计算机视觉原理（3--图像特征提取与运动估计）
一、角点检测
Harris算子原理：
- 在灰度变化平缓区域，窗口内像素灰度积分近似保持不变
- 在边缘区域，边缘方向：灰度积分近似不变，其余任意方向：剧烈变化；
-
在角点处，任意方向均剧烈变化
定义灰度积分变化:
令 E（u,v）= 常值，则前面方程表示一个椭圆
使用角点响应函数：
- 当R接近于零时，处于灰度变化平缓区域；
- 当R<0时，点为边界像素；
- 当R>0时，点为角点。
二、背景建模
相对运动的基本方式：
- 相机静止，目标运动——背景提取(减除)
- 相机运动，目标静止——光流估计(全局运动)
- 相机和目标均运动——光流估计
帧差法运动目标检测
- D(x, y): 帧差
- I(x,y,t): 当前帧(t时刻)图像
- I(x,y,t): 上一帧(t-1时刻)图像
- T: 像素灰度差阈值
高斯背景
像素灰度值随时间变化符合高斯分布
混合高斯模型 ：
任何一种分布都可以看做是多个高斯分布的组合
像素灰度(随时间)的概率密度函数：
混合高斯背景建模步骤：
- 模型初始化 将采到的第一帧图像的每个象素的灰度值作为 均值，再赋以较大的方差。初值Q=1, w=1.0。
-
模型学习 将当前帧的对应点象素的灰度值与已有的Q个高斯模型作比较，若满足
，则按上页方式调整 第q个高斯模型的参数和权重；否则转入(3)：
- 增加/替换高斯分量 若不满足条件，且q<Q，则增加一个新 分量；若q=Q，则替换
- 判断背景：
- 判断前景
混合高斯模型迭代计算原理：
迭代计算：
- Mq(k)为二值化函数，仅当像素值匹配第q类时取1， 其余为0
- 类别数取值不大于5
背景建模处理实例 ：
三、光流估计
恒定亮度假设(BCM)
光流估计基本模型：
- 任务：求
- 难点： 1 个方程， 2 个未知数
Lucas-Kanade方法
一个小方格里的所有像素位移相同
- 最优化问题(超定方程求解)
-
最小二乘解：
-
区域像素只有2个时，就是2元1次方程组求解！ 多个像素，比如3*3时，则是求上述最小二乘解
-
可信度判断：矩阵求逆是否能实现？
-
边缘(对比Harris算子)
- 沿某一方向灰度剧烈变化 –
-
低纹理区域(对比Harris算子)