断出摄像机的移动方向，这样可以大大 减少分析时间。 为了更精确的求解移动方位角度，再用相对应的测试代码进行二次检验，得到k值 和m值在0,1之间的分布图，对其取平均值或进行其它数据处理方法），最终我们可 以得到摄像机在二维平面上的移动的两个正交分量，用arctan函数便可以求出摄像机移 动的准确方向 9。 六、模型评价与展望六、模型评价与展望 6.1 模型的优点6.1 模型的优点 该模型适合低分辨率识别，可以应用于夜晚或光线较暗的地方。 通过改进后，此模型只需要处理小规模的图像序列就可以很快并且准确得到结果。 用此种方法既可以提升系统的灵敏度，而且还能降低边缘模糊误差。 我们避开了处理模糊图像的传统方法（即先尽可能地复原，再进行处理和分析）， 而是从图像的采集端入手，引入计算思想，构建了一种在低分辨率下仍能判断出物 体运动方向的模型。 相比传统的视觉处理算法，该模型有所创新。因为传统的视觉处理算法针对于高像 素的图片会有比较好的效果，以 canny 算法为例，在图片像素较高的时候，对轮廓 的识别程度较好，然后利用霍夫变换等方法，提取图片特征，通过图片特征的坐标 位置变化可以得到摄像机的运动状态。然而在 32*64 这种低像素的图片中，canny 算法提取的轮廓边界较粗，需要在图像移动出几个像素的偏差才能够得到其运动状 态， 这样便会导致一定的滞后性， 不能够如要求一样快速的得到摄像机的运动状态， 而当摄像机缓慢移动时，这种弊端更为明显。在我们的模型中，我们通过检测相邻 像素点的像素变化，将摄像机运动的速度作为参量，建立一系列的方程组，然后通 过多元非线性拟合解算出摄像机的速度，不仅能够保证结果的准确性，而且避免了 传统算法产生的滞后延时性。 6.2 模型的缺点6.2 模型的缺点 因为在实际拍摄视频过程中不能避免摄影机的抖动问题，这样会有许多不可控的干 扰噪声。 参赛队号 # 1430参赛队号 # 1430 11 对于具有网格纹路特征的图像，该模型会达不到预期效果，无法确定图像移动的方 向。 6.3 模型的展望6.3 模型的展望 多方法的组合使用多方法的组合使用 在进一步的研究中，可以考虑多方法的组合使用。因为实际情况下，同一场景中由 于光照变化,背景变得复杂化,单一算法不能保证图像处理的准确性。 因此在图像检测系 统中可以结合使用多种算法和技术，从而保证检测的准确性和鲁棒性。 实时性的提高实时性的提高 根据题目要求， 要使用尽量少的时间， 所以在实际应用中,我们的检测处理算法应该 争取能达到实时性的要求。为了提高系统的实时性应尽量采用简单、快速的方法检测、 跟踪目标此外将算法硬件化,以提高代码的运行速度 10。 运动状态的识别运动状态的识别 在实际的拍摄场景中，不仅会进行图像的二维运动，可能同时出现空间上的三维变 换，如何完整地对各个运动状态进行快速、准确的判断将是下一步的研究方向。 完善特征提取过程完善特征提取过程 图像的特征提取是所有有关视频和图像处理的核心问题，然而如何鲁棒提取图像特 征仍有待研究。近年来，研究人员从生物角度出发，使用计算机模拟人脑处理视觉信息 的过程,从而有效提取视觉特征，获得了很好的效果，这也是特征提取的发展趋势。将 合理的生物学上的特征引入到动态图像序列描述模型中，可提高准确性和鲁棒性 11。 七、参考文献七、参考文献 1 图像序列分析， dZvz8I0a2OtEcOQOb8Om0Z3uze3_1X8Vl064wbvze81fSTnE9VnIjtyPEQ1LHkD7Q1XUOH2C d2UGPwZI7，（2016 年 04 月 15 日） 2王海鹏,赵莉,王殿生,潘圆圆,孟祥鹏,基于 MATLAB 的均匀设计实验数据多元非线性 最小二乘拟合J. 化学工程与装备. 2010(09) 3韩玉国,小样本情况下关于位置参数的置换检验D,华东师范大学，2009 4王智飞,低分辨率人脸识别算法研究D,北京交通大学 ,2013 5尹秀珍,低分辨率苹果果实病害图像识别方法研究D,西北农林科技大学,2011 6何斌,车牌自动识别系统D,中国地质大学（北京),2008 7杨耿,运动目标的图像识别与跟踪研究D,江苏大学,2005 8王宇新,基于特征分布的图像识别方法研究与应用D,大连理工大学,2012 9高晶,吴育峰,吴昆,孙继银,基于角点检测的图像匹配算法J,仪器仪表学报, 2013(08) 10赵士文,图像序列中运动目标检测跟踪技术研究,学位论文硕士,2008 11陈昌红,动态图像序列建模与分类及其在人体运动分析中的应用,http:/d.g.Wanf 年 04 月 17 日） 八、附录八、附录 8.1 一维情况下的加权运算源代码8.1 一维情况下的加权运算源代码 function y = func1( c,x ) %UNTITLED8 Summary of this function goes here %Detailed explanation goes here y = (1-c)*x(1,:)+c*x(2,:); 参赛队号 # 1430参赛队号 # 1430 12 end 8.2 二维情况下的加权运算源代码8.2 二维情况下的加权运算源代码 function y = func( c,x ) %UNTITLED3 Summary of this function goes here %Detailed explanation goes here y=x(1,:)*(1-c(1)*(1-c(2)+x(2,:)*c(1)*(1-c(2)+x(3,:)*c(2)*(1-c(1)+x(4,:) *c(1)*c(2); end 8.3 一维情况下的判断运动方向源代码8.3 一维情况下的判断运动方向源代码 % %得到水平移动的图 clear all pic = imread(model2.jpg); gpic=rgb2gray(pic); %imshow(gpic) hight width=size(gpic); lb=int16(hight/64); t=1; while t(width-double(lb)*32)*2/double(lb) for j=1:64 for i=1:32 block = gpic(j-1)*lb+1:j*lb,(i-1)*lb+1+(t-1)*lb/2:i*lb+(t-1)*lb/2); avr = sum(sum(block); pic32(j,i) = avr/double(lb)/double(lb); end end pic32 = uint8(pic32); imshow(pic32); pt=pic32; t=t+1; end t=1; %gca=figure(1) while t100 imshow(pt); t=t+1; pause(0.01); end % %假设不同情况并且对数据进行拟合，确定 k 的值 %当摄像机朝左移动 for t=1:length(p)-1 x1 = pt(32,2:32); x2 = pt(32,1:31); x=x1;x2; x = double(x); y = pt+1(32,2:32); y = double(y); 参赛队号 # 1430参赛队号 # 1430 13 c0=0.5; c r = lsqcurvefit(func1,c0,x,y); cc(t,1)=c; cc(t,2)=r; end %当摄像机朝右移动 for t=length(p):-1:2 x1 = pt(32,2:32); x2 = pt(32,1:31); x=x1;x2; x = double(x); y = pt-1(32,2:32); y = double(y); c0=0.5; c r = lsqcurvefit(func1,c0,x,y); cc(t,1)=c; cc(t,2)=r; end % % plot(cc(:,1),.) legend(k 值) plot(cc(:,2),.) legend(方差) 8.4 二维情况下的判断运动方向源代码8.4 二维情况下的判断运动方向源代码 % %得到斜着移动的图 clear all pic = imread(model3.jpg); gpic=rgb2gray(pic); %imshow(gpic) hight width=size(gpic); lb=int16(hight/64/2); t=1; while t(hight-double(lb)*64)*2/double(lb) for j=1:64 for i=1:32 block = gpic(j-1)*lb+1+(t-1)*lb/3:j*lb+(t-1)*lb/3,(i-1)*lb+1+(t-1)*lb/2:i*lb