基于矢量量化的动态场景中运动车辆的检测_张磊--------论文解读

前期储备知识：

1.Harris 角点检测

2.光流法之金字塔Lucas-Kanade

3.欧式距离：很简单，初中学过的求直角坐标系的两个点的距离使用的方式就是欧式距离，数据间的相似程度主要是依据数据间的距离，距离越大，越不相似

提出背景：

       由于存在着背景与车辆２个相互独立的运动而使得目标车辆的提取变得困难（光流法的最重要应用就是拍摄者是运动的，其他的背景建模算法比如混合高斯、单高斯、帧差法都适用于静态）。目前，较为流行的方法主要有基于背景运动补偿和基于光流的方法。基于背景运动补偿的方法主要是通过估计背景运动参数，将动态背景转化为静态背景，再通过帧间差分法从背景中分割出车辆，其检测效果取决于运动补偿的准确性，且帧间差分后只能得到运动车辆的边缘，不能得到完整的轮廓。

       出现的问题：基于全局的光流和基于特征点光流在计算时总是会由于光照条件的变化等原因引起视频序列前后２帧特征点光
流场中出现一些杂乱的、错误的光流

       提出办法：1.建立输入矢量；2.VQ对输入进行聚类；3.欧式距离和相似性系数划分类别

       具体步骤：在改进的 Harris角点检测与金字塔 Lucas－Kanada光流的基础上，将角点光流矢量的方向和幅值以及角点在图像中的坐标作为输入变量，建立输入矢量，运用矢量量化（ＶＱ）对图像的光流场进行聚类，并结合欧式距离和相似系数作为相似性测度，将光流场聚为若干类别。再计算各类别中角点坐标分布的方差，根据各个类别的方差值，可以消除因角点误匹配产生错误光流，并用方差值区别出运动车辆的光流类与背景的光流类，达到车辆从背景中分割的目的。