本文展示了一種自動識別視頻中移動目標(biāo)的方法。論文中提取移動目標(biāo)通過幀序列，這種方法不需要先驗知識，比如：時間閾值調(diào)整。基于相鄰幀的連續(xù)對稱差分，我們能得到全分辨率顯著圖；然后利用最大熵方法計算閾值決定候選區(qū)域和獲得興趣點(diǎn)的種子；最后用修改的模糊生長方法獲得最終的結(jié)果。本文中提出的算法是有效的、具有魯棒性的。實(shí)驗結(jié)果也證明它具有很好的效果。移動目標(biāo)檢測在計算機(jī)視覺中有廣泛應(yīng)用，但是在研究過程中也有很多挑戰(zhàn)。通常目標(biāo)檢測方法被分為三類：（1）基于時間信息。例如：幀差法能很快檢測出目標(biāo)，但很難得到整個物體的輪廓，并且易受背景的影響。（2）基于空間信息的。（3）基于時間和空間信息的。有較好的效果，計算復(fù)雜度高。本文提出了一種基于時間信息的方法。（1）通過相鄰幀對稱差分獲得顯著圖；（2）使用最大熵模型得到一個閾值去二值化時間顯著圖和獲得候選區(qū)域。然后選擇候選區(qū)域最顯著的點(diǎn)作為興趣種子點(diǎn)。（3）對于每一興趣種子點(diǎn)，在顯著圖上應(yīng)用模糊生長方法直到?jīng)]有點(diǎn)能被聚集和能獲得移動物體的輪廓A.移動顯著圖的產(chǎn)生①獲得一段連續(xù)幀②相鄰幀做差分得到移動目標(biāo)。③對得到的差分顯著圖做開運(yùn)算。作用：消除小的和亮的細(xì)節(jié)。④為了去除噪聲和背景運(yùn)動的影響，對差分得到的顯著圖做和再平均。B.興趣種子選擇由于圖像是連續(xù)變化的，一個固定的閾值不能很好的二值化顯著圖，本文采用最大熵方法得到一個變化的閾值去二值化顯著圖和提取候選興趣區(qū)域。然后選擇興趣種子點(diǎn)。

C.移動目標(biāo)檢測為了提取移動的目標(biāo)，本論文應(yīng)用模糊生長方法去使興趣點(diǎn)的種子生長成一片區(qū)域。如果像素值滿足下列條件，對興趣點(diǎn)的種子使用模糊生長算法。a和u表示如下圖實(shí)驗數(shù)據(jù)集：PETS2000,PETS2001andDataset2014設(shè)備：ThealgorithmisimplementedwithC++onapersonalcomputerwithCorei33.3GHzCPUand2GRAM.評價標(biāo)準(zhǔn)：假負(fù)率(FalseNegativeRate

,

FNR)

：FNR=FN/(TP+FN)

，即被預(yù)測為負(fù)的正樣本結(jié)果數(shù)/正樣本實(shí)際數(shù)假正率(FalsePositiveRate

,

FPR)

：FPR=FP/(FP+TN)

，即被預(yù)測為正的負(fù)樣本結(jié)果數(shù)

/負(fù)樣本實(shí)際數(shù)Specificity(負(fù)例的覆蓋率，TrueNegativeRate)=正確預(yù)測到的負(fù)例個數(shù)/實(shí)際負(fù)例總數(shù)PBC：PercentageofBadClassifications召回率（Re、recall）：預(yù)測為真實(shí)正例除以所有真實(shí)正例樣本的個數(shù)準(zhǔn)確率(Precision)：預(yù)測為真實(shí)正例除以所有被預(yù)測為正例樣本的個數(shù)F-measure：查準(zhǔn)率和查全率的調(diào)和平均值,

更接近于P,R兩個數(shù)較小的那個:

F=2*P*R/(P+R)實(shí)驗結(jié)果如下圖fo(:,:,j)=imopen(D(:,:,j),se);%直接開運(yùn)算subplot(2,2,4);imshow(fo(:,:,j),[]);C=(C+D(:,:,j));E=(E+fo(:,:,j));endC=C/10;figure,subplot(2,2,1);imshow(C,[]);subplot(2,2,2);imshow(E,[]);imwrite(uint8(C),'C:\Users\Administrator\Desktop\16.jpg')a=imread('C:\Users\Administrator\Desktop\16.jpg');figure,imshow(a)count=imhist(a);[m,n]=size(a);N=m*n;L=256;count=count/N;%%每一個像素的分布概率fori=1:Lifcount(i)~=0st=i-1;break;endendfori=L:-1:1ifcount(i)~=0nd=i-1;break;endendf=count(st+1:nd+1);%f是每個灰度出現(xiàn)的概率size(f)E=[];forTh=st:nd-1%%%設(shè)定初始分割閾值為Thav1=0;av2=0;Pth=sum(count(1:Th+1));%%%第一類的平均相對熵為fori=0:Thav1=av1-count(i+1)/Pth*log(count(i+1)/Pth+0.00001);end%%%第二類的平均相對熵為fori=Th+1:L-1av2=av2-count(i+1)/(1-Pth)*log(count(i+1)/(1-Pth)+0.00001);endE(Th-st+1)=av1+av2;%E(Th-st+1)=av1*(1-Pth)^15;endposition=find(E==(max(E)));th=st+position-1;fori=1:mforj=1:nifa(i,j)>tha(i,j)=255;elsea(i,j)=0;endendendfigure,imshow(a);title('1')se=strel('disk',1');%圓盤型結(jié)構(gòu)元素fo=imopen(a,se);%直接開運(yùn)算figure,imshow(fo);title('kai');%B=[11%11];B=[111111111];A2=imdilate(fo,B);figure,imshow(A2);title('fushi');imwrite(A2,'C:\Users\Administrator\Desktop\10.jpg')Ibw=imread('10.jpg');%I=rgb2gray(I);%Ibw=im2bw(I);[l,m]=bwlabel(Ibw,8);status=regionprops(l,'BoundingBox');imshow(Ibw);holdon;fori=1:mrectangle('position',status(i).BoundingBox,'edgecolor','r');endholdoff;frame=read(videoObj,start);figure,imshow(frame);fori=1:mrectangle('position',status(i).BoundingBox,'edgecolor','r');end本算法的結(jié)果：表格SEQ表格\*ARABIC1原始視頻表格